神通数据挖掘软件介绍重点解析.pptVIP

* 技术壁垒高：面向高端分析师，培训成本较高。 工具性强：分析结果无法有效指导决策。 未实现闭环分析流程：模型部署成本和周期较长，模型的时效性差。 承载能力小：算法机制和系统硬件环境制约，数据承载能力不能满足企业级数据分析要求 如上面所示，总体来说，国内外数据挖掘技术目前的应用主要存在以下瓶颈： 数据挖掘技术壁垒较高。导致其目标群较小，主要集中在一些高段分析师（尤其统计分析师）。培训成本和人力成本较大。 当前的主流产品工具性太强。目前主流产品都仅仅是一个分析工具（桌面软件或C/S模式），只能由一些分析师使用，并产生一些分析报告。但是，数据挖掘的最大客户群——业务人员，却因为部门间协调成本较大，或技术壁垒等原因很少对其分析结果问津，从而导致数据挖掘的分析结论往往未能最终指导决策，并产生效益和效能。同时，由工具软件产生的结论往往是零零散散的，从而使得数据挖掘的应用，不能在管理上形成系统的方法论，当然也就导致项目没有可持续性。 传统数据挖掘软件数据承载能力较小。由于传统主流数据挖掘软件厂商均为统计软件厂商，而统计软件和统计方法大多只是对一些宏观数据进行分析，所以往往数据承载能力较小，大多只能支持百万条以内数据量的建模，或对原始数据进行抽样处理。但随着数据仓库技术的产生和推广，对数据挖掘软件的数据承载能力要求越来越高。 未能实现真正意义上的闭环分析流程。虽然，传统数据挖掘厂商（如SAS、SPSS）都推崇数据挖掘项目的闭环流程。业务决定分析，分析再指导业务。但是由于其工具性产品的特点，导致其无法实现真正意义上的闭环流程。从而导致模型部署成本和周期较长，同时不能有效地保证模型的时效性。 尽管国内也有部分公司已经研发出数据挖掘产品，但其仅仅是对国外产品功能的简单模仿，缺乏对市场深入分析和创新意识，当然也无法引导国内外数据挖掘市场。 * 确定业务目标 数据的搜集和理解 数据的准备：清洗，整合，转换 模型建立和调整：方法选择，参数选择，模型创建，模型测试和评估，模型调优 模型应用：部署，应用，监控 K-Miner通过吸收、综合6sigma理论、CRISP-DM标准等方法论各自的优势，并通过深入分析BPM、CRM、OA、MIS、ERP等系统设计理念及流程设计思想，在方法论上对CRISP-DM分析流程进行了完善，强化了其闭环流程，在系统内部形成了一套更适合数据挖掘分析流程的闭环分析流程,从而使分析流程更完善、更科学、更便捷。从而实现真正意义上的闭环管理思想，以降低项目实施的沟通成本，缩短模型部署周期，保证项目的可持续进行和发展。 K-Miner闭环流程分为 主题创建（对应于“业务理解”）——〉数据探索、统计图形、统计分析（对应于“数据探索”）——〉数据预处理（对应于“数据转换”）—〉建模（对应于“模型建立”）——〉测试（对应于“模型评估”）——〉应用、决策支持（对应于“模型部署”）——〉主题调整（对“业务理解”进行反馈）7个环节。 确定业务目标 数据的搜集和理解 数据的准备：清洗，整合，转换 模型建立和调整：方法选择，参数设置，模型创建，模型测试和评估，模型调优 模型应用：部署，应用，监控 * * 作为一款数据挖掘工具 K-Miner要以其在分析算法方面的优势，为用户提供最为深入、准确、高效的洞察力； 作为一款分析系统 K-Miner要充分利用B/S模式的优势，最大限度地为用户提供最为便捷的服务； 作为一款决策支持系统 K-Miner要将产品的易用性和分析结果的可读性作为永恒的宗旨。 * * 为解决传统数据挖掘产品面临的问题，K-Miner除了吸收传统数据挖掘产品的优势之外，采用了如下策略对产品进行设计，以弥补传统产品的缺陷： （1）易用性 作为一款数据挖掘软件，K-Miner通过算法建模参数的自适应调节机制，减少人机交互，尽可能地降低产品使用的技术壁垒。 （2）企业级应用 针对企业数据挖掘特点，增加面向企业级应用功能。如支持海量数据挖掘、多用户挖掘，实时打分等功能 （2）架构设计 采用优秀架构设计思想（如SOA、分布式计算），形成独特的神通数据挖掘架构，与企业现有系统进行快速整合。 （3）流程设计 闭环分析流程 K-Miner通过吸收、综合6sigma理论、CRISP-DM标准等方法论各自的优势，并通过深入分析BPM、CRM、OA、MIS、ERP等系统设计理念及流程设计思想，在方法论上对CRISP-DM分析流程进行了完善，强化了其闭环流程，在系统内部形成了一套更适合数据挖掘分析流程的闭环分析流程,从而使分析流程更完善、更科学、更便捷。从而实现真正意义上的闭环管理思想，以降低项目实施的沟通成本，缩短模型部署周期，保证项目的可持续进行和发展。 K-Miner