“数据掘金”岂能用“锄头”.docxVIP

PAGE 1 PAGE 1 “数据掘金”岂能用“锄头”  应当留意：数据、信息和决策信息三者是有区分的。学问发觉这个过程做不好，企业快速膨胀的信息系统就是个垃圾堆。从外表看，企业信息系统的硬件施工很规范，但是怎么知道企业的管理团队，乃至整个企业正在滑进这个垃圾堆呢？——编者  　　在当今竞争日益激烈的市场环境中，您一定期望能够从浩如烟海的商务数据以及其他相关的数据中发觉带来巨额利润的商机。只有那些利用先进的信息技术成功地收集、分析、理解信息并依据信息进行决策的企业才能获得竞争优势，才是市场的赢家。因此，越来越多的管理者开始借助商务智能技术来发觉商务运营过程中存在的问题，找到有利的解决方案。  　　详细地说，商务智能技术包括：  　　·数据仓库(datawarehousing)  　　·联机分析处理(on-lineanalyticalprocessing，简称OLAP)  　　·数据挖掘（datamining）  　　包括以上三者在内的用于综合、探察和分析商务数据的先进的信息技术的统称就是商务智能技术。  　　数据仓库  　　数据仓库是一个面向主题的、集成的、随时间变化的、非易失的主要用于决策支持的数据的集合。一般来说，大公司或企业内存在着各种各样的信息系统，这些应用驱动的操作型信息系统为企业不同的业务系统服务，具有不同接口和不同的数据表示方法，相互孤立。利用数据仓库技术可以动态地将各个异构系统中的数据抽取集成到一起，进行清洗、转换等处理之后加载到数据仓库中，通过周期性的刷新，为用户供应一个统一的洁净的数据视图，为数据分析供应一个高质量的数据源。  　　OLAP  　　对于数据仓库中的数据，可以使用一些增加的查询和报表工具进行复杂的查询和即时的报表制作，可以利用OLAP技术从多种角度对业务数据进行多方面的汇总统计计算，还可以利用数据挖掘技术自动发觉其中隐含的有用信息。  　　数据挖掘  　　数据挖掘又称学问发觉（KnowledgeDiscoveryinDatabase，简称KDD），是从大量数据中抽取有意义的、隐含的、以前未知的并有潜在使用价值的学问的过程。数据挖掘是一个多学科交叉性学科，它涉及统计学、机器学习、数据库、模式识别、可视化以及高性能计算等多个学科。利用数据挖掘技术可以分析各种类型的数据，例如结构化数据、半结构化数据以及非结构化数据、静态的历史数据和动态数据流数据等。  　　数据挖掘对象分类  　　关系数据库(relationaldatabase)中通常存储和管理的是结构化的数据，它将一个实体的各方面信息通过离散的属性进行描述。而文本数据库（textdatabase）或文档数据库（documentdatabase）则通常存储和管理的是半结构化的数据，例如新闻稿件、研究论文、电子邮件、书籍以及WEB页面等都属于半结构化数据。空间数据库、多媒体数据库中存放的是非结构化数据，例如地图、图片、音频、视频等都属于非结构化数据。相对于半结构化和非结构化数据来说，针对结构化数据的数据挖掘技术比较成熟，市场上有许多的商品软件可以使用，用的较多的包括IBMIntelligentMiner、SASEnterpriseMiner、SGIMineSet、ClementineSPSS以及MicrosoftSQLServer2000等。关于半结构化和非结构化的数据挖掘软件尚不多，相应的算法相对还较少。IBMIntelligentMinerforText是IBM公司开发的针对文本的挖掘软件。  　　从另一个角度来说，数据挖掘的分析对象又可以分为两种类型：静态数据和数据流（datastream）数据。现在的多数数据挖掘算法是用于分析静态数据的。  　　数据挖掘常用技术  　　无论要分析的数据对象的类型如何，常用的数据挖掘技术包括关联分析、序列分析、分类、预估、聚类分析以准时间序列分析等。  　　·关联分析  　　关联分析主要用于发觉不同事件之间的关联性，即一个事件发生的同时，另一个事件也经常发生。关联分析的重点在于快速发觉那些有实用价值的关联发生的事件。其主要依据是事件发生的概率和条件概率应当符合一定的统计意义。  　　对于结构化的数据，以客户的购买习惯数据为例，利用关联分析，可以发觉客户的关联购买需要。例如，一个开设储蓄账户的客户很可能同时进行债券交易和股票交易，购买纸尿裤的男顾客经常同时购买啤酒等。利用这种学问可以采取积极的营销策略，扩展客户购买的产品范围，吸引更多的客户。通过调整商品的布局便于顾客买到经常同时购买的商品，或者通过降低一种商品的价格来促进另一种商品的