數(shù)據(jù)挖掘進(jìn)行數(shù)據(jù)分析常用的方法

利用數(shù)據(jù)挖掘進(jìn)行數(shù)據(jù)分析常用的方法主要有分類、回歸分析、聚類、關(guān)聯(lián)規(guī)則、特征、變化和偏差分析、Web頁(yè)挖掘等， 它們分別從不同的角度對(duì)數(shù)據(jù)進(jìn)行挖掘。
    ① 分類。分類是找出數(shù)據(jù)庫(kù)中一組數(shù)據(jù)對(duì)象的共同特點(diǎn)并按照分類模式將其劃分為不同的類，其目的是通過(guò)分類模型，將數(shù)據(jù)庫(kù)中的數(shù)據(jù)項(xiàng)映射到某個(gè)給定的類別。（分類算法一般有：決策樹、bayes分類、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)）
    它可以應(yīng)用到客戶的分類、客戶的屬性和特征分析、客戶滿意度分析、客戶的購(gòu)買趨勢(shì)預(yù)測(cè)等，如一個(gè)汽車零售商將客戶按照對(duì)汽車的喜好劃分成不同的類，這樣營(yíng)銷人員就可以將新型汽車的廣告手冊(cè)直接郵寄到有這種喜好的客戶手中，從而大大增加了商業(yè)機(jī)會(huì)。
    ② 回歸分析。回歸分析方法反映的是事務(wù)數(shù)據(jù)庫(kù)中屬性值在時(shí)間上的特征，產(chǎn)生一個(gè)將數(shù)據(jù)項(xiàng)映射到一個(gè)實(shí)值預(yù)測(cè)變量的函數(shù)，發(fā)現(xiàn)變量或?qū)傩蚤g的依賴關(guān)系，其主要研究問(wèn)題包括數(shù)據(jù)序列的趨勢(shì)特征、數(shù)據(jù)序列的預(yù)測(cè)以及數(shù)據(jù)間的相關(guān)關(guān)系等。
    它可以應(yīng)用到市場(chǎng)營(yíng)銷的各個(gè)方面，如客戶尋求、保持和預(yù)防客戶流失活動(dòng)、產(chǎn)品生命周期分析、銷售趨勢(shì)預(yù)測(cè)及有針對(duì)性的促銷活動(dòng)等。
    ③ 聚類。聚類分析是把一組數(shù)據(jù)按照相似性和差異性分為幾個(gè)類別，其目的是使得屬于同一類別的數(shù)據(jù)間的相似性盡可能大，不同類別中的數(shù)據(jù)間的相似性盡可能小。
    它可以應(yīng)用到客戶群體的分類、客戶背景分析、客戶購(gòu)買趨勢(shì)預(yù)測(cè)、市場(chǎng)的細(xì)分等。
    ④ 關(guān)聯(lián)規(guī)則。關(guān)聯(lián)規(guī)則是描述數(shù)據(jù)庫(kù)中數(shù)據(jù)項(xiàng)之間所存在的關(guān)系的規(guī)則，即根據(jù)一個(gè)事務(wù)中某些項(xiàng)的出現(xiàn)可導(dǎo)出另一些項(xiàng)在同一事務(wù)中也出現(xiàn)，即隱藏在數(shù)據(jù)間的關(guān)聯(lián)或相互關(guān)系。
    在客戶關(guān)系管理中，通過(guò)對(duì)企業(yè)的客戶數(shù)據(jù)庫(kù)里的大量數(shù)據(jù)進(jìn)行挖掘，可以從大量的記錄中發(fā)現(xiàn)有趣的關(guān)聯(lián)關(guān)系，找出影響市場(chǎng)營(yíng)銷效果的關(guān)鍵因素，為產(chǎn)品定位、定價(jià)與定制客戶群，客戶尋求、細(xì)分與保持，市場(chǎng)營(yíng)銷與推銷，營(yíng)銷風(fēng)險(xiǎn)評(píng)估和詐騙預(yù)測(cè)等決策支持提供參考依據(jù)。
    ⑤ 特征。特征分析是從數(shù)據(jù)庫(kù)中的一組數(shù)據(jù)中提取出關(guān)于這些數(shù)據(jù)的特征式，這些特征式表達(dá)了該數(shù)據(jù)集的總體特征。如營(yíng)銷人員通過(guò)對(duì)客戶流失因素的特征提取，可以得到導(dǎo)致客戶流失的一系列原因和主要特征，利用這些特征可以有效地預(yù)防客戶的流失。
    ⑥ 變化和偏差分析。偏差包括很大一類潛在有趣的知識(shí)，如分類中的反常實(shí)例，模式的例外，觀察結(jié)果對(duì)期望的偏差等，其目的是尋找觀察結(jié)果與參照量之間有意義的差別。在企業(yè)危機(jī)管理及其預(yù)警中，管理者更感興趣的是那些意外規(guī)則。意外規(guī)則的挖掘可以應(yīng)用到各種異常信息的發(fā)現(xiàn)、分析、識(shí)別、評(píng)價(jià)和預(yù)警等方面。
    ⑦ Web頁(yè)挖掘。隨著Internet的迅速發(fā)展及Web 的全球普及， 使得Web上的信息量無(wú)比豐富，通過(guò)對(duì)Web的挖掘，可以利用Web 的海量數(shù)據(jù)進(jìn)行分析，收集政治、經(jīng)濟(jì)、政策、科技、金融、各種市場(chǎng)、競(jìng)爭(zhēng)對(duì)手、供求信息、客戶等有關(guān)的信息，集中精力分析和處理那些對(duì)企業(yè)有重大或潛在重大影響的外部環(huán)境信息和內(nèi)部經(jīng)營(yíng)信息，并根據(jù)分析結(jié)果找出企業(yè)管理過(guò)程中出現(xiàn)的各種問(wèn)題和可能引起危機(jī)的先兆，對(duì)這些信息進(jìn)行分析和處理，以便識(shí)別、分析、評(píng)價(jià)和管理危機(jī)。
    數(shù)據(jù)挖掘是一種決策支持過(guò)程，它通過(guò)高度自動(dòng)化地分析企業(yè)的數(shù)據(jù)，做出歸納性的推理，從中挖掘出潛在的模式，幫助決策者調(diào)整市場(chǎng)策略，減少風(fēng)險(xiǎn)，做出正確的決策。這對(duì)于一個(gè)企業(yè)的發(fā)展十分重要。

數(shù)據(jù)挖掘的一般流程

第一步，建立模型，確定數(shù)據(jù)表中哪些列是要用于輸入，哪些是用于預(yù)測(cè)，選擇用何種算法。這時(shí)建立的模型內(nèi)容是空的，在模型沒有經(jīng)過(guò)訓(xùn)練之前，計(jì)算機(jī)是無(wú)法知道如何分類數(shù)據(jù)的。  

第二步，準(zhǔn)備模型數(shù)據(jù)集，例子中的模型數(shù)據(jù)集就是1000個(gè)會(huì)員數(shù)據(jù)。通常的做法是將模型集分成訓(xùn)練集和檢驗(yàn)集，比如從1000個(gè)會(huì)員數(shù)據(jù)中隨機(jī)抽取700個(gè)作為訓(xùn)練集，剩下 300個(gè)作為檢驗(yàn)集。 

第三步，用訓(xùn)練數(shù)據(jù)集填充模型，這個(gè)過(guò)程是對(duì)模型進(jìn)行訓(xùn)練，模型訓(xùn)練后就有分類的內(nèi)容了，像例子圖中的樹狀結(jié)構(gòu)那樣，然后模型就可以對(duì)新加入的會(huì)員事例進(jìn)行分類了。由于時(shí)效性，模型內(nèi)容要經(jīng)常更新，比如十年前會(huì)員的消費(fèi)模式與現(xiàn)在有很大的差異，如果用十年前數(shù)據(jù)訓(xùn)練出來(lái)的模型來(lái)預(yù)測(cè)現(xiàn)在的會(huì)員是否會(huì)購(gòu)買自行車是不合適的，所以要按時(shí)使用新的訓(xùn)練數(shù)據(jù)集來(lái)訓(xùn)練模型。  

第四步，模型訓(xùn)練后，還無(wú)法確定模型的分類方法是否準(zhǔn)確。可以用模型對(duì)300個(gè)會(huì)員的檢驗(yàn)集進(jìn)行查詢，查詢后，模型會(huì)預(yù)測(cè)出哪些會(huì)員會(huì)購(gòu)買自行車，將預(yù)測(cè)的情況與真實(shí)的情況對(duì)比，評(píng)估模型預(yù)測(cè)是否準(zhǔn)確。如果模型準(zhǔn)確度能滿足要求，就可以用于對(duì)新會(huì)員進(jìn)行預(yù)測(cè)。
第五步，超市每天都會(huì)有新的會(huì)員加入，這些新加入的會(huì)員數(shù)據(jù)叫做預(yù)測(cè)集或得分集。使用模型對(duì)預(yù)測(cè)集進(jìn)行預(yù)測(cè)，識(shí)別出哪些會(huì)員可能會(huì)購(gòu)買自行車，然后向這些會(huì)員投遞廣告。