数据挖掘分析报告总结(共37篇)

数据挖掘分析报告总结 第1篇

数据挖掘在目前的信息社会环境下利用十分的普遍，而所谓的数据挖掘实际上就是利用数据所表现出来的特点以及关联性将其他的因素做带入性分析，这样，无论是产业发展还是产品的生产，其最终的结果都会具有综合性。就软件工程行业的具体实践分析来看，软件开发需要大量的数据，而且数据信息之间的联系需要明确，这样，具体软件开发的时候设计和考虑会更加的全面，最终的软件适用性效果会更加突出。基于此，分析研究软件工程行业中数据挖掘的具体应用有突出的现实价值。

一、数据挖掘的一般流程分析

数据挖掘是一个动态的过程，就目前的分析来看，数据挖掘需要经历三个基本的步骤：（1）数据的预处理。数据预处理是数据挖掘最基础的部分，也是数据挖掘关键性的步骤，其主要包括四项基本的内容，分别是原始数据获取、数据清洗、数据抽取和数据交换。通过数据的预处理，数据之间的逻辑关系会更加清晰，数据的具体利用价值会有明显性提升。（2）数据挖掘。在数据预处理的基础上进行数据挖掘需要经过两个步骤，其一是对挖掘的任务进行明确，具体包括数据的分类、数据总结等等。其二是对数据挖掘的算法进行确定，这样，数据挖掘的效率性和质量性会更好。（3）模式评估和知识表示。在数据挖掘中不同的模式有不同的效果，因此对当前确定的数据挖掘模式做有效性评估，这样可以确定模式利用的最终价值。

二、软件工程行业中的数据挖掘应用

在软件工程行业，数据挖掘的应用十分的广泛，总结分析目前软件工程行业中数据挖掘的主要应用，这可以为数据挖掘的深入推广提供可靠的参考。

（一）软件版本信息挖掘

（二）软件漏洞检测挖掘

在软件工程行业，数据挖掘的应用还广泛分布在软件漏洞检测方面。从软件的具体应用来看，漏洞的检测和修复是软件利用需要重点注意的内容，因为这关系着软件利用的综合实效和安全性。就当前软件漏洞具体检测中的数据挖掘分析来看，其主要包括5个方面的内容：（1）软件漏洞检测项目的明确，有了明确的检测项目，具体的数据挖掘范围也会得到确定，这样，数据挖掘的效果会更突出。（2）对软件功能漏洞检测数据信息做深入获取，并就获取的信息做清理和转换工作，这样可以提炼更多有用的知识和信息。（3）对软件工程合适的数据挖掘信息做科学合理的选择，这样可以使数据信息的验证效果更加突出。（4）对软件工程中存在的系统平台缺陷和漏洞做科学划分并予以描述和定位。（5）基于挖掘的信息数据进行系统测试工作。

（三）开源软件代码挖掘

软件工程行业中的数据挖掘应用还体现在开源软件代码挖掘中。从现阶段的分析来看，开源软件代码挖掘可归结为对象挖掘类型，其应用最为广泛的是代码的克隆检测，而克隆检测工程在软件代码以及系统应用数据的复制和拷贝中进行使用。通过系统中具体的代码源检测操作能够将软件工程中存在的代码漏洞问题做有效解决，这样软件工程在后期的运行维护方面效果会有极大的提升。

（四）软件执行记录挖掘

数据挖掘在软件工程行业中的突出利用还体现在软件执行记录的挖掘方面。在软件执行记录当中使用数据挖掘技术，可以借助对软件执行的记录做有效的大数据分析，这样，不同的软件或者是相同的软件在不同模块代码间的关联关系会得到全面性的分析，基于此分析，数据执行的路径等可以得到跟踪，逆向建模的最终效果会更加的突出。简言之，在软件执行记录中利用数据挖掘会对软件的系统代码维护等起到突出的作用，这样，软件工程的稳定性效果会更加突出。

三、结束语

综上所述，在软件工程行业中，具体的软件开发需要对多方面的数据进行利用，更要对各方面数据表现出来的关联性以及数据应用结果做分析，这样，软件最终开发需要考虑的内容和避免的问题会更加的清楚。文章就软件工程行业中数据挖掘的一般步骤和具体内容做分析，最终的目的是为软件工程行业的实践活动开展提供帮助，从而提升软件开发的综合性，提高软件在具体生活实践中的利用价值和效果，达到软件开发的最终目的。

参考文献

[1]吕品,于文兵,汪鑫等.数据挖掘挑战赛驱动的本科生大数据分析能力培养——以上海电机学院软件工程专业学生为例[J].计算机教育,2017(11):36-39.

数据挖掘分析报告总结 第2篇

【关键词】 火电厂 数据分析 数据挖掘 关联规则

1 背景和意义

（1）当前国际社会所面临的能源与环境之间的矛盾日益突出，电力作为现代社会最广泛应用的能源方式，在推动社会发展与进步中占据核心地位。电力生产以燃煤火力发电为主。煤炭在火电机组的燃料中，是主要能源占90%以上。燃煤引起的煤烟型污染是我国环境污染的主要污染源，由此引起的损失非常可观，己成为我国经济发展和电力行业发展的瓶颈。

（2）与此同时，数据时代已经到来，当今世界正处在一个数据爆炸的时代。电力生产是大数据产生的主要源头之一，这些数据的规模非常庞大，涌现速度也非常迅猛。所以针对电站污染排放的现状，我们迫切的需要一种能够智能、快速和自动化的方法来从数据库中获取有用的价值。它就是数据挖掘技术。

2 数据挖掘

（1）数据挖掘的定义：数据挖掘是一种新兴的信息处理技术。简单的说，数据挖掘就是从大量的、模糊的、随机的实际应用数据中，提取出蕴含人们事先不清楚的、但又是潜在有用的信息的过程。

数据挖掘可以高度自动化的分析数据，只要是有价值的数据，都可以利用数据挖掘来挖掘有用的信息。并且数据挖掘技术是未来重要的新技术之一，在各个行业领域引起了广泛的关注，是当今人们研究的热点问题。

（2）数据挖掘的功能：估计与预测、关联规则分析、聚类分析、分类、偏差分析。

（3）数据挖掘的过程：一般来说，数据挖掘的过程大致可以分为三个阶段，即数据的准备和预处理、数据挖掘、结果的解释和评估。所以数据挖掘也是一个闭环的循环过程。

3 关联规则和算法

Apriori介绍

Apriori算法关联算法中使用最广泛的、最有影响的算法。其核心是基于频繁项集的递推算法。在这里，所有支持度大于最小支持度的项集称为频繁项集。

Apriori算法是使用频繁项集的先验知识进行逐层搜索的迭代方法，简单的说是通过前一项集生成后一项集的过程。先通过数据库，找出所有的频繁1项集，然后利用1项集找到2项集，依次类推，直到再也不能找到任何频繁k项集。再在所有的频繁集中找出强规则。

Apriori算法的改进

经典Apriori算法属于单维、单层的关联规则。改进的Apriori算法则是二维、多层的关联规则。例如：污染物浓度（L1，…，Ln），温度（T1，…，Tn），其他影响因素，除尘器效率（E1，…，En）=>除尘设备参数（P1，…，Pn）。在以每个特征影响因素为中心的小区间，选择该规则中污染物排放最低，除尘效率最高的区间对应的运行参数区间作为该参数在这些影响因素下的运行最佳值区间，经过对规则的筛选，可以得到用于确定该参数最佳值的规则： （L1，…，Ln ），（T1，…，Tn），…，其他影响因素=>某参数最佳值（P1，…，Pn）。

4 关联规则的程序设计和应用

程序运行过程见图1。

下面就是通过关联软件对电厂实验的数据所进行的讨论，分析了温度、过量氧气系数、氧气流量、二氧化碳流量、氮气流量对NO转化率的影响。

其中的影响因素考虑有六项，分别是：温度（℃）、过量氧气系数、氧气流量（L/min）、二氧化碳流量（L/min）、氮气流量（L/min）、NO转化率。

结果显示随着温度增加NO的转化率变化较小，可以忽略不计，但是这里考虑到温度越高有利于煤粉的充分燃烧，所以我选择较高的温度作为优化后的运行指标。

对比贫氧气氛下和富氧气氛下NO转化率，可以发现在氧化性气氛下，富氧燃烧气氛中的NO转化率均有显著下降。这表明富氧气氛对抑制煤粉燃烧过程中煤氮向NO的转化具有较大优势。结果显示在还原性气氛下NO的转化受过氧系数影响较小，而在氧化性气氛下随着过量氧气系数增加挥发分氮迅速向NO转化。

随着气氛中氧浓度的增加，NO的转化率也随之增加。这里是一些化学因素进行分析的结果，证明关联的结果是正确的。我总结主要是氧气浓度增加促进了挥发分氮、煤焦氮以及有机物中的氮的氧化生成NO综上所述，氧浓度的升高对抑制煤氮向NO的转化是不利的。

5 结语

本文从火电站运行控制出发，将一些关键的数据挖掘理论与应用同电站污染物排放优化相结合，将数据挖掘技术引入电站运行过程中，基于电站生产运行的大量历史数据，提出了基于数据分析的电站污染物运行优化的新方法。

（1）对数据关联的规则和算法进行了总结。主要研究了Apriori算法，并使用编程软件实现了简单的Apriori算法的应用。

（2）从火力发电厂运行控制端出发，对Apriori算法进行了一定的改进，得到了适用于电厂污染物分析优化的程序。

参考文献：

数据挖掘分析报告总结 第3篇

一、引言

客户保有的前提是理解客户行为，电信运营商已经积累了大量的客户行为信息，有效结合数据挖掘技术，对已有的无规则客户行为信息进行分析识别，并通过各类算法归纳总结出客户流失的规律及特点，最终建立起数据挖掘模型，经过不断的校验，可以预测客户流失倾向，并将预测结果转化为企业客户保有行为，为企业的营销工作提供帮助、指导，为企业决策提供支持，最终实现电信企业客户保有及价值提升的目的。

二、数据挖掘概述

（1）数据挖掘概念。数据挖掘是指从大量的、随机的、不规则的应用数据中通过算法（如分类、总结、关联规则、聚类等）搜索隐藏于其中的不为人知的、但潜在的有用知识的过程。数据挖掘提供预测性的信息，质上是一个归纳推理的过程，不是验证一个假定模型的正确性，而是在数据库中自己寻找模型。数据挖掘是多学科的产物，包含数据库技术、统计学、可视化、高性能计算、人工智能、机器学习。数据挖掘的三个过程，即数据整理、数据挖掘和结果的解释评估。（2）数据挖掘方法。数据挖掘常用的方法有关联分析、分类、聚类、回归分析、神经网络等，这些方法从不同的角度对数据进行挖掘分析，可以应用到企业客户行为分析、决策支撑等不同阶段和领域。

三、电信客户流失预警中数据挖掘的实施步骤

（1）明确目标。要充分发挥数据挖掘的作用，必须明确目标。电信客户流失预警的重要目标就是提前预知客户流失风险，从而指导维系人员准确定位目标客户，及时给与流失干预，提升电信客户保有率。（2）建立数据挖掘库。我们需要从各类海量电信客户数据库中抽取与客户流失相关数据内容，建立独立的客户流失预警挖掘数据库，该数据库可以是已有数据仓库的一个逻辑子集，而不一定非要是物理上独立的数据库。单独设立的客户预警数据库可以提高分析效率、避免由于数据巨大带来的数据冲突问题的解决。通过对客户流失关键点的数据抽取、精选，可以极大的减少数据处理量，节约系统资源，更好的辅助数据分析目标的达成。（3）数据分析。需要从海量客户、海量信息、海量数据中找到客户流失的关键点，不断从流失数据挖掘库中找到相应的规律和潜在趋势，使用聚类分析的方法进行客户信息类别区分，逐步梳理出影响客户流失的众多因素，并进行重要性分析，找出这些因素之间相互影响、牵连的关系，从而发现因素之间的相关性。（4）准备及调整数据。通过数据分析步骤，将符合分析要求数据进行数据库导入，并对数据进行进一步的调整，关键是实现进一层次的明确及量化，为模型化奠定基础。（5）建立模型。建立模型是数据挖掘的核心环节，在分析数据，并对数据进行系统调整的基础上即可以开始建立模型。通常我们利用聚类分析、时间序列分析等方法来实现建模。（6）评价及解释。从之前的步骤中我们已经很明确的得出客户流失的一系列分析数据及模型，我们会得出对客户流失问题多种描述，综合各类描述的规律性，提供合理的分析支持信息。

四、数据挖掘在电信客户维系中的应用

1、流失客户分析及建模

以往运营商服务模型基本围绕全生命周期时间轴主线，重点描述单客户服务动作，缺少客户聚类特征总结。结合客户流失特征，运用聚类统计分析方法将客户进行特征聚类，区分为入网半年内客户群、入网半年至一年客户群、入网一年以上客户群，其客户流失特征及原因存在区隔，入网半年内客户的流失与前期客户发展质量关系密切，主要取决于在新发展客户营销过程中存在的问题或弊端；而入网半年至一年客户群的流失与功能性的服务感知相关；入网一年以上或更长时间的客户流失与后期客户持续提供的服务及感知密切相关。同时三大聚类客户群又分别具有三个流失关键点，我们可以运用数据挖掘技术“信息熵理论”、“二元分类模型”，找到几个聚类群体流失相关因子，从而构建针对性精准的维系模型，如图1所示。

在基于聚类模型构建起精准的客户维系体系后，对应影响三个聚类群体的核心因子及模型分析，针对性制定标准化维系动作及强化服务方案，增强原有的客户服务体系，从而达到提升客户感知及粘性的目的。

结合三个关键点，从现有的海量客户行为数据中找到维系因子，对影响用户群流失的因子做聚类分析，梳理出关键因子，并进行重要性分析，选定对整体流失影响力较大的因子作为高危挽留的重点突破口，如表1所示。

通过高危因子重要度的区分，每月月初系统自动预警，为客户挽留提供数据支持。

2、客户挽留流程

（1）挽留机会分析。根据三大聚类客户群特点，对三类客户流失倾向进行评价，按风险的高低进行评判，入网初期客户流失风险最高，其次是高危客户流失倾向明显，一年以上到期合约客户也存在流失风险，根据风险度及入网时间的不同，进行流失客户预测，从而及时找到挽留机会。（2）挽留策略的制定。通过高危因子重要度分析，系统自动预警圈定需要挽留的客户群，对不同因子客户进行分析逐一制定挽留策略。针对新入网客户流失分析，梳理主要流失原因，制定相应的入网门槛，并配合相应酬金发放机制，在入网半年内分批分比例发放酬金，提升入网质量；针对入网半年以上客户，结合高危因子，梳理不同因子客户群流失原因，针对性制定挽留策略，如合约计划、网龄升级计划、流量回馈等；对于一年以上合约到期客户，制定老客户合约续费政策，提升合约续费率。（3）采取保有行为并反馈。通过以上两个步骤，找到挽留机会，并制定相应策略后，需将挽留行为分配给不同的渠道人员实施，新入网客户的入网策略由各发展渠道落实并反馈客户信息；半年以上中期高危客户及一年以上合约到期客户的挽留与维系需由维系中心与各实体渠道相互配合，由维系中心进行电话回访式维系，实体渠道配合通过理财专席等方式在日常业务办理中提高客户在网粘性。

五、结束语

事实上，流失模型的建立不可能直接带来客户流失率的减少，但基于数据挖掘的客户流失预警模型的应用，可以很大程度上提升客户维系与挽留的有效性，有效的预警、预测结合针对性的挽留策略及有效的挽留行为，才能够真正实现客户流失率的降低，达到提升客户感知及粘性的最终目的。

数据挖掘分析报告总结 第4篇

在社会的发展之下，网络已经成为人们生活与生产中必不可少的工具，但是网络中充斥的大量繁杂信息也在一定程度上影响着人们的信息获取速度，网络信息检索在检准率与检全率方面依然难以满足人们的需求，而将网络数据挖掘技术应用在其中即可很好的解决这一问题。

1 数据挖掘技术简介

数据挖掘技术就是从大量模糊、随机、不完全、有噪声信息中提出有用信息的一个过程，与数据挖掘技术相关的技术还有数据分析技术、数据融合技术、知识发现技术等等，在技术水平的发展下，统计学方法、决策树、关联分析等一些新型数据挖掘技术也相继出现。与数据挖掘不同，信息检索实质上是一种信息发现任务，也是知识发展过程中的重要环节，信息检索能够帮助人们了解各项静态信息，但是难以分析到数据间的关系及其未来发展趋势。而应用数据挖掘技术则可以有效提升系统检索能力，预测出未来的走势，因此，将数据挖掘技术应用在搜索引擎中也是大势所趋。

2 搜索引擎与网络数据挖掘

网络数据挖掘是一种将数据挖掘技术与网络融合的一种新模式，网络数据挖掘也能够称之为Web挖掘，网络数据的页面复杂、数据内容繁杂，文章也具有不规则性，将数据挖掘技术应用在数据挖掘中可以有效的解决上述问题，根据处理对象，网络数据挖掘任务有三种类型，即网络内容挖掘、网络使用挖掘与网络结构挖掘。

网络内容的挖掘

网络内容挖掘就是从网络数据、网络内容与网络文档中挖掘信息，很多网络信息是能够在网络中过去的，但是依然有很大一部分数据难以采用该种方法获取，如使用PHP、JSP与ASP的动态网页，拒绝访问的网站，商业数据库中的数据。这些内容都能够使用网络内容挖掘法来获取，这可以使用两个方法：网络页面内容挖掘法与搜索结果再挖掘法。

网络结构挖掘法

网络结构挖掘法强调挖掘网页中的链接结构，并从中推导相关的知识，这种挖掘法与引文分析有着密切的关系，网络中的链接信息能够为数据挖掘提供全面的支持，为了获取到理想的效果，可以来分析网页链接与链接数量，并建立起链接结构模式。其常用的算法有Propriteary算法、Google算法、HITS算法与PageRank算法四种。

网络使用挖掘法

网络使用挖掘法就是通过日志发现来访问页面的一种模式，与网络内容挖掘模式和网络结构挖掘模式不同，网络使用挖掘法的挖掘对象非是网络与用户交互中的二手数据，这些数据大多来自Cookies或者Web服务器中的信息、系统交互信息与访问记录。

3 数据挖掘技术在网络信息检索中的应用作用

目前，人们已经进入了一个信息爆炸时代，虽然众多搜索引擎网络可以满足人们对于信息检索的基本需求，但是还是有很多地方不到位，目前，网络挖掘技术已经开始在网络领域中得到了应用，也取得了一定的成效。实践显示，将数据挖掘技术应用在网络信息检索中能够取得如下的效用：

提升标引准确性

标引能够准确选择出文献的检索标示，网络信息范围广、复杂性高、数量多，使用人工标引很难取得理想的检索效果，因此，必须要使用自动标引。将网络数据挖掘技术应用在其中能够深刻的揭示出相关信息的联系，帮助用户在文档中进行标注，提升信息摄取的准确性。而以此为基础来应用加权算法则能够得出具体的信息关联，对于提升检索效果有着十分积极的效用。

可以对检索结果进行分类

数据挖掘分析报告总结 第5篇

关键词 数据挖掘；关联分析；聚类分析

1 数据挖掘的概念

随着计算机技术的高速发展，互联网技术的风靡，获得相关资料已经是很方便了。但是人们也积累了大量的数据信息，面对这些庞大的数据，如何从中提取有用的信息成为当务之急，为此，数据挖掘技术应运而生。数据挖掘（Data Mining）是从大量的、不完全的、有噪声的、模糊的、随机的数据中提取隐含在其中的，人们事先不知道的，但又是潜在有用的信息和知识的过程。数据挖掘是发现知识的关键步骤。

2 数据挖掘的作用

关联分析

关联是反映两个或者两个以上事件之间存在某种依赖或联系规律性。关联规则挖掘是由Rakesh Apwal提出来的。在数据库中，如果存在一项或多项之间的关联，则其中一项属性值能够依据其他属性值进行推测。关联分为简单关联、时序关联和因果关联。关联分析的目的是找出数据库中所有频繁项目集，这是数据挖掘中最成熟的技术之一。例如：每天购买洗发水的人也有可能购买肥皂，比重有多大。

聚类分析

聚类分析是把数据按照所选样本的关联相似性划分成若干小组，同一小组中的数据具有较高的相似度，不同组中的数据则相异，即同组中的相似性尽可能大，而组别间的相似性尽可能小。聚类事先不知道组别数和各组的相似特性。聚类分析可以发现数据的分布模式，以及可能的数据属性之间的相互关系。例如：将学生分为成绩优秀的学生，成绩中等的学生，成绩差的学生。

分类

分类就是按照以前数据库中的数据，分析它们的属性、特征，找出一个类别的概念描述，并利用这种描述构造模型，每个类别都代表了本类数据的整体信息，一般用规则或决策树模式表示。分类事先知道类别数和各类的典型特征。例如：学校根据以前的数据将教师分成了不同的类别，现在就可以根据这些来区分新教师，以采取不同的待遇分配方案。

预测

预测是利用历史和当前的数据找出变化规律，推测未来数据的种类及特征。预测是以时间为关键属性的关联规则。例如：对未来经济形势的判断。

偏差分析

数据库中的数据存在很多异常情况，偏差是对差异和极端情况的描述，发现数据库中数据偏离常规的异常现象，揭示内在原因。例如：在本次数学测试中有30%的同学不及格，教师为了提高教学质量，就要找出这30%不及格同学的内在因素，提高及格率。

3 数据挖掘的流程

定义目标

为了避免数据挖掘的盲目性，首先就必须清晰地定义出业务问题，确定数据挖掘的目标。挖掘的目标明确了，但结果是不可预测的。

数据准备

1）数据选择。在大型数据库和数据仓库目标中搜索有关的内、外部数据信息，提取适用于数据挖掘的数据；

2）数据预处理。研究数据信息，进行数据的加工、集成等，去除重复的数据信息，选择要进行数据挖掘的数据，并定义数据类型；

3）数据转换。数据转换决定数据挖掘能否成功，数据转换就是将数据转换成一个针对挖掘算法的模型。

数据挖掘

根据数据功能的类型和数据的特点完善和选择合适的挖掘算法，对所得到的经过转换的数据进行数据挖掘。

结果分析

解释和评估数据挖掘的结果，最终转换成用户能够理解的知识。

知识的同化

将分析所得到的知识集成到业务信息系统的组织结构中去。

4 数据挖掘的应用

数据挖掘技术在市场营销中的应用

数据挖掘技术普遍应用于市场营销中，假定“以往消费者的行为是未来消费者的消费理念的直接解释”，以市场营销学的市场细化原理为基础。通过收集、整理消费者以往的消费信息为数据信息，总结消费者的特点及兴趣爱好，根据不同的属性分类，推测出类似消费群体的消费行为，对不同类的消费群体进行定向营销，这样降低了营销的盲目性，节省了营销成本，提高了营销效率，为企业创造出更多的利润。

在经济发达国家和地区，许多企业都利用数据挖掘技术对数据信息进行加工处理，针对不同的消费群体，发出不同的营销材料，以突出自己的竞争优势，扩大产品的营业额。

数据挖掘技术在商业银行中的应用

数据挖掘技术广泛应用于金融界，金融事务搜索大量的数据信息，对这些数据进行加工处理，发现其特征，从而发现不同类别客户的特点，评估其信誉，推测其需求。商业银行所作业务的利润与风险是并存的，为了保证最大利润和最小风险，必须对客户的账户进行科学精确的分析归纳。

美国银行使用数据挖掘技术工具，根据不同消费者的特点制定不同的产品，增强其竞争优势。

数据挖掘技术在医学上的应用

数据挖掘技术在医学上的应用相当广泛，可以利用数据挖掘技术手段来提高从药物的生产制造到医疗诊断等的效率和效益。在药物生产方面，通过对药物分子结构的分析，可以确定是什么成分对病患的治疗发挥了作用，从而推测出该药对什么病有治疗作用；在医疗诊断方面，通过对基因的分析处理，可以确诊是什么发生了病变，属于哪种病毒等。

数据挖掘技术在欺诈甄别中的应用

银行或者商业上经常发生欺诈行为，给银行和商业单位带来了不可估量的损失。通过数据挖掘可以对这种欺诈行为进行预测，总结各种诈骗的行为特征，提醒广大人们注意。

5 结论

数据挖掘技术是一个全新的研究领域，每年都有新的数据挖掘方法和模型产生，随着数据库等技术的发展，数据挖掘技术的应用领域将会更加广泛和深入。尽管如此，数据挖掘技仍然存在许多问题需要解决，尤其是超大规模数据挖掘的效率有待提高。

参考文献

[1]李雄飞，李军.Data Mining and Knowledge Discovery.数据挖掘与知识发现[M].北京高等教育出版社，2003.

数据挖掘分析报告总结 第6篇

关键词：数据挖掘；图聚类；分布式图聚类

分布式图聚类在电子商务数据挖掘中的应用是十分广泛的。国家在网上购物的数量逐渐加大，网上商城的竞争力也逐渐地加大，各个网站都会使出浑身解数去惊醒电子商务数据挖掘，来为商家提供有力的资料来帮助自己进行商业上的改进和整编。但是随着购物的数据的加大，分析数据的信息难度就越来越大，以往的数据类已经满足不了商家们对数据分析的要求，图聚类的产生补充了数据类的不足，图聚类解决了数据庞大的问题，可以说是电子商务发掘的进步。其中，最为代表性的就是分布式图聚类。在我们国家的网上商城比如说；淘宝、天猫、京东、聚美优品、苏宁易购等个大知名网站，据网上的商家们都会对电子商务数据进行挖掘与研究，同时，使用分布式图聚类方法的网站不在少数。分布式图聚类它解决了数据量大难以正确的评估、从而导致计算失误的发生。经过许多次的实验，我们发现分布式图聚类是非常稳定与安全的。分布式图聚类的产生促进了电子商务数据挖掘的发展，在对数据的稳定性与安全性中也有了很大的进步。

1 分布式图聚类的应用

分布式图聚类的应用在我国可以说是被广泛地应用，由于它自身的优点和好处所以备受广大商家采用。分布式图聚类的特点主要是针对相对较大的规模的数据进行分析和处理，这是传统聚图类无法做到的。它既能省去很多商家因为计算数据而产生的极大的成本，还能保证我们所得到的数据的真实和准确。分布式图聚类的发现与应用可以说是电子商务数据挖掘中的一个进步与提高。

1）什么是分布式图聚类

我们可以知道在科技日益发展的今天，越来越多的人在熟用电脑并在网上购物，进行交易。随着数量的日益增加，网上商城的电子商务数据挖掘就愈来愈难，原来传统的数据统计方式很快就跟不上节奏，所以适合大规模的分布时局图类孕育而生。分布式图聚类是大量数据集中的一套编码，编集的一套电子程序。他的规模之大可以把数百台或数千台电脑联系在一起进行计算和研究。分布式图聚类的优点是可以进行大规模的数据计算。

2）电子商务的数据挖掘

电子商务的数据挖掘是在网络当中存在的网络商家在真实的交易中保存下来的数据，然后把这些数据变成数据库。商家要把存留下来的数据库进行计算，整理，然后挖掘出对商家有利的信息。商家再根据数据的显示进行一系列的变动和调整，根据数据反映客户的需要，扩宽自己的市场。聚类分析就是研究数据挖掘后的一个技术性的研究。分析会根据商家的真实存在的问题进行数据上的计算和研究，这种方法备受商家的欢迎，同时也满足了商家对科学的研究自己市场的一种需求。虽然数据挖掘等工作进行十分的顺畅，但是，社会是高速的发展的，更多的问题也会频频的出现。现如今，网络商城的日益丰富，出现了各种各样形式的商城，竞争十分激烈。商家如何把自己的数据库进行严格的分类和整合，如何更加详细的反映出客户的反映，是现在电子商务数据发掘的重中之重。

3）图聚类算法的种类

图聚类算法的种类十分的多，下面我们简单地介绍几个图聚类算法的种类；

第一，谱聚类，它是类似于矩形的一种分类图形。它是通过分割矩形的方法来进行对比与研究。谱聚类的研究主要是如何才能做到把主题矩形划分成最佳的状态，来进行分析。谱聚类是很有研究性的一个聚类法。比如说，我们想构建的这一个矩形是通过什么根据来创建的、又或者是我们有如何通过数据研究进行划分这个矩形等等一系列的问题都值得我们去研究探索。

第二，基于密度的聚类，它是一个使用消耗特别大的一个聚类法。基于密度类聚，顾名思义它是通过数据的密度来惊醒的图聚类。这种算法的好处是，之前不用任何的计算或是安排，直接进行数据的统计。

第三，位置敏感哈希聚类算法，它是通过数据的相识度较高，或是邻近的数据进行计算。通过计算，我们会更加清晰地看出相似的结论，这种方法相对于基于密度的聚类的算法节约成本，也能清楚地反映问题，但是也要因人而异。

虽然有许多这种聚类图，但是也要因事而异。而且要注意的是，每一种聚类图的算法是不同的，所以，他得出的理论也可能是不一样的。我们要仔细的分析，那些数据需要哪种聚类图会更加的合适等等。就比如说，我们需要知道客户在购买时更加倾向于购买哪类的商品比较多一些，再或者说是客户对商品的评价进行统计等等，我们要选者不同的方法，不能一条路走下去，要懂得变通。要知道只有适合的才是最好的。

2 分布式图聚类在电子商务数据研究发掘中的应用

电子商务数据发掘研究是极其复杂的，而分布式图聚类并不是唯一的研究总结数据的方法。但分布式图聚类是十分重要的方式。随着电子网络的迅速发展，网上购物的客户越来越多，数据库的储备量逐渐地加大。电子商务数据研究发掘呈现越来越难的趋势。这些客户的数量要比想象中的要大得多，而且，计算起来十分的复杂。电子计算已经跟不上那么庞大的数量。传统的计算法存在的缺点主要是不能计算数量庞大的数据库，而且计算的事件上加大了时间和精力，也就是效率不高。还有就是，面对相对较大的数据根本做不出处理，他的实用性并不是很高，不能做出我们所期望的数据。这就出现了这样的一个问题，怎样才能把熟练庞大的数据库计算起来，从而更加准确的进行商务数据的挖掘。

由于数据挖掘的需要，图聚类应运而生。图聚类的计算法十分的多样化，相对于数据聚类算法来说大大地提升了效率，节省了时间。同时，面对数量庞大的数据库的时候也能运行，不像以往的计算法那样。图聚类可以说是现在相对较好的计算方法，也是符合许多网络商家的需要。图聚类分很多种类型，其中我们说的就是分布式图聚类在电子商务中的数据挖掘中的应用。对于图聚类来说，分布式图聚类在数据挖掘上的应用还是十分的广泛的。分布式图聚类是一种把数据相互联系的一种计算方式，它可以进行大规模的运算和分析。这种算法被很多商家采用。例如；某网上购物的网站上想要进行一次客户对哪些商品的需求量的调查研究，但是客户的数量大且关系复杂，对于调查研究来说具有一定的难度。这时，分布式图聚类来说就派上了用场，它对于数据之间的关系研究十分的到位，同时数量上也不成问题。运用分布式图聚类计算这种数据是十分的适合的，分析的内容十分的稳定与准确。所以，广大商家十分青睐与分布式图聚类对于电子商务数据挖掘的应用。

3 分布式图聚类分析的结果的表达

分析的结果是对电子商务数据挖掘的总结。不要小瞧这一个部分，虽然看似简单但是如果表达不当，是会影响到数据的评估水平和准确性。正确的表达是准确评估的一部分。我们如何准确结果的表达和分析呢？首先，我们要保证我们数据的准确性和完整性，保证我们现在的数据的时间，内容都十分的重要。这是评估结果是否准确十分的重要。运用正确的图聚类进行分析和统计，一定要是适合我们想要知道的信息相符合的图聚类，不然，运用不当会出很大的偏差。我们可以用图把清晰的条理表达出来。直到让我们更加直观的一眼就看出来关联性的数据。还可以运用表格之类的相对于比较直观的表现形式来表达出来。其实，表达的主要目的就是怎样可以让公司的领导者能够迅速的明白数据所表达的含义和内容。然后才能正确地做出判断，提出帮助公司发展的政策。如果我们能正确地运用数据挖掘技术就能够把复杂，数量繁多的数据信息转变成清晰、直观，让人一目了然的数据或是数据图等等。同时，如果正确地分析了数据还可以让商家找到正确的方式去经营店铺，让后制定出符合科学依据的方案，也会找到商机，创造未来。

我们对数据的研究不是一个简单的过程，而是要一遍一遍的去研究，去探索，去找寻不同的方法，所以，端正我们的态度十分的重要。认真地完成了每一个步骤，我们就离成功不远了。

4 总结

经过研究，分布式图聚类在电子商务数据挖掘中的应用十分的广泛。同时分布式图聚类的优点也是值得我们去运用与学习的。分布式图聚类被许多商家所青睐和认可，分布式图聚类的数据挖掘也为商家带来了很大的收益。也能够真实地反映出数据所涵盖的信息量，并且减少数据统计的成本。由此证明，分布式图聚类在电子商务挖掘信息中是十分重要和有效的。也是电子商务中不可或缺的一部分。但是，在本文中我们也提及了其他图聚类的方法，我想让大家知道，分布式图聚类虽然适合大规模的数据统计，也能清楚，稳定的表现出数据之间的关系和内容。但是，分布式图聚类并不是全部实用，我们要做好电子商务数据挖掘就一定要找到适合数据的图聚类，不要只用一个方法，这样统计出来的数据会大打折扣。希望我们能够正确的运用数据计算分析方式，反映出最全面的信息。

参考文献：

[1] 温菊萍，钟勇.图聚类的算法及其在社会关系网络中的应用[J].计算机应用于软件，2010，29（2）：161-162.

数据挖掘分析报告总结 第7篇

关键词：数据挖掘；应用；研究

一 、数据挖掘

随着数据库技术的广泛使用，以及计算技术和计算机性能与网络的迅速发展，人们面临着一个困难的问题，即如何从海量的数据中提取出有价值的信息。查询功能远不能满足人们的需要，数据挖掘应运而生。有人将数据挖掘定义为一个从数据及数据库中抽取隐含的，先前未知的并有潜在价值的信息的过程。但有人认为数据挖掘，即数据库中的知识发现，是从大数据集中快速高效地发现令人感兴趣的规则，数据挖掘是数据库研究的新领域，所挖掘的知识能够用于信息、管理、查询处理、决策支持和过程控制等等。

数据挖掘（DataMining）是通过分析每个数据，从大量数据中寻找其规律的技术，主要有数据准备、规律寻找和规律表示三个步骤。随着计算机网络的发展和普遍使用，数据挖掘成为迫切需要研究的重要

课题。

数据挖掘涉及多个学科方向，主要包括：数据库、统计学和人工智能等。数据挖掘可按数据库类型、挖掘对象、挖掘任务、挖掘方法与技术以及应用等几方面进行分类。按数据库类型分类：关系数据挖掘、模糊数据挖掘、历史数据挖掘、空间数据挖掘等多种不同数据库的数据挖掘类型。按数据挖掘对象分类：文本数据挖掘、多媒体数据挖掘、Web数据挖掘。按数据挖掘的任务有：关联分析、时序模式、聚类、分类、偏差检测、预测等。按数据挖掘方法和技术分类：归纳学习类、仿生物技术类、公式发现类、统计分析类、模糊数学类、可视化技术类。

二、数据挖掘的主要任务

（一）数据总结

数据总结目的是对数据进行浓缩，给出它的总体综合描述。通过对数据的总结，数据挖掘能够将数据库中的有关数据从较低的个体层次抽象总结到较高的总体层次上，从而实现对原始基本数据的总体把握。

（二）分类

分类的主要功能是学会一个分类函数或分类模型（也常常称作分类器），该模型能够根据数据的属性将数据分派到不同的组中。即：分析数据的各种属性，并找出数据的属性模型，确定哪些数据属于哪些组。这样我们就可以利用该模型来分析已有数据，并预测新数据将属于哪一个组。

（三）关联分析

数据库中的数据一般都存在着关联关系，也就是说，两个或多个变量的取值之间存在某种规律性。这种关联关系有简单关联和时序关联两种。关联分析的目的是找出数据库中隐藏的关联网，描述一组数据项目的密切度或关系。有时并不知道数据库中数据的关联是否存在精确的关联函数，，即使知道也是不确定的，因此关联分析生成的规则带有置信度，置信度级别度量了关联规则的强度。

（四）聚类

当要分析的数据缺乏描述信息，或者是无法组织成任何分类模式时，可以采用聚类分析。聚类分析是按照某种相近程度度量方法，将用户数据分成一系列有意义的子集合。每一个集合中的数据性质相近，不同集合之间的数据性质相差较大。

统计方法中的聚类分析是实现聚类的一种手段，它主要研究基于几何距离的聚类。人工智能中的聚类是基于概念描述的。概念描述就是对某类对象的内涵进行描述，并概括这类对象的有关特征。概念描述分为特征性描述和区别性描述，前者描述某类对象的共同特征，后者描述不同类对象之间的区别。

三、数据挖据的应用

数据挖掘技术源于商业的直接需求，因此它在各种商业领域都存在广泛的使用价值。现在已经应用数据挖掘技术的领域都是信息量大、环境复杂、需要知识帮助进行管理和决策的领域。下面介绍一些目前比较活跃的应用方向：

（一）在金融数据分析中的应用

多数银行和金融机构都提供了丰富多样的储蓄，信用，投资，保险等服务。他们产生的金融数据通常比较完整、可靠，这对系统化的数据分析和数据挖掘相当有利。在具体的应用中，采用多维数据分析来分析这些数据的一般特性，观察金融市场的变化趋势；通过特征选择和属性相关性计算，识别关键因素，进行贷款偿付预测和客户信用分析；利用分类和聚集的方法对用户群体进行识别和目标市场分析；使用数据可视化、链接分析、分类、聚类分析、孤立点分析、序列模式分析等工具侦破洗黑钱和其他金融犯罪行为。

（二）在电力业的应用

在电力行业中，数据挖掘技术主要用于指导设备更新、业绩评估、指导电力企业的建设规划、指导电力的生产和购买、指导电力的调度等。数据挖掘在电力企业的其它方面也有巨大的用处，比如说指导项目管理、安全管理、资源管理、投资组合管理、活动分析、销售预测、收入预测、需求预测、理赔分析等。

（三）在零售业中的应用

零售业是数据挖掘的主要应用领域，这是因为零售业积累了大量的销售数据，如顾客购买史记录、货物进出、消费与服务记录以及流行的电子商务等等都为数据挖掘提供了丰富的数据资源。零售数据挖掘有助于划分顾客群体，使用交互式询问技术、分类技术和预测技术，更精确地挑选潜在的顾客；识别顾客购买行为，发现顾客购买模式和趋势，进行关联分析，以便更好地进行货架摆设；改进服务质量，获得更好的顾客忠诚度和满意程度；提高货品的销量比率，设计更好的货品运输与分销策略，减少商业成本；寻找描述性的模式，以便更好地进行市场分析等等。

（四）在医学上的应用

近年来，生物医学研究有了迅猛地发展，从新药的开发到癌症治疗的突破，到通过大规模序列模式和基因功能的发现，进行人类基因的识别与研究。在人类基因研究领域具有挑战性的问题是从中找出导致各种疾病的特定基因序列模式。由于数据挖掘中已经有许多有意义的序列模式分析和相似检索技术，因此数据挖掘成为DNA分析中的强有力工具。基因序列的相关分析，遗传研究中的路径分析等。近期DNA分析的研究成果已经促成了对许多疾病和残疾基因成因的发现，以及对疾病诊断、预防和治疗的新药物、新方法的发现。

（五）在高校和科研单位以及其他领域的应用

主要是用于海量信息数据的抽取，提供给教研和科研人员有价值的数据。比如在数字图书馆方面可以引入数据挖掘技术。同时还可以应用的电子商务等等众多领域。

参考文献

[1]邹先霞、王淑礼、魏长华.数据仓库与数据挖掘技术浅谈[J].高等函授学报（自然科学版），2000，（03）.

数据挖掘分析报告总结 第8篇

关键词：大数据；数据挖掘；电子商务；教学设计

0引言

近几年，随着互联网技术的发展和对人们工作生活的不断渗透，随着移动互联、物联网、云计算、智慧工程等新兴信息技术的出现和普及，数据在人们的生活中呈爆炸式增长，人们开始进入大数据时代。由于海量数据中记录了企业的发展、运营以及人们生活和行为的点点滴滴，所以，挖掘海量数据背后存在的模式、规律和趋势，并结合各行各业进行创新应用，已经成为这个时代的重要课题。我国电子商务经过近20年的发展和数据累积，已经从用户为王、销售为王进入到数据为王的阶段，如何针对用户消费行为的分析，提升电子商务的运营效率，促进精准营销的开展，增加客户黏性，从而实现电子商务的智能化发展，是当前电子商务发展的重中之重。因此，在大数据背景下，为适应行业发展需求，国内外很多高校，尤其是应用型本科院校，在电子商务专业本科生中陆续开设大数据分析与挖掘系列的课程，其中作为大数据研究与应用的重要支撑技术的数据挖掘，是其中一门重要课程。

1电子商务专业开设数据挖掘课程的必要性

1．1行业发展的必然要求

进入大数据时代，“互联网＋”技术与传统行业深度融合，电子商务数据已覆盖了从用户、商家、第三方、物流等一系列商务环节。因此，充分利用大数据，有效分析和挖掘大数据的价值和规律，已成为推动电子商务深化发展的重要引擎。首先，数据挖掘技术是电子商务智能化的基础。由于电子商务的活动从开始就具备了信息电子化的先天优势，所以，用户在电子商务网站上发生的所有行为信息都被日志记录，包括用户对产品的搜索、浏览、在购物车加入或取出商品、收藏产品、对商品的讨论、评价、分享等。对这些用户行为信息进行收集和分析，可以挖掘用户的兴趣特征和潜在需求，实现对用户的个性化推荐。其次，数据挖掘技术支撑电子商务的精细化营销的实现。通过网络爬虫收集用户在消费过程种对商品的兴趣、偏好、评价等数据，并进行分析挖掘，可以更好地对用户进行细分，针对性地制定营销策略，更准确地把握用户态度和对产品的情感倾向，及时控制营销中的不良影响，从而提升用户体验和用户黏性。第三，数据挖掘技术推动电商物流的优化。通过对电商物流数据的分析和挖掘，可以预测市场需求变化的规律，帮助企业合理地进行库存管理和控制，优化配送路线，进行物流中心选址策略分析等。可见，对于电子商务专业大学生开设数据挖掘课程是行业发展的必然需求。

1．2专业人才培养的迫切需求

电子商务是利用信息和通信技术，通过Internet在个人、组织和企业之间进行商务活动和处理商务关系的一种活动。随着云计算、物联网及移动互联等新兴信息技术的迅速发展，大量传感器和监控设备不间断的数据采集和行业数据的持续积累，使大数据成为时代的鲜明特点。教育部电子商务专业教学指导委员会王伟军教授等人对138个电子商务专业本科人才的市场招聘需求进行研究发现，网络营销与数据分析是当前电子商务专业的主要能力需求，而目前我国开设电子商务专业的高校中开设数据挖掘及其相关课程的只有14所。因此，该类别人才缺口目前较为严重，市场需求量较大。为了适应时展需求，高校在人才培养时既要注重电子商务运营管理能力的培养，同时更要注意商务数据分析与挖掘能力培养。培养同时具备这两种能力，并且可以将两种能力有效结合起来的应用型人才，是当前高校电子商务专业发展的趋势和方向。总之，在当前的电子商务活动中，商务管理是核心，数据分析与挖掘是手段。在大数据背景下，要提升电子商务的管理效率，实现电子商务的智能化发展，必须应用好数据挖掘这把利器。因此，在电子商务专业开设数据挖掘课程，是行业发展的必然要求，也是专业发展的迫切要求。

2电子商务专业数据挖掘课程教学思路设计

数据挖掘是一门交叉学科，涉及统计学、数据库、机器学习、高性能计算等多门学科相关内容，要求学生具有较为扎实的基础知识。由于课程难度较大，早期高校都把该课程作为研究生的专业课程。为适应市场需求和行业发展，近年来，也有些高校将此课作为本科生高年级选修课开设。从该课程的传统教学上来看，由于学生理论基础不够扎实，课程教学又多侧重算法的分析与实现，导致该课程存在教学难度大、理论教学过多、学习兴趣难以提高等问题。考虑到传统教学的问题以及电子商务专业培养应用型本科人才的实际情况，笔者认为该课程在教学过程中应“轻算法，重应用”，以启发学生数据思维为主，以理解算法思路为主（忽略细节实现），以合理构建数据挖掘模型、正确解读数据挖掘结果为主。在组织教学时，采用基于场景的启发式教学方式。该课程在讲授每个数据挖掘方法时，都通过一个电子商务问题进行导入；通过本节所授方法，形成解决问题的思路；最后通过专门数据挖掘软件进行方法的应用，通过对挖掘结果的解读分析，为导入问题的决策分析提供依据。通过这种由浅入深，由易到难的方式，引起学生学习兴趣，激发学生主动思考，真正成为课堂的主体。实践环节是学生理论联系实际的关键步骤，选用合适的数据挖掘软件工具非常重要，对于电子商务专业的学生，数据挖掘重在问题的建模和方法的应用，所以，该课程选择的数据挖掘工具是IBM公司的SPSSModeler。SPSSModeler拥有丰富的数据挖掘算法，本课程涉及到的分类、聚类、关联分析、时序分析、社会网络分析挖掘等主要数据挖掘功能均可实现，而且其操作简单易用，分析结果直观易懂，可以使用户方便快捷地实现数据挖掘。学生通过对算法基本思路的了解，针对实验问题设计数据挖掘方案，并通过数据挖掘软件进行算法的应用和结果的分析，理论和时间的顺利衔接，进一步加深学生对数据挖掘方法的认识和理解。

3电子商务专业数据挖掘课程教学内容设计

数据挖掘课程主要讲解数据挖掘的基本概念、主要方法和技术、应用情况及发展趋势，目的在于启发学生的数据思维，提升学生数据分析与挖掘的能力，深入理解电子商务数据在电子商务中的重要地位和作用，实现商务管理和数据挖掘的有机结合。由于数据挖掘课程理论性和应用性均较强，反映在教学要求上，既要重视理论学习，又要重视实践环节。具体来说，就是一方面通过理论教学使学生对理论内容有较深入的理解和领悟；另一方面结合实践教学，鼓励学生多动手，多思考，综合运用所学知识分析和解决实际问题。

3．1理论教学设计

针对大数据时代的数据特点和应用特点，在数据挖掘课程的理论教学设计时，其内容不仅包括传统的基础性的分类、聚类、关联分析、时序分析等数据挖掘方法，还注重根据电子商务行业特点进行知识的拓展介绍，比如在将关联分析的时候，除了传统的购物篮分析，还增加了序列模式分析内容；比如在结合社会化电子商务的发展，对社会网络分析、文本挖掘等前沿数据挖掘知识也进行了一定的拓展介绍。这些拓展内容，不但丰富了学生的知识体系，也为部分学生的课下深度扩展指明了方向。我校电子商务专业的数据挖掘课程总学时为48学时，其中理论教学32学时，主要内容及其学时分配如表1所示。表1数据挖掘课程理论教学安排序号章节标题内容提要学时1数据挖掘概述数据挖掘基本概念与功能；基本流程与步骤；基本方法与应用；拓展：数据库，数据仓库与数据挖掘的关系22数据预处理数据清洗；数据的集成与转换23分类分析决策树分类；贝叶斯分类；分类特点及结果分析64聚类分析K－means聚类；两步聚类；聚类特点与结果分析65关联分析频繁项集；关联规则挖掘；关联分析效果评价；拓展：序列模式分析86时序分析移动平均模型；指数平滑模型；拓展：ARIMA模型67数据挖掘发展趋势社会网络分析；文本挖掘；Web挖掘2理论教学在组织时，基本上以“课堂引例－问题分析－算法思路讲解－课后练习”的方式展开。通过实例分析，给学生介绍各种算法的基本思想和相关概念，引起学生学习兴趣。在讲授算法时，通过具体的简单数据演算实例来分析数据挖掘的过程和结果，使学生在实际案例中明白数据挖掘算法在处理数据过程中的作用和意义。虽然该课程开设在电子商务专业的第六学期，但是，由于数据挖掘课程本身需要多个学科的基础知识，在目前的大学课程体系内，难以在有限的时间内开设全部先修课程。因此，在理论讲解时，对涉及到学生比较生疏的知识点，应根据学生的知识水平，予以补充说明。例如，在讲决策树分类时，对于信息论中信息熵基本概念和计算方法，可以结合实际数据集合，进行讲解和计算。

3．2实验教学设计

数据挖掘是一门紧密结合实际应用的课程，具有较强的实践性。实践教学环节中，首先教师讲解实验步骤，然后安排学生进行实验，并对实验结果做详细分析与评价。每个实验要求学生完成以下几方面的内容：（1）根据实验问题设计数据挖掘方案和实施流程；（2）进行数据预处理，并构建数据挖掘模型；（3）解读数据挖掘结果，并联系实验问题进行具体分析；（4）实验拓展与总结。在实验拓展和总结部分，可以设计一些开放性的题目，比如在进行关联分析时，可以设计这样的问题“如果支持度阈值设置时降低十个百分点，频繁项集会有哪些变化？关联规则的准确性和适用性会有哪些方面的变化？”。在实验环境下，学生可以通过对比实验，比较容易得到结果，而在总结这些变化规律时，又可以强化和巩固对关联规则、频繁项集、支持度、置信度等这些概念和指标意义的理解，从而更好的应用在以后的工作实践中。结合电子商务活动特点以及数据挖掘在电子商务中的应用，该课程的实验是16学时。在实验设计时，共设计了五个单人实验和一个综合性多人实验.由于使用数据挖掘技术处理实际问题时，很多时候需要综合运用一些数据挖掘方法，其设计方案不止一种，分析结果也不一定完全一致。为激发学生的主观能动性，本课程在最后需要每个小组共同完成一个综合性的数据挖掘作业。研究表明，对于本科生来说，指导教师给出一些具体的题目，如大学生消费状况预测、校园共享单车满意度分析等，这些热点问题更容易激发学生的学习兴趣。综合作业从数据挖掘方案的设计、数据采集、数据预处理、数据建模、结果分析以及报告撰写全部由小组成员协作完成，通过这样一个完整的分析问题、解决问题的过程，不但可以锻炼学生综合应用知识的能力，也可以锻炼学生的沟通写作能力。在综合性作业完成的过程中，教师需要给予一定的指导，例如教师可以介绍问卷星等网络调查平台或网络爬虫等工具帮助学生进行原始数据的采集；通过对数据挖掘方案的点评，帮助学生更合理的选取数据分析指标，设计数据挖掘方案；通过报告撰写指导，帮助学生规范化的总结实验分析结果。

4结论

大数据时代的电子商务活动中，对电子商务人才的数据挖掘和分析能力非常迫切，在电子商务专业中开设数据挖掘课程是行业发展和专业发展的必然要求。在电子商务专业开设数据挖掘课程既有别于研究生也有别于计算机等理工科专业，“轻算法，重应用”，以提升学生主动学习兴趣为导向，采用基于场景的启发式教学方法更合适。本文从教学思路、教学方法、教学内容等方面进行了思考和探索，经课程开设两年来的教学实践证明，学生在学习上的主观能动性得到了一定的体现，理论和实践相结合的能力得到了锻炼。激发学生学习兴趣，培养学生的主动性思维，是当前教学中的重要课题，在电商行业不断发展的过程中，如何更好的将最新行业问题融入教学过程，实现理论和实践的有机结合，需要我们进一步深入思考和探索。

参考文献

［1］冯然，陈欣．论数据分析类课程在电子商务专业设置中的重要性［J］．河南教育，2015，（2）．

［2］黄岚．数据挖掘课程实践教学资源库建设［J］．计算机教育，2014，（12）．

［3］薛薇．基于SPSSModeler的数据挖掘（2版）［M］．中国人民大学出版社，2014．

［4］李海林．大数据环境下的数据挖掘课程教学探索［J］．计算机时代，2014，（2）．

［5］韦艳艳，张超群．“数据仓库与数据挖掘”课程教学实践与探索［J］．高教论坛，2011，（1）．

数据挖掘分析报告总结 第9篇

学习内容分析

本课是苏科版七年级初中信息技术第三章第3节的内容，主要包括“数据挖掘的作用”和“数据挖掘的过程”两个部分，可深入细分为“什么是数据挖掘”“数据准备”“数据挖掘”“规律表示”四个内容。教学中，为了让学生深刻体会数据挖掘的意义和价值，教师应鼓励他们对数据进行多角度加工与分析，找到规律或有用的信息，用恰当的方式直观地表达出来，学会搜集、分析身边的数据，用数据说话，让数据挖掘更好地服务于生活与学习。

教学目标

知识与技能目标：理解数据挖掘的概念，体会数据挖掘的作用。

过程与方法目标：尝试进行数据挖掘，经历数据挖掘的一般过程。

情感态度与价值观目标：树立用数据说话、用数据指导生活的思想意识。

教学重难点

重点：数据挖掘的概念及数据挖掘的一般过程。

难点：数据准备及挖掘的过程。

教学策略

数据挖掘是一种强大的分析数据的方法，因涉及到专业软件和统计学术语、数学模型等，会让学生难以理解。而日常使用的WPS表格，作为数据挖掘的有效工具，可以让学生在分析具体数据的过程中，掌握数据挖掘的方法。因此，本节课教学应让学生从已有经验出发，运用WPS表格中的简单工具，学习数据挖掘的一般方法。

“数据挖掘”对学生而言，是一个全新的概念，概念的建构需要一步步地不断累积，从表层到内涵，逐步深化。学生只有在了解了“数据挖掘”的基本含义，并尝试挖掘的基础上，才能体会其作用和意义。所以，笔者设计了层层递进的学习活动（情境再现，感受数据挖掘―案例研习，认识数据挖掘―比较空气质量，尝试数据挖掘―同比空气质量，再探数据挖掘―畅想未来，展望数据挖掘），并且在活动中适时搭建学习所需的“支架”，来帮助学生完成知识的建构。笔者通过一系列的活动，让学生在做中学，在学中思，在思中用，在情境化的技术活动中，归纳出数据挖掘的方法，从而树立用数据说话、用数据指导生活的思想意识。

教学过程

1.情境再现，感受数据挖掘

活动1：情境再现，感受数据挖掘。

①猜一猜：不同的人群浏览同一个网页时，所看到的内容是否一致。

②观察凤凰网的广告区域截图，在组内交流（如下页图1，不同人群浏览的同一网页，推送的广告不同）。

③京东为什么能够根据个人喜好推送商品？

小结：京东在挖掘和分析用户浏览行为的基础上，进行定向产品推广。

设计意图：思维总是由问题开始的，激发问题，能让学生积极主动地参与到学习活动中。以京东广告推送功能来设置情境，把两种不同的浏览行为对照比较，设置悬念，第一时间抓住学生，激发学生学习新知识、新技术的渴望。

2.案例研习，认识数据挖掘

活动2：学生观看视频，并思考、总结。

①安保为什么使用热力图（如图2）？（对百度的定位数据、搜索数据进行挖掘，把握人群密集点动态趋势，帮助警方提前疏导、化解安全风险）

②百度大数据对旅游有什么作用（如图3）？（对用户搜索数据深入挖掘，预测热门旅游景点）

③导航是如何规划路径的（如图4）？（对道路环境、天气情况、特征日等数据进行挖掘和分析，得出每条道路在不同环境或不同时间的路况规律，确定最优的交通路线）

师生对数据进行分析、总结（如表1）。

小结：数据挖掘是指从大量数据中寻找其规律的技术。数据挖掘的目的主要有三个：把握趋势、预测和求最优解。

设计意图：选取日常生活中运用数据挖掘的三个典型事例视频――热力图、旅游预测、导航，借助半成品表格作为输出支架，归纳出数据挖掘的概念和数据挖掘的三个目的。体会挖掘数据价值性的同时，认识数据加工的重要性，为数据挖掘的学习做好铺垫。

3.比较空气质量，尝试数据挖掘

师：图5中空气质量预报实现了数据挖掘的哪一种目标？（把握趋势）盐城市空气质量如何？借助熟悉的WPS表格工具，尝试挖掘空气质量状况。

活动3：比较盐城、秦州、淮安等周边城市空气质量状况。

①登录中国空气质量在线监测分析平台（http：///historydata/），建立盐城周边三市空气质量状况工作表（如图6）。

影响空气质量的因素很多，AQI指数是衡量空气质量的重要指标。

教师演示：浏览数据，提取数据，组成工作表（如图7）。

②计算各市4月份空气质量指数AQI的平均数。（提示：AVERAGE公式使用方法以及自动填充柄的使用）

③比较4月份空气质量状况。（结论：质量指数平均值大小依次是盐城、秦州、淮安）

师：根据质量指数，利用函数工具计算平均数，得出空气质量状况，其实就是数据的挖掘。数据挖掘的一般过程如图8所示。

设计意图：从全国空气质量在线监测分析平台搜集数据，选择WPS函数工具挖掘数据，并对挖掘结果加以解释，来建构数据挖掘的一般过程。在尝试数据挖掘的过程中，学会运用计算思维解决问题，借助流程图总结挖掘过程，有助于学生从整体上把握知识，进一步促进认知体系的构建。

4.同比空气质量，再探数据挖掘

师：通过挖掘比较，我们得出盐城市4月份空气质量在周边城市当中最好，各市以前的空气质量状况如何？

活动4：比较各市2014年、2015年空气质量数据，说明哪一年空气质量更好（如图9）。

①在选定城市后，思考如何同比质量。

②选取函数或图表工具，完成挖掘。

③规律表示。

④从“我的数据分析报告”中的各组中任选城市，从“2014年数据、2015年数据”工作表中，选取数据到“同比空气质量”进行分析（如下页表2）。

小组汇报挖掘过程和得出的结论，形成对数据挖掘的新认识。

小结：用平均数比较，各市两年的数据基本相同，但是合格月份数不一定相同，同比AQI低的月份数也不相同。学生同比之后发现，2015年空气质量好于2014年。

设计意图：学生借助分析报告，以分组合作的形式，再次经历挖掘数据的过程，找到规律或有用的信息，加深对挖掘过程的理解。鼓励学生对数据进行多角度的加工与分析，选择合适的工具进行挖掘，体现了多元化的思想。

5.畅想未来，展望数据挖掘

观看视频（如上页图10，图10中左图为京东慧眼的视频截图，右图为基因测序的视频截图），想象：数据挖掘技术的广泛应用，对生活会产生怎样的影响？

如今，数据挖掘改变了传统的生活模式，未来将会产生更加深远的影响。因此，我们应学会搜集、分析身边的数据，用数据说话，挖掘数据创造出更智慧的生活方式。

设计意图：通过视频播放，让学生深度感受“数据挖掘”与生活息息相关，挖掘数据将给人们生活带来的改变，培养学生搜集、分析身边的数据，用数据说话的意识。

点 评

数据挖掘分析报告总结 第10篇

关键词：客户；电信市场；电信客户细分；数据挖掘

随着通信市场竞争日趋激烈，电信客户的通信需求和消费理念都发生了显著的变化。为满足客户的应用需求、提升市场竞争力，就必须将当代通信服务由以产品为导向以客户需求为导向转变，通过建立客户数据库，对客户的类别属性、消费类型以及消费倾向等进行分析。数据挖掘技术是一种大数据环境下的数据分析方法，其可以在海量数据中建立一种内在的联系，基于该联系对客户进行细分，协助企业制定更具价值的认知体系和决策规则。

一、电信客户细分特点

客户细分包括客户描述与划分两部分内容。前者主要是提取可用于描述客户的特征和属性，以便于可应用该描述内容对客户行为模式进行预测和评估。后者主要是对经过特征化后的客户进行类别划分，使具有共同类别与特点的用户归入同一类别，以便于增强服务和营销的针对性与有效性。对客户进行细分可以调整资源分配结构，满足商业目的，对不同类型的客户指定不同的营销策略。

电信市场是典型的以客户为中心的消费市场，对该市场客户进行细分可以提升企业争取新客户、保留老客户、维护现有客户价值、拓展企业市场份额与经济效益的目的。

总结来看，电信客户细分中需要从以下几方面特征出发：一是电信客户消费具有持续性，为维系客户关系，就需要以该特征为着力点；二是电信客户消费层次和类别更为明显，如电信企业的客户分为具有较强稳定消费能力的集团用户和消费能力差别较大的个人用户；三是客户自身特点占据的权重较大，如客户的消费习惯、个人价值、品牌忠诚度、人际关系等。

二、数据挖掘技术及其在电信客户细分中的应用特点

数据挖掘技术本质是借助大量的知识体系和数据分析技术对海量、无序的数据信息进行整合与关联建立，从中提取可有效反映数据内部规律和模式，并依照所总结出来的规律与模式对未来的发展情况进行预测与评估，帮助决策者制定更有效的执行策略。

传统的电信客户细分方法主要使用资料调查或客户价值分析等两种，前者具有较少的细分维度，调查结果更易理解和应用，但是受调查样本数量的限制，其结果的可靠性和有效性有待进一步确认；后者操作简单，对于高价值电信客户细分具有良好的应用效果，但是在体现不同客户、不同业务、不同消费结构差异性等方面存在一定的缺陷。

在电信客户细分中应用数据挖掘技术可以有效利用企业发展过程中产生的大量数据进行多维度、多层面、多角度的客户细分，并为细分结果提供高可靠性的理论支持。特别是数据挖掘技术中的聚类分析方法可以将客户群按照电信企业最为关注的消费行为和消费价值进行细分，体现出不同客户属性之间的差异性，协助制定更加完备的营销策略。基于数据挖掘的电信客户细分可以分为战略细分和策略细分两类。前者主要是对客户特征进行分析与研究，从中查找适当的营销机会；后者主要是对营销活动进行分析与研究，为其选取最佳的目标人群。

三、基于数据挖掘的客户细分模型分析

（一）细分模型设计

细分模型应该包括三部分内容，即客户部分、市场部分、营销部分。

客户部分可进一步细化为客户分类和客户分析两类。客户细分中应该从客户消费习惯、消费种类、消费频度、消费结构、消费模式等建立模型，以便于电信企业依照这些特征对已有客户的收益率、新客户的定位、现存客户与流失客户特征等进行定义。客户分析模型则需要包括客户的行为、关系、价值属性、利润率、忠诚度以及业务量等内容，通过这些内容，电信企业可以对现有的营销进行效果分析。

市场部分主要体现为市场预测与市场总结等内容。建立可靠、客观的市场模型可以帮助企业制定更精准、分类更清晰、目标性更强的市场策略，并依照所架构的市场模型对用户行为进行解释，对未来用户的行为趋向进行预测。

营销部分可进一步细化为辅助营销、定向服务以及价格定位三部分。辅助营销模型可以针对特定的客户群使用特定的手段进行分析与研究，进而开拓更具针对性的销售渠道和宣传策略，充分满足客户的消费需求，在维持现有客户关系的基础上提升客户价值，拓展客户量。定向服务则是充分听取客户的消费需求，制定差异化服务策略，提供全方位、高质量定制服务。价格定位则是对客户的价格敏感度建立模型并深入分析。

（二）电信客户细分中的数据挖掘技术

目前，电信客户细分中所使用的数据挖掘技术主要分为分类、聚类以及统计分析三类。

分类可以依照预先制定的规则制定清晰的分类标准，并依照该标准对客户进行归类，生成预测模型。分类可以有效反映同类客户中的同属性知识特征和不同客户中的差异性知识特征，其具有非常强的预测性、指导性和方向性。常用的分类数据挖掘算法有神经网络法、决策树法、贝叶斯法以及示例学习法等。

聚类则是在海量的数据中对客户属性进行归纳与总结，将分析对象依照共同的特征分为多个簇，然后再在簇中进行特征提取，生成聚类标准，依照该标准对不同用户进行分类、对不同簇进行更新。该技术无需指导和事先规则的制定。常用的聚类数据挖掘算法有神经网络法、模糊聚类法、统计聚类法等。

统计分析则是直接对客户进行分群或辅助其他数据挖掘技术共同实现电信客户细分。其以一定的方法从数据库中提取样本，并对这些样本进行行为、地域、年龄、需求等进行差异性分析，辅助其他数据分析与处理技术即可实现客户的细分。常用的统计分析方法有交叉分析、相关分析、显著性分析、因子分析等。

参考文献：

[1]蔡宁.基于数据挖掘的电信客户细分研究[D].江西理工大学，2008.

[2]许昌加，高阳.数据挖掘在电信客户细分中的应用研究[J].成组技术与生产现代化，2004（21）：43-46.

数据挖掘分析报告总结 第11篇

[关键词] 企业营销数据挖掘决策数据仓库

一、引言

在市场竞争日趋激烈、商业环境发生巨大变化的时代，社会、技术、经济、政治等环境因素变得越来越复杂和难以预测，任何经济个人或企业单位都面临着一个课题，就是如何想办法采取营销策略把自己的商品推销出去。尤其社会是进入信息数字化阶段后，该问题显得更加突出，因此，如何利用数字化信息决定自己的企业决策方案变得非常重要。数据挖掘是解决该问题非常有效的技术。

二、数据挖掘(data mining)思想

数据挖掘是集统计学、人工智能、计算机等结合的交叉技术。数据挖掘也称为知识发现（KDD―Knowledge Discovery in Database），其主要思想是可以从大量的、不完全的、有噪声的、模糊的、随机的数据中提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识，并通过这些知识指导我们将来的工作，以提高效益。目前该技术在企业营销中的应用也是刚刚起步，但是已经暗示了该技术在商业营销活动中的潜在能力，尤其是在企业营销决策系统当中的应用，将会对企业营销活动和决策和发展起到非常重要的作用。

三、数据挖掘技术简介

数据挖掘是一个从存储在数据库、数据仓库或其他介质种中的大量数据中发现人们感兴趣的知识的过程。其的应用过程可以描述为：按照既定目标，对大量的企业数据进行探索和分析，揭示隐藏的、未知的或验证已知的规律性，并进一步将其模型化的先进有效的方法，并且最终将其在实践中应用的过程。

数据挖掘技术大体可以划分成以下四个主要阶段：数据准备、数据挖掘、表示与结果分析、知识应用。其中数据挖掘是很关键的阶段，主要包括：回归分析、统计分析、聚类分析、神经网络、决策树、探索分析等方法，这将决定数据挖掘的思路和最终实现的结果。

四、数据挖掘在企业营销决策中的应用简介

企业营销是企业战略的重要组成部分，营销战略的制定与实施，在企业战略中居于重要地位，是确保企业战略得以实现的重要保证。

市场营销管理，就是由企业市场部门根据战略规划所确定的业务经营范围、目标、业务组合和发展战略，认真识别、分析、评价外部环境等因素。并用其去指导未来的发展战略和计划的过程。

数据挖掘技术在企业营销决策中应用的过程如下：

1.数据准备阶段。数据挖掘的前提是必须要有大量的可靠的数据，这需要企业营销管理者平时对各种数据的积累，所需要的数据包括营销企业内部管理的数据，营销对象的相关信息，影响营销管理和决策的各外界因素及数据。并且对数据要采取分类的方式进行管理，此时数据分类的标准是非常关键的，不但要考虑分类内部数据之间的联系，同时还要考虑各数据之间的关系。

2.数据挖掘阶段。该阶段主要是对存储在数据仓库中的数据进行科学的方法进行分析，关键的数据挖掘方法的使用，常用的数据挖掘方法有：

(1)回归分析，该方法利用一组观测数据之间建立的依赖关系发现数据之间的联系，并作出相关预测的方法。(2)时序分析，该方法注重数据之间时间的前后顺序关系，并找出某事件在某个时间段内发生的频率。例如，某月某顾客在该粮店中购买的大米的次数和数量，这对分析顾客的消费水平和销售数量有着非常大的帮助。(3)分类分析，在前面的数据仓库里，对商品进行准确的描述，包括商品名称，特征，面向顾客，数量等数据项，然后用相应的分类标准将数据进行分类操作和管理。(4)聚类分析，通过分析数据仓库中已经分好类的数据，将其按照预测的结果划分不同的集合，并确定集合划分的标准。

3.表示与结果分析。通过前面的过程，企业营销决策管理者希望通过数据之间的关系得到相互数据的影响和关系，该结果以某种形式表示出来，一般都采用图形、图表或者数据报表的方式表示结果。通过结果进行相应分析，希望得到诸如如何得到最有价值顾客、如何使用组合效果使销售效率最好、如何留住有价值的顾客、以最小的成本发现欺诈行为等结论。

4.知识应用。发现营销规律和知识不是目的，将其应用到企业营销决策中才能够起到真正的作用，并在不断的营销中对所得出的结论进行论证，并不断的修正，使其更加合理，以便更加有利的指导营销行为和决策。

五、未来的展望

数据挖掘分析报告总结 第12篇

数据挖掘技术是近年来兴起的被各方关注的技术之一，其在实际应用中的显著优势。我国零售业在近几年的发展速度越来越快，对零售业中的量级较大的数据及信息需要专业化、科学化、有笑话的提取方法以供零售业行业的持续发展。

一、 零售业领域中数据挖掘技术应用概况

数据挖掘技术以数据库技术、人工智能、机器学习、统计分析、模糊逻辑等多门学科的理论为基础依托，结合不断的探索、实践、规律总结不断演化出来的具有高端应用价值的技术。

（一）零售业数据挖掘技术的发展历程

从数据挖掘技术的发展可以清晰看出人类对社会认知的转变历程。就数据挖掘技术而言，其核心技术在于数理统计理论，人们对于数据、信息的敏感程度可以对数据挖掘技术的不断提升有所帮助。鉴于数据挖掘技术的优点，零售业领域中复杂多样的数据属性，不断与该项技术融合，促进零售业领域企业的商业利益最大化。

在应用数据挖掘技术的众多行业中，零售业可以说是最早将此项具有现代化意义的技术应用于自身行业中的领军行业。从摸索阶段到现如今的已有基本规律的状态，数据挖掘技术的应有优势愈发凸显，零售业相关企业期待着更好利用数据挖掘技术促进企业做出有利决策。比如在零售业领域中关于数据挖掘技术的经典例子包括沃尔玛超市对啤酒和尿布在销售方面的规律的提炼，以及台风天气对巧克力等食品的更多需求的研究。

在零售业领域尝到数据挖掘技术的显著优势后，包括制造业、财务金融保险业、医疗企业等多个其余行业也纷纷开始效仿，鉴于数据挖掘技术鲜明的实用性及可操作性，一些公司运用数据挖掘的成功案例，充分显示了这项技术的强大生命力。

（二）零售业数据挖掘技术研究的意义

在零售业领域中，条形码管理、销售管理系统、客户资料管理系统等关于商品信息、客户信息、供应商信息、店铺信息、会员信息等海量数据，以零散状态呈现在人们面前，表面看，这些类别的数据之间毫无关联，但透过数据挖掘的眼光便可以清晰看出这些类别数据之间、同一类别数据之间存在着千丝万缕的联系。大数据理论提出以来，零售业领域研究者们变采取研究手段探究领域内海量数据与商品销售、客户群体选择等众多零售商们头疼的问题之间的关系。实践证明，利用数据挖掘技术可以帮助零售商们解决上述看似无解决方法的疑难杂症。比如，购物篮分析可以探究商品搭配方式与用户诉求之间的匹配程度、消费者对于商品摆放样式的好感度等。

从反方向看数据挖掘技术对于零售业领域的应用意义，对于零售业领域内的规律，人们仅凭经验、人工查找总结的方法将很难实现，缺乏有效数据挖掘手段的零售业领域的规律的探究的可能性非常小。而数据挖掘技术恰恰可以迎合人们这一需求，省去了人工查找的麻烦与困扰。特别是在销售相关数据越来越多的环境中，依靠人工积累的方法很难实现行业发展的突破，对于海量数据问题的解决，数据挖掘技术是非常好的选择。

可见，零售业领域中数据挖掘技术的应用不仅历史久远，并且成果显著。但人们不能将眼光仅仅停留在数据挖掘技术给零售业领域带来的已有成功影响，随着社会的不断发展、市场经济环境的不断变化，业内人士需要对于社会市场体系未来的发展要素予以准确把握，并将此作为零售业领域内数据挖掘技术研究的方向。本文的议题设置初衷也在于此。

二、零售业领域中数据挖掘技术的应用范围

查阅大量相关资料、整合已有成功经验后，可以发现，数据挖掘技术在零售业领域内的功能性体现在三个方面：

首先，数据挖掘技术以海量数据为基础的技术要求恰恰符合了零售业领域内超大数量级的数据现状。数据挖掘技术利用计算机设备的准确、快速的算法更新技术，实现了短时间内对零售业领域内的数据进行聚类、提炼规律性成果的可能。

其次，数据挖掘神经网络算法的出现，进一步提升了零售业领域内数据挖掘的应用效率。这一新型算法的出现有效缓解了外部商业竞争对于零售业领域发展的影响。零售业领域内企业的发展离不开高端有效的数据挖掘技术。

再次，数据挖掘技术令企业充分了解客户对于商品销售的喜好及兴趣，帮助企业有效、准确、及时了解并掌握市场的动态变化，可以做到及时针对市场环境的变化调整自身企业的销售模式及销售方案。在对市场动态变化的及时掌握中，零售业企业可以及时洞察市场上的新商机，谋求企业紧急效益。

三、零售业领域中数据挖掘技术应用存在的问题及未来的发展趋势

第一，零售业中数据挖掘技术在分析变量的选择上仍有不足。数据挖掘的技术关键在于聚类方式的确定，而就相对更加复杂的零售业领域内的有关数据信息而言，其在分析变量的确定方式上仍旧需要持续关注实践结果进行及时调整。选择合适的数据挖掘分析变量，可以明显提升数据挖掘技术在零售业领域中的应用效率。

第二，数据挖掘技术所依托的数据抽取方式需要结合用户需要进行及时调整。抽取数据的目的在于从众多杂乱数据中提炼有用信息，减少不必要的工作量。比如求和、平均值、方差、直方图、饼状图等方式都可以结合实际情况尝试。

第三，数据挖掘技术的数据趋势需要有效预测。在纷繁复杂的数据信息中，也是有一些规律性的趋势可以预测的。在零售业领域中，数据趋势的预测工作十分重要。

四、结语

截至目前，真正适合零售业领域的数据挖掘模型还缺乏统一化，真正具有意义、有效性的数据模型的应用范围应该是在各个行业中都具有互通性的，即便行业在特点方面存在差异，但符合当前社会发展形势的数据挖掘技术需要往统一化中带有特色化的方向发展。因此，要保障数据挖掘的基础数据模型可靠。数据模型包括的种类很多，比如概念数据模型、逻辑数据模型、物理模型、采集模型、处理模型、其他模型等。但目前情况看，上述模型的可靠性均需要经过时间的考验，因此，在零售业领域中的数据挖掘技术需要加大对模型可靠性的研究力度。

数据挖掘分析报告总结 第13篇

中图分类号：

随着经济的发展和科技的进步，手机、电脑在中国随处可见，互联网甚至是移动互联网融入了人们的日常生活，互联网中无法估量的大量数据不断增长，愈演愈烈，面对着海一般的数据信息，人们不能准确的找到自己想要的数据，像手机APP，手游等移动互联网产品，每天都承载着非常多的数据，对运营商而言，如何进行数据分析以及数据挖掘成为一个亟待解决的难题。

较于传统数据处理系统，云计算系统的出现让人眼前一亮，基于云的数据挖掘平台的建构为数据挖掘开辟了一条新路，云计算提供一个虚拟的平台，用户可以在任何地区运用任何终端选择自己想要的数据，而大规模的数据本身就存在一些问题，数据挖掘存在难度，本文就云计算的数据挖掘进行具体的分析如下：

1 云计算概述

一直以来云计算都没有一个统一明确的定义，根据多数人对云计算的定义，总结出以下两方面：（1）云计算通俗一点说就是一个资源盘，其拥有数以万计的可用虚拟资源，有些虚拟资源拥有不同的负载量，云计算的优势就是可用将这些负载量不同的资源进行新的合理分配；（2）就用户而言云计算的服务是方便简单的，且透明化，用户的最终目的是在云计算中获取想要的数据和服务，用户不用在意云计算本身的运行机制，然而云计算的系统也是存在隐患的，如果一个规模庞大的计算机群在运作的过程中仍然不间断的增加计算机的数量，那么云计算系统可能会出错甚至系统崩溃，可见单纯依靠硬件设施是不可取的，此时需要可靠的软件发挥作用，需使用冗余和分布式存储的方式，云计算系统另一个优势就是拥有自我检测系统模式，该模式在不影响正常运行的情况下，可以检测出无效节点并进行删除，总之，云计算系统数据多、存储能力强、计算能力快且准确率高，给用户带来高效、优质的服务。

经过一直以来对云计算的研究总结其特点有五个方面，分别是虚拟化、通用性、扩展性强且规模大、可靠性高、经济性好等特点，具体来说就是云计算不是个实物，是个虚拟的拥有海量数据的平台，用户可以在世界的任何位置通过任何终端获取想要的数据信息和服务；云计算没有局限性，在云计算下可以构建出不同的应用，而且这些应用可同时运行；在不影响用户正常使用的情况下，云计算是可以扩展的，而且是动态扩展，现今最多可扩展几十万台电脑，整个扩展过程用户是可以看到的，是对外的；为了保证服务的质量和可靠性，云计算运用了多种方法如多副本容错和多计算节点同构可互换等；云计算由于自身的优势运用大量廉价节点构成云，采用自动化集中式管理机制，解决企业高昂的数据中心成本，较于传统系统云计算系统成本较低。

2 数据挖掘的方式

数据挖掘是一个循环反复、不断调整和修改的过程，这个过程漫长且复杂。从数据预处理到数据挖掘再到评估和表示这是数据挖掘的整个过程，数据挖掘的过程中方法很多，归纳如下：（1）广义知识挖掘，广义知识被挖掘出来后，与可视化技术相结合，用户可以直观的通过图表形式来了解；（2）关联知识挖掘；（3）类知识挖掘，分分类和聚类两种。决策树、神经网络、贝叶斯分类、支持向量机、遗传算法与进化理论、粗糙集、关联分类、类比学习、模糊集等为分类法。聚类法包括五种，分别是基于划分、密度、层次、模型及网格的不同方法；（4）预测型知识挖掘，包括一些方法和技术，方法有经典的统计方法，技术包括神经网络和机器学习技术；（5）特异型知识挖掘，所谓特异型指特殊的背离常规的异常规律。包括三个类别，分别是孤立点分析、序列异常分析和特异规则发现；（6）自定义数据挖掘算法。

数据挖掘的过程以及方法可以通过图1直观的了解。

3 基于云的数据挖掘平台架构

针对传统数据挖掘平台而言，云计算的产生对其影响很大，云计算的分布式存储和计算使数据挖掘开始变革，数据挖掘云服务只有基于云计算平台才能得以实现，其设计思想是分层设计，思路是面向组件设计，整个平台自下向上分为三层，最下面一层也是最基础的一层是云计算支撑平台层，再往上一层是数据挖掘能力层，最顶层是数据挖掘云服务层。

云计算支撑平台层的功能主要是提供数据的分布式存储和计算，最底层构建可以以企业自主研发的云计算平台为基础 ，也可以以第三方提供的云计算平台为基础。

数据挖掘能力层的能力有算法服务管理、调度引起、数据并行处理框架等，这些都是基础能力，数据挖掘能力层支撑着它的上一层（数据挖掘云服务层）。这层不但支持内部数据挖掘算法和推荐算法库，对于外在的第三方数据挖掘算数法也可以接入。

最顶层数据挖掘云服务层的主要功能是为外在企业和个人提供数据挖掘云服务，其涵盖多种多样的服务能力封装的接口形式，例如针对于简单对象的访问协议简称SOAP的XML等，本地应用程序编程接口也是其形式之一，基于结构化查询语言语句的访问在数据挖掘云服务层也是支持的，同时此层还提供解析引擎和自动调用云服务。

总之，基于云计算的数据挖掘平台从很多方面是优于传统数据挖掘平台的，如大规模数据处理能力、数据动态扩展能力以及低廉的云服务和成本等。

4 云计算关键技术

如今大量数据挖掘最直接有效的方法是分布式计算方法，这个方法包括两部分一部分是分布式数据存储，一部分是分布式并行计算，现在的云计算平台已经涵盖了这两部分的能力，这两部分是云计算数据挖掘平台的核心支撑能力，GFS、KFS、HDFS等三种分布式文件系统是目前比较受欢迎的分布式文件系统，Google公司的分布式文件系统理论是三者的理论基础，KFS、HDFS两种分布式文件系统多被用于商业和学术领域。

分布式并行计算框架在分布式计算方法中非常重要，其在计算过程中封装了一些技术细节，如任务调度、任务容错等，这样便捷了用户，用户只要把握好任务间的逻辑关系，不必注意这些技术细节，目前较为广泛应用的分布式计算框架有并行计算框架Mapreduce和迭代处理计算框架Pregel这两者都由谷歌公司提出，还有微软公司研发的Dryad。

5 结束语

随着互联网和移动互联网时代的到来，海量复杂的数据处理与数据挖掘困扰着各大运营商，与传统数据系统相比，云计算优势明显，强大动态扩展能力、独特的分布式存储和计算方法、以及低廉的成本优势吸引了越来越多企业和个人，基于云的数据挖掘平台，企业和运行商都因此减少了数据挖掘方面的资金投入，对这些企业来说无疑是减小了生产成本。

参考文献：

数据挖掘分析报告总结 第14篇

[关键词] 数据挖掘；名老中医；经验传承

名老中医是中医药学术发展的杰出代表，是联系传统和实现中医发展的灵魂，名老中医经验的总结和传承不仅能丰富中医学的理论体系，还能为中医药学术进步产生巨大的推动作用，也是培养造就新一代名中医的重要途径之一。因此，总结名老中医的临床经验、用药规律和学术思想，对中医药的薪火相传具有重要的理论意义和应用价值，也是中医药创新发展的源泉。数据挖掘（data mining，DM）又称数据库知识发现（knowledge discover in database，KDD），是指从数据库的大量数据中揭示出隐含的、未知的并有潜在价值的信息的非平凡过程。采用数据挖掘技术对名老中医学术思想和临证经验进行研究，可以全面解析其中的规律，分析名老中医个体化诊疗信息特征，提炼出临证经验中蕴藏的新理论、新方法、新知识，实现名医经验的有效总结与传承。自从基于信息和数据技术的名老中医临床诊疗经验研究思路提出以来，利用多种数据挖掘技术对病案进行分析的研究报道与日俱增，在名老中医经验传承领域发挥着重要作用[1-3]。本文中，笔者结合多年从事数据挖掘研究的经验与体会，并借鉴国内同行的相关研究成果，对数据挖掘在名老中医经验传承研究中的应用进行论述，希冀为数据挖掘方法在名老中医经验传承领域的进一步深入应用提供参考。

1 名老中医经验传承研究中数据挖掘方法的应用

关联规则 关联规则（association rules）是从大量的数据中挖掘发现项集之间有意义的关联，并寻找给定的数据集中项之间的有趣联系的一种算法。常用的关联规则算法包括Apriori算法、FP-树频集算法等 [4-6]。吴荣等采用关联规则算法对名老中医治疗冠心病的用药规律进行数据挖掘。结果显示，治疗冠心病处方中最常用的中药是丹参、瓜蒌、川芎，最常用的方剂是瓜蒌薤白类方、活血通脉剂及生脉散[7]。刘晓怡等采用关联规则方法对李佃贵教授辨治慢性萎缩性胃炎医案进行数据挖掘，得出李佃贵教授诊治慢性萎缩性胃炎最常用的药物是茵陈、黄连[8]。田琳等采用关联规则算法对名老中医诊疗眩晕病辨证思维模式进行数据挖掘，得出眩晕病的证候多为风阳上扰、肝肾阴虚、痰浊上蒙、肝肾阴虚、气血两虚等，病因病机多为虚、风、痰、瘀等，发病与肝、肾、脾三脏关系密切[9-10]。笔者采用关联规则方法对国医大师颜正华教授治疗胃脘痛用药规律进行数据挖掘，得出颜正华教授在治疗胃脘痛过程中常用药物为陈皮、佛手、香附、白芍、煅瓦楞子、赤芍、当归、丹参等，使用频率前3位的药对是佛手、陈皮，陈皮、香附，佛手、香附[11-12]。作为在名老中医处方规律研究中使用最广泛的数据挖掘算法，关联规则具有明显的优点，如它可以产生清晰有用的结果，支持间接数据挖掘，可以处理变长的数据等。但是，关联规则也有其不足，如计算量增长相当严重，难以决定正确的数据，容易忽略稀有的数据等。

贝叶斯网络的应用 贝叶斯网络（Bayesian network）是一种以贝叶斯公式为基础的概率网络，是一个有向无环图，由代表变量结点及连接这些结点的有向边构成。贝叶斯网络可以将具体问题中复杂的变量关系在一个网络结构表示，通过网络模型反映问题领域中变量的依赖关系[13]。吴荣等利用贝叶斯网络技术对名老中医治疗冠心病辨证规律进行数据挖掘，提取出名老中医诊疗冠心病、心绞痛的8个证候要素[14]。须义贞等采用贝叶斯网络和方剂智能分析软件对沈仲理教授诊疗子宫肌瘤医案进行数据挖掘，得出沈仲理教授诊疗子宫肌瘤善用活血化瘀、清热软坚法，常用治疗药物包括三棱、莪术、丹参、半枝莲、蚤休等[15]。贝叶斯网络具有分类、聚类、因果分析等功能，面对大规模数据有其独特的优势，具体包括：①学习机制高效灵活，可发现潜在的有用的模式或者联系，实现对数据实例的分类、聚类、预测；②语义清晰，易于理解和接受，具有良好的预测能力；③有效避免对数据的过度拟合；④贝叶斯网络可将先验知识、样本，主观、客观有机结合起来，更加全面反映数据对象内在的联系和本质[16-17]。

神经网络的应用 人工神经网络（artificial neural network，ANN ） 是由大量处理单位（即神经元，neurons）广泛连接而成的网络，是人工建立的以有项图为拓扑结构的动态系统，通过对连续或断续的输入作状态响应而进行信息处理[18]。陈肇文利用人工神经网络建立名老中医中医方剂系统和中医方证医学诊疗系统，可在线根据患者症状自动进行处方[19]。白云静等利用人工神经网络技术开展中医证候非线性建模研究，在充分辨识证候表征信息的基础上，建立证候与症状之间的非线性映射函数[20]。陆萍等基于面诊的证素辨证建立面诊-证素辨证神经网络，对64个病例进行证型辨别，结果表明，神经网络模型构建的中医面诊系统能根据样本值对网络构造和训练，证型辨证结果准确率比较高，是可行的[21-23]。作为最常用的数据挖掘方法之一，神经网络具有很强的非线性拟合能力，可映射任意复杂的非线性关系，而且学习规则简单，便于计算机实现，具有很强的鲁棒性、记忆能力、非线性映射能力以及强大的自学习能力。

决策树算法的应用 决策树（decision tree）模型是一种自上而下的预测模型，其基本运算原理属于分类规则，也就是说每个决策或者事件都能引出2个或者多个事件，继而产生不同的后果，这种决策分支的图像就像一棵树的枝干，称其为决策树。决策树以样本的根节点开始，如果样本在同一个类，则该结点为树叶，算法选择最有分类能力的属性作为决策树的当前结点，根据信息增益进行分裂，直到给定节点的所有样本属于同一类或没有剩余属性可供划分为止[24]。瞿海斌等采用决策树方法对血瘀证的诊断规则进行归纳，得到血瘀证决策分类模型，结果表明决策树提取的诊断规则与传统的医学统计方法相比，更为简单、方便，为从病例中自动归纳诊断规则提供了一种新的方法[25]。谢雁鸣等从临床流行病学的角度用决策树等方法对原发性骨质疏松症的中医基本证候进行研究，得出原发性骨质疏松症的阴虚和阳虚诊断模型[26]。徐蕾等用信息熵的决策树方法对慢性胃炎的中医辨证进行研究，构建以信息熵减少为特征的决策树分类模型[27]。

复杂系统熵方法的应用 2004 年，有学者发表了《“熵”在中医方证研究中的运用》一文，在总结熵理论的基础上，首次提出运用熵理论进行中医方证相关研究的设想，并探讨了证、熵、方结合的原理与前景[28]。通过实践表明[29-30]，该方法不仅可以应用证候与方剂之间的相关性研究，还可以研究证候与证候之间、证候与症状之间、方剂中药物与药物之间、配伍中成分与成分之间的关系。其后，有学者提出了复杂系统熵聚类的算法，并在疾病、证候、方剂的相关性研究中得到了应用[31]。复杂系统熵聚类方法是一种非监督的模式发现算法，它能自组织地从海量的数据中提取出信息量最大的组合，同时，此方法特别适用于高度离散性类型的数据。相比于经典的统计方法，它有以下几个优点。①不需要数据的一致性，对于各类数据都适合。特别针对具有随机性，模糊性，非平衡性，非遍历性，多维性特点的中医药数据。②它客观地反映数据的情况，聚出来的组合内元素的相关都特别大，是最优的组合，这些组合为新药发现中候选处方的筛选奠定了基础。③相关是不对称的，为定义贡献度奠定了基础。④算法收敛速度快，对于处理大量的数据有优势。此方法具有两方面的显著优势：一方面，不仅可以定性、还可以定量挖掘出药物之间、病-证-症-药之间的相关性；另一方面，不仅可以挖掘出名医名家经验的核心组合，还可以挖掘出隐藏于方剂配伍之中的而没有被临床医家所重视的核心组合。笔者采用该方法对国医大师颜正华教授治疗胃脘痛、失眠等用药规律进行挖掘，得出颜正华教授在治疗胃脘痛、失眠的潜在药物组合和新方，为深入研究和药物开发奠定了基础[11-12]。

2 数据挖掘在名老中医经验传承中的应用展望

如上所述，关联规则、贝叶斯网络、神经网络、决策树等数据挖掘方法在名老中医经验传承研究中发挥着重要作用，是深入挖掘、继承名老中医的学术思想和临床经验的有力工具。然而，每种数据挖掘方法都有其局限性和不足，均有其适应范围，且对数据有一定的要求。中医药数据挖掘的对象是中医药领域中积累的海量数据，这些数据的属性既有离散型的，又有连续型和混合型的特点，挖掘过程需要人机交互、多次反复，在中医药专业背景知识引导下，针对具体问题，选择合适的数据挖掘方法。同时，数据挖掘是从大量的数据中，抽取出潜在的、有价值的知识的过程，融合了数据库、人工智能、机器学习、统计学、知识工程、面向对象方法、信息检索、高性能计算以及数据可视化等最新技术的研究成果，是一个多学科交叉研究领域。因此，数据挖掘具体方法需要有计算机、统计学等多学科交叉人员才能熟练应用，不易被中医药临床人员和学术继承人等所掌握，这给数据挖掘方法在名老中医经验传承中的应用带来困难和挑战。名老中医经验的传承最终的目的是老专家临床经验和学术思想的总结和传播，数据挖掘方法的应用是有力的辅助手段，如何将相关挖掘方法进行集成并形成相应的软件，是数据挖掘方法在名老中医经验传承领域应用的重要方向。

[致谢] 该论文撰写得到中国中医科学院中药研究所杨洪军研究员的指导。

[参考文献]

[1] 王映辉，姜在，刘保延，等.基于信息和数据挖掘技术的名老中医临床诊疗经验研究思路[J].世界科学技术――中医药现代化，2005，7（1）：98.

[2] 周春祥.名老中医经验总结与传承过程中的问题与思考[J]. 江苏中医药，2004，25（12）：1.

[3] 唐仕欢，杨洪军. 中医组方用药规律研究进展述评[J]. 中国实验方剂学杂志，2013，19（5）：278.

[4] 曾孝文.关联规则数据挖掘方法的研究[J].计算机与现代化，2006，9：91.

[5] 吴嘉瑞，张冰.试论数据挖掘方法在药品不良反应评价领域的应用[J].中药新药与临床药理，2007，18（6）：485.

[6] 曾孝文.关联规则数据挖掘与发展趋势研究[J].电脑知识与技术，2005，35： 4.

[7] 吴荣，王阶，周雪忠.基于关联规则的名老中医冠心病用药规律研究[J].中国中药杂志，2007，32（17）：1786.

[8] 刘晓怡，唐晓亮.基于关联规则方法的李佃贵教授辨治慢性萎缩性胃炎医案分析[J].中国外资，2012，264：258.

[9] 田琳，闫英杰，朱建贵，等.整理挖掘名老中医诊疗眩晕病辨证思维模式的思路与探讨[J].中国中医基础医学杂志，2006，12（8）：618.

[10] 晏婷婷，吴丽，王旭东.基于数据挖掘的孟河医家治疗痹证的治法及用药规律研究[J].新中医，2012，44（9）：98.

[11] 吴嘉瑞，张冰，杨冰.基于关联规则和复杂系统熵聚类的颜正华教授治疗胃脘痛用药规律研究[J].中国实验方剂学杂志，2012，18（20）：1.

[12] 吴嘉瑞，张冰，杨冰，等.基于关联规则和复杂系统熵聚类的颜正华教授治疗失眠用药规律研究[J].中国实验方剂学杂志，2012，18（24）：1.

[13] Muirhead R J，Pu R Bayesian classi cation of heart rate variability data[J].Physica A，2004（336）：503.

[14] 吴荣，聂晓燕，王阶，等.基于贝叶斯网络的名老中医治疗冠心病辨证规律研究[J].中国中医药信息杂志，2010，17（5）：98.

[15] 须义贞，姚静，赵莉.沈仲理治疗子宫肌瘤诊治规律的研究[J].陕西中医，2010，31（2）：201.

[16] 李艳美，张卓奎.基于贝叶斯网络的数据挖掘方法[J].计算机仿真，2008，25（2）：87.

[17] 刘晓洁. 基于PCA的贝叶斯网络分类器研究[J].电子设计工程，2009，9：86.

[18] 岳桂华.人工神经网络及其在中医研究中的应用进展[J].大众科技，2012，14（156）：165.

[19] 陈肇文.基于人工神经网络的中医证治模型探析[J].中华中医药学刊，2009，27（7）：1517.

[20] 白云静，申洪波，孟庆刚，等.基于人工神经网络的中医证候非线性建模研究[J].中国中药信息杂志，2007，14（7）：3.

[21] 陆萍，林坤辉，周昌乐.基于神经网络的中医面诊证素辨证的研究[J].计算机应用研究，2008，25（9）：2655.

[22] 施明辉，周昌乐.人工神经网络在中医诊断中的应用现状与趋势[J].中国中医药信息杂志，2007，14（1）：2.

[23] 岳沛平.BP神经网络识别在中医脉象信号辨识系统中的运用[J].江苏中医药，2005，26（11）：4.

[24] 吴嘉瑞，张冰.试论数据挖掘决策树方法在药物警戒研究中的应用[J].中国药物警戒，2012，9（1）：29.

[25] 瞿海斌，毛利锋，王阶.基于决策树的血瘀证诊断规则自动归纳方法[J].中国生物医学工程学报，2005，24（6）：709.

[26] 谢雁鸣，朱芸茵，葛继荣，等.基于临床流行病学调查的原发性骨质疏松症中医基本证候研究[J].世界科学技术――中医药现代化，2007，9（2）：38.

[27] 贺宪民，孟虹，王忆勤，等.基于熵的决策树理论及其在中医证型研究中的应用[J].数理统计与管理，2004，23（5）：57.

[28] 杨洪军，赵亚丽，刘艳骄，等. “熵”在中医方证研究中的运用[J]. 中国中医基础医学杂志，2004，10（9）：16.

[29] 赵亚丽. 一类复杂系统的熵方法研究[D]. 北京：中国科学院研究生院，2005.

[30] 孙占全. 复杂系统建模――一类智能计算模型及其应用研究[D]. 北京：中国科学院研究生院，2007.

[31] 陈建新. 中医证候的复杂系统建模及其与疾病的相关性研究[D]. 北京：中国科学院研究生院，2008.

[32] 卢朋，李健，唐仕欢，等. 中医传承辅助系统软件开发与应用[J]. 中国实验方剂学杂志，2012，18（9）：1.

[33] 唐仕欢，陈建新，杨洪军，等.基于复杂系统熵聚堆方法的中药新药处方发现研究思路[J].世界科学技术――中医药现代化，2009，11（2）：225.

[34] 申丹，唐仕欢，卢朋，等.含人参中成药用药规律分析[J].中国中药杂志，2013，38（12）：2029.

Comment on applications of data mining used in studies of heritage of

experiences of national medical masters

WU Jia-rui1，TANG Shi-huan2，GUO Wei-xian1，ZHANG Xiao-meng1，ZHANG Bing1*

（ University of Chinese Medicine，Beijing 100102，China；

2. Institute of Chinese Materia Medica，China Academy of Chinese Medical Sciences，Beijing 100700，China）

[Abstract] Data mining，as known as knowledge discovery in databases，is a non-trivial process of revealing the implied，previously unknown and potentially useful information from the massive data. In recently years，the applications of data mining in the field of pharmaceutical research of traditional Chinese medicine have widespread. Especially in the field of the heritage of experiences of national medical masters，data mining plays an important role. In this study，we would expound of the use of methods of data mining in the heritage of experiences of national medical masters，and analyze their advantages and disadvantages，such as association rules，Bayesian networks，neural networks，and decision trees.

数据挖掘分析报告总结 第15篇

关键词：数据挖掘；数据库；预处理技术

中图分类号：

随着计算机和互联网的普及应用，由于其能够提高工作的效率，非常受到人们的重视，一些企业甚至在计算机应用的基础上，提出了无纸化办公的理念，在实际应用的过程中，计算机需要存储大量的数据，对于企业用户来说，很多数据具有私密性，如果这些数据泄露出去，将会给企业的发展带来严重的影响，甚至造成巨大的经济损失。受到特殊的历史因素影响，我国的经济和科技起步较晚，与西方发达国家相比，存在较大的差距，虽然经过了多年改革开放的发展，我国已经成为了世界第二大经济体，计算机的应用水平也有了很大的提高，但是在尖端的数据挖掘等领域中，研究的还比较少，而数据挖掘等技术，能够在很大程度上影响数据的利用效率，对于实际的工作来说，具有非常重要的作用。

1 数据挖掘的预处理技术简析

数据挖掘预处理技术的概念

数据挖掘技术是随着数据库的发展，逐渐形成的一门学科，在计算机出现的早期，受到其性能和体积的限制，能够存储的数据很少，不需要考虑数据的利用效率，但是随着晶体管和集成电路的使用，计算机的性能得到了极大的提高，相应的存储设备也有了很大的进步，计算机能够处理的任务越来越复杂，存储的数据越来越多，现在我国建成了多个大型数据存储中心，存储的数据量非常巨大。对于如此多的数据，如何筛选出自己想要的，成为了很大专家和学者研究的问题，在传统的数据应用中，通常都是利用检索技术，根据输入的关键词，在数据库中进行逐个的匹配，如果数据库的存储量较小，检索的效率就比较高，而对于现在的海量存储来说，逐个匹配显然需要很长的等待时间。数据挖掘的预处理技术，正是在这种背景下出现的，所谓预处理技术，就是在数据挖掘之前，对数据进行一定的整理，通常情况下，数据挖掘主要面对现有的数据库或者互联网上海量的数据，如果在数据库中进行挖掘，那么可以对数据库进行一定的修改，如完善数据分类的方式等，而在互联网上进行数据挖掘，显然就需要优化挖掘的方式，或者缩小数据挖掘的范围等。

数据挖掘预处理技术的特点

与正常的数据挖掘技术相比，如何增加相应的预处理环节，无疑可以极大的提高数据挖掘的效率，如在数据库中进行数据的挖掘，传统的挖掘方式下，通常都是利用检索技术，输入指定的关键词后，与数据库中的信息进行对比，这样逐条的进行检索，就可以找到自己想要的数据，如果数据库存储的信息量较大，那么利用这样的挖掘方式，显然需要很长的等待时间。如果增加相应的预处理环节，如在数据库中添加索引，对数据库中的数据进行分类，那么在输入相应的关键词后，首先与索引进行匹配，然后在指定类别的数据中进行对比，这样的方式，显然极大的提高了数据挖掘的效率，目前使用的数据库中，大多采用了这样的预处理技术，取得了很好的应用效果。受到特殊历史因素的影响，我国数据库相关技术水平较低，目前我国建设的大型数据库，都是与国外的技术公司合建的，通过实际的调查发现，现在我国还无法自主生产外部存储设备，市面上的存储设备，都是从外国引进的，但是在实际数据库的建设中，在外国存储设备的基础上，我国也进行了大量数据挖掘等技术的研究。

数据挖掘预处理技术的发展

从某种意义上来说，数据挖掘技术是随着互联网和数据库的应用，根据实际使用的需要，逐渐形成的一门技术，在互联网发展的初期，网络上的资源有限，而且受到计算机性能的限制，没有太多的娱乐项目，只能浏览一些商业网站等，随着计算机的普及应用，互联网有了很大的发展，现在已经建成了覆盖世界范围的因特网。据最新的统计调查表明，我国的网民数量已经超过了6亿，如果庞大的用户群体，为我国互联网的发展，提供了坚实的基础，但是通过实际的调查发现，我国的实际网络带宽，还没有达到世界平均水平，即使实际使用的网络带宽较低，我国互联网内容的发展速度依然很快，现在网络上出现了各种各样的网站，极大的提高了网络建设水平。在实际的网络浏览中，面对如此大的信息量，如何找到自己想要的信息，成为了一个实际问题，为了解决这个问题，出现了搜索引擎，只要输入相应的关键词，搜索引擎就可以很快的找到大量相关内容，然后进行必要的筛选，就能够得到相应的数据，但是随着互联网内容的丰富，除了传统的文字信息外，还有视频和音频等数据，如何在这些数据中，进行相应的挖掘工作，具有较大的难度。

2 影响数据挖掘预处理技术的因素

预处理的方式

在实际的数据挖掘过程中，能够影响挖掘效果的因素有很多，如数据量的大小、挖掘方式等，从某种意义上来说，数据挖掘就是数据的查找，从指定范围或者未知范围内，找到指定的数据，通常情况下，数据挖掘都具有很强的目的性，但是对于找到数据的量，并没有明确的要求，尤其是随着互联网内容的增加，现在的数据挖掘中，都会附带大量的相关信息。对于数据挖掘的预处理技术来说，预处理的方式，能够在很大程度上影响挖掘的效率，例如在一个一百条数据库中进行挖掘，为了提高实际的效率，通常情况下会采用检索的方式，根据输入的关键词，逐条的与数据库的信息进行比对，这样挖掘的效率具有很大的不确定性，如果要查找的数据排列比较考前，那么就需要很短的检索时间，如果要查找的数据刚好在第一百条的位置，显然就需要进行一百次匹配。如果采用索引的方式进行预处理，将这一百条数据根据自身的特点，分成十个类别，每个类别建立一个索引，那么在实际的匹配中，无论要查找的数据处于哪个位置，最多只需要十次匹配，就可以找到相应的数据，由此可以看出，预处理方式对于数据挖掘效率具有非常重要的影响。

数据量的大小

计算机经过了多年的发展，其自身的性能有了很大的提高，在实际的数据挖掘中，如果检索的数据较少，即使不经过任何的预处理，仍然可以具有很高的挖掘效率，但是随着数据库自身的发展，企业用户的数据库容量越来越大，在数据库中查找指定的数据，需要较长的时间，要想很好的解决这个问题，必须对数据挖掘的方式等，进行相应的优化。通过实际的调查发现，目前我国使用的数据库，大多都是国外的技术公司设计的，为了方便数据库的使用，大多采用了整体的外包，即软件和硬件都是由同一家公司提供，采用这样的方式，不但能够很好的解决软件和硬件之间不兼容的问题，同时可以提供优质的软件服务。目前市面上的数据库，大多对数据挖掘技术进行一定的优化，如增加索引环节等，通过这些技术的使用，很好的提高了实际的挖掘效率，但是这些预处理技术，并没有考虑到数据量的大小，如一些大型的数据库中，要想建立索引机制，本身就需要很长的时间，虽然在建立索引后，就可以直接的使用，即使数据库中发生变化，也不需要重新建立，只要根据数据的情况，将其存储到指定的分类中即可。

操作人员自身的素质

对于实际的数据挖掘工作来说，操作人员自身的素质，也可以在很大程度上影响挖掘的效率，经过了多年的完善，数据挖掘技术已经成为了一门单独的学科，计算机专业的学生，要进行相应知识的学习，但是通过实际的调查发现，现在的数据挖掘主要针对互联网上的内容，而互联网日新月异的发展，给数据挖掘带来了很大的难度。在这种背景下，如果没有足够的工作经验，显然很难完成相应的数据挖掘工作，因此刚毕业的大学生，数据挖掘的效果较差，即使能够完成相应的工作，也需要较长的时间，虽然这些学生在学校中，能够学习到大量的数据挖掘知识，为了提高教学的效果，老师还会讲解一些数据挖掘的实例，但是实际挖掘中，具有很多的不可控因素。如果操作人员具有丰富的数据挖掘经验，在实际的工作中，必然会总结一些相应的技巧，这些技巧的使用，可以在一定程度上缩短挖掘的时间，提高数据挖掘的准确性，对于数据挖掘工作来说，具有非常重要的作用，从某种意义上来说，数据挖掘的预处理技术，指的就是这些从实践中总结出来的技巧，然后进行科学、系统的分析，应用到实际的挖掘中。

3 我国数据挖掘预处理技术应用中存在的问题

没有意识到预处理技术的重要性

在传统的数据挖掘中，由于数据库自身的容量较少，采用检索的方式，就可以轻松的找到想要的数据，因此不需要预处理技术，随着数据库自身的发展，计算机的性能也有了很大的提高，在很长一段时间内，硬件的发展速度都要领先于软件，因此数据检索具有很高的效率，近些年互联网的普及应用，在很大程度上改变了这种现象，尤其是云计算等理念的出现。在互联网海量数据中进行挖掘，依靠单独的计算机，很难具有较高的效率，在这种背景下，如何优化数据挖掘技术，成为了很多专家和学者研究的问题，预处理技术就是根据实际工作的需要出现的，受到特殊的历史因素影响，在数据库的建设等方面，我国要落后西方国家很多，虽然近年来我国投入了大量的人力和物力，研究数据挖掘等技术，但是并没有取得明显的效果。正是受到自身技术水平的限制，使得我国数据建设中，对数据挖掘的预处理技术，没有足够的重视，导致很大数据库中，还采用传统的检索等方式，没有任何的预处理技术，在很大程度上影响了数据挖掘的效率，虽然一些数据库中集成了相应的功能，但是通过实际的调查发现，在实际使用的过程中，并没有启用相应的功能。

没有针对性的预处理方式

由于现在的数据挖掘，主要针对互联网上海量的数据，而互联网上的数据非常复杂，尤其是近些年网络的发展，出现了文本、视频、音频等各种各样的信息，在这些信息中进行数据的挖掘，显然具有较大的难度，而且互联网的数据量较大，即使借助相应的搜索引擎，依然需要很长的挖掘时间，对于现在使用的一些数据挖掘预处理技术，只有在一些特定的情况下，才能够发挥出一定的作用。数据挖掘预处理技术出现的时间较短，目前还没有形成统一的认识，不同学者根据实际工作的需要，提出了不同的预处理方式，通过实际的调查发现，这些预处理方式的应用，都具有一定的局限性，在特定的数据挖掘中，可以明显的提高挖掘的效率，但是对于其他数据的挖掘，就无法起到相应的作用。受到我国数据挖掘技术水平的限制，并没有意识到这点，在实际数据挖掘的工作中，通常都是随意的采用预处理方式，这样显然无法最大成都上提高数据挖掘的效率，有时候反而会降低工作的效率，目前西方发达国家的数据挖掘预处理中，都会根据每次工作的实际情况，针对性的设计一个预处理的方式。

4 数据挖掘的预处理技术应用措施

重视数据挖掘的预处理技术

考虑到我国的数据库建设中，很多都没有采用相应的预处理技术，在很大程度上影响了数据挖掘的效率，要想很好的解决这个问题，必须对预处理技术给予足够的重视，在数据库的设计时，就对预处理的方式等进行考虑，如果是购买的数据库服务，那么就要根据自身的实际情况，对预处理技术提供一定的要求，这样可以极大的提高挖掘的效率。通过实际的调查发现，西方国家的预处理技术水平之所以比较高，主要就是由于其重视，在实际的挖掘工作中，对于能够提高工作效率的所有细节进行完善，并总结相关的经验，方便下次的使用，正是这种供求双方的重视，使得西方发达国家的预处理技术快速的发展。我国要想提高自身的数据挖掘预处理技术，必须根据自身的实际情况，借鉴外国一些先进的经验，最大程度上完善预处理技术，要想达到这个目的，首先应该提高对预处理技术的重视程度，无论是实际的操作人员，还是管理人员和开发人员，都应该重视预处理技术的应用，然后从自身的工作角度出发，对其进行一定的完善。

提高工作人员自身的素质

数据挖掘预处理技术的应用，需要实际的操作人员，而不同工作人员，由于自身经验等不同，工作的效率会有一定的差距，如刚毕业的大学生，即使在学校中的成绩较好，掌握了足够的预处理知识，还是无法很好的完成相应的工作，尤其是近些年信息技术的发展，互联网上海量数据的挖掘，具有很大的难度。而且不同数据的挖掘，预处理方式等也应该具有一定的差异，通过实际的调查发现，目前我国的数据挖掘工作人员自身的素质普遍较低，无法根据实际的工作情况，针对性的选择一种预处理方式，在很大程度上影响了挖掘的效率，要想很好的解决这个问题，必须提高工作人员自身的素质，在实际的招聘过程中，尽量聘请一些具有丰富经验的人员。对于现有的工作人员，可以通过定期培训等方式，让其了解到最新的数据挖掘理念，以及预处理技术的重要性等，如果条件允许，还可以与一些先进的企业进行交流，学习先进的预处理技术，这样在提高预处理技术水平的同时，还可以对数据库的其他的技术，进行一定的优化。

采用针对性的预处理方式

经过了多年的发展和完善，数据挖掘的预处理技术已经非常普遍，目前的很大数据库建设中，都会采用预处理技术，甚至在日常的数据搜索中，也开始使用预处理技术，但是通过实际的调查发现，根据实际需要数据的不同，数据挖掘的环境、方式等会具有较大的差异，而这些条件的变化，必然需要不同的预处理方式。而目前我国的数据挖掘中，显然还没有意识到这点，为了提高实际的工作效率，虽然会采用一定的预处理方式，但是预处理的方式，并不会根据数据挖掘的不同，进行针对性的变化，没有真正的达到预处理的目的，在一些特殊的数据挖掘中，由于预处理方式的不当，甚至会降低工作的效率。由此可以看出，在实际的数据挖掘中，预处理方式的重要性，要想最大程度上提高工作的效率，必须采用针对性的预处理方式，对目前已有的预处理方式进行总结、分类，根据需要数据的情况，针对性的选择，如果人员的自身素质较高，还可以设计一个新的预处理方式，以此来最大程度上提高数据挖掘的效率。

5 结束语

通过全文的分析可以知道，随着近些年计算机和互联网的普及应用，数据的挖掘、存储、调用等技术越来越重要，受到特殊的历史因素影响，我国科技起步较晚，与西方发达国家相比，在数据挖掘等领域中，具有明显的差异，虽然经过了多年改革开放的发展，这种差距在逐渐的减小，但是很难在短时间内赶上发达国家的技术水平，在这种背景下，要想快速的提高我国数据挖掘预处理技术，必须结合我国数据挖掘的实际情况，借鉴西方国家先进的经验，完善目前的预处理技术。

参考文献：

[1]郑继刚，谢芳.多媒体图像挖掘的关联规则挖掘[J].红河学院学报，2009（05）：44-47.

[2]谢邦昌，李扬.数据挖掘与商业智能的现况及未来发展[J].统计与信息论坛，2008（05）：94-96.

[3]林建勤.数据挖掘主要问题的对策研究[J].贵阳学院学报（自然科学版），2007（02）：1-4.

[4]陈娜.数据挖掘技术的研究现状及发展方向[J].电脑与信息技术，2006（01）：46-49.

[5]李菁菁，邵培基，黄亦潇.数据挖掘在中国的现状和发展研究[J].管理工程学报，2004（03）：10-15.

[6]郑斌祥，杜秀华，席裕庚.一种时序数据的离群数据挖掘新算法[J].控制与决策，2002（03）：324-327.

[7]臧洌.人工神经网络在混沌观测时序数据处理中的应用[J].数据采集与处理，2001（04）：486-489.

数据挖掘分析报告总结 第16篇

关键词：数据挖掘； 医保；关联规则；聚类；分类；序列模式

Review of Data Mining Application in Medical Insurance in Our Country

FENG Li-yun

（Software College of Jiangxi Normal University， Nanchang 330022， China）

Abstract： Using data mining method to study the data of growing health care in our country is not a lot， but has a certain research. In this paper， the application of data mining in the field of health care are summarized from the association rules discovery， data clustering， classification knowledge discovery， sequential pattern discovery， and other data mining methods are reviewed in the Medicare application areas. Finally， look into the future of application of data mining in health care field.

Key words： data mining； Health care； Association rule； clustering； classification； sequence pattern

医疗保险是我国社会保障制度的重要组成部分，是关系百姓切身利益的一项民生工程。医疗保险自1998年开始在我国实施，经过十多年的发展和不断完善，目前大部分人民已经可以享受医疗保险的优惠政策。随着经济的发展及互联网的普及，信息技术已经逐步渗透到医药行业中，医保信息系统的应用就是医药信息化的一个典型。医保信息化在给我国医保政策的管理和实施带来了很多便利的同时，庞大的数据压力也成为一个有待解决的问题。数据挖掘是一种从数据库中抽取和识别出有效的、新颖的、可理解的、事先不为人知的但又潜在有用的模式或知识的过程或技术，这种技术为我们的决策和管理带来很多便利。近年来，关于数据挖掘技术在医保信息系统中的研究运用与日俱增，该文对这些研究从研究方法进行了概括分析，介绍了数据挖掘在医保行业的已有成果和具有代表性的方法，并对未来的发展作了展望。

1 关联规则发现

Apriori算法是一种挖掘关联规则的频繁项集算法，其核心思想是通过候选集生成和情节的向下封闭检测两个阶段来挖掘频繁项集。算法已经被广泛的应用到商业、网络安全等各个领域。

文献[3] 通过对医院历年医保病人数据采用Apriori数据挖掘的方法，分析医保费用与相关因素间的规则，得出医保费用分析的规则集。该规则集显示与医保病人费用关联最大的是特定出院科室和住院天数这两因素的组合。文献[1]针对医保基金运营过程中出现的就医聚集行为，提出基于频繁模式挖掘的一致行为挖掘算法CBM，实验表明该算法比Apriori和Eclat具有更好的性能，能有效检测就医聚集行为。文献[2]对 Apriori 算法进行的具有针对性的改进，将改进的算法应用于医保稽查工作中， 挖掘算法产生的规则可使稽查人员重点稽查该规则所指向的医保行为， 极大的提高了医保稽查工作的效率。文献[4]对社会医疗保险基金收支情况进行了研究，在建立数据仓库时选用维度建模方法建立星型模型，重新组织了来源数据的

结构关系；数据挖掘阶段选用Apriori算法并对其进行了改进，进行关联规则挖掘。文献[7]在深入分析研究了经典关联规则Apriori算法的基础上提出并实现了关联规则生成算法，通过实验对Apriori经典算法和关联规则算法进行了算法效率的分析比较。将改进的关联规则算法应用于某矿业集团的医疗保险数据中，为矿业集团完善医疗保险制度提供了很好的辅助决策支持。文献[27]针对OLAM兼有0LAP多维分析的灵活性、在线性和对数据挖掘的深入处理数据等特点，在医疗保险系统中设计并实现了OLAM应用模型。该模型使用浙江省某市医疗保险数据库中2005年的医保数据，建立了以医疗保险费用和诊断项目为主题的数据仓库，从多维角度分析数据仓库中的数据，并且运用了Apriori算法挖掘出一些潜在的关联规则例如人们特别关注的“骗保”行为，为医疗决策提供科学有效的依据。

FP的全称是Frequent Pattern，在算法中使用了一种称为频繁模式树（Frequent Pattern Tree）的数据结构。FP-tree是一种特殊的前缀树，由频繁项头表和项前缀树构成。FP-Growth算法基于以上的结构加快整个挖掘过程。

文献[8]将FP-growth算法用于基本医疗保险数据的挖掘，根据课题特点提出了自动确定最小支持度的增量式FP-growth挖掘算法，并用实验验证了改进算法的有效性。文献[5]通过对医疗保险信息系统的数据仓库的设计、数据的整合以及数据挖掘的技术分析，实证研究关联规则挖掘算法在医保信息挖掘的可能性与必要性。利用编码、解码技术和SQL的聚集函数，实现基于SQL的FP-Growth算法，该算法突破机器内存对数据挖掘的处理效率问题，实现了对海量数据挖掘的高效挖掘。

文献[6]基于数据仓库和数据挖掘技术，经过大量重复的数据清洗工作，从医院信息系统数据库中抽取三个医保年度的数据，建立医保费用数据仓库和相应的多维数据模型。对建立的多维数据模型采用关联规则的数据挖掘算法进行挖掘分析，得出结论

文献[9]以广州市某大型三甲医院的信息系统为主要数据源，其后台数据库系统采用 SQL SERVER 2008。建立医保费用分析的数据仓库，采用关联规则的数据挖掘算法进行挖掘分析。

2 数据聚类

聚类就是将数据项分组成多个类或簇，类之间的数据差别应尽可能大，类内的数据差别应尽可能小，即为“最小化类间的相似性，最大化类内的相似性”原则。聚类算法有划分法、层次法、基于密度、网格、模型的方法。其中，划分聚类法比较有代表性，文献[10]在分析了模糊数据挖掘的相关概念和技术的基础上，使用模糊聚类方法进行医疗保险子系统的划分，给出了划分结果，并且将模糊数据挖掘应用到医疗保险系统中，是数据挖掘技术在医疗保险领域应用的一次尝试；文献[11]以贵阳市医疗保险业务为背景，研究运用 O-Cluster 算法，构建数据挖掘模型并对模型进行解释，反映数据间隐含的联系。文献[17] 使用K-均值、K-中心点、Ward等几种聚类算法分析了医保评估模型，并对几种聚类方法进行了比较，实验证明Ward聚类算法成簇效果佳，用户容易理解。文献[14]分析了数据挖掘和模糊数据挖掘的相关概念和技术，开发设计了B/S架构的医疗保险系统，在此基础上尝试使用模糊数据挖掘技术进行医疗保险子系统的划分，给出划分结果。文献[18]使用基于凝聚层次聚类（hierarchieal clustering）的ward方法、K-Means和K一中心点对医保参保人进行聚类，在此之后对得出的聚类模型从健康和经济状况两方面进行了评估。

3 分类知识发现

分类就是构造一个分类函数，把具有某些特征的数据项映射到某个给定的类别上，分类方法可分为单一分类算法和组合单一分类算法。单一的分类方法主要包括：决策树、贝叶斯、人工神经网络、K-近邻、支持向量机和基于关联规则的分类等；另外还有用于组合单一分类方法的集成学习算法，如Bagging和Boosting等。

主要的决策树算法有ID3、（）、CART、PUBLIC、SLIQ和SPRINT算法等。它们在选择测试属性采用的技术、生成的决策树的结构、剪枝的方法以及时刻，能否处理大数据集等方面都有各自的不同之处。文献[12]利用决策树挖掘算法对医疗保险系统数据进行分析，找出影响就医公平的关键因素，辅助决策者进行政策参数的最优化设置。通过数据准备、归纳决策树、决策树剪枝、抽取规则等步骤得出住院费用是决定人员就医压力的最重要因素。文献[13]使用决策树算法及SQL Server 2005中包含的一种混合的决策树算法分析研究了某市的基本医疗保险数据样本，找出隐含的有效信息，并在此基础上提出了完善基本医疗保险的对策建议。文献[32]使用决策树、神经网络等分类算法分析了我国某市的数据挖掘样本，以此作为医疗保险监管部门对各参保单位的账户进行考察的依据。

4 序列模式发现

序列挖掘或称序列模式挖掘，是指从序列数据库中发现蕴涵的序列模式。最早是由Agrawal等人提出的，它的最初动机是针对带有交易时间属性的交易数据库中发现频繁项目序列一发现某一时间段内客户的购买活动规律。

文献[15]将序列模式挖掘算法与医疗保险数据库结合起来，将基于周期时间约束的序列模式挖掘算法应用与医疗保险数据库中。在分析基于约束序列模式挖掘算法的基础上，重点研究了基于时间粒度的挖掘算法PCSmine，并修改优化了算法中的数据结构，使用neucleaning算法预处理医疗保险数据库，实验表明算法提高运行效率。文献[16]首先利用数据抽取、转换及装载工具获取有效数据，通过建立多维模型，运用数据分析和数据挖掘方法生成各种报表及图形，建立了智能医院医保业务决策支持系统架构和数据仓库模型。文中使用第309医院2007、2008和2009三个年度的各科室月度医保病人总费用来预测2010年1月的科室医保病人总费用。采用SQL Server 2008中的时序分析方法来进行数据挖掘。SQL Server 2008 Analysis Services中的时间序列分析使用的算法是决策树算法的特例。在文献[17] 采用自动回归整合移动平均ARIMA（AtoRegression Integrated Moving Average）模型，建立医保结算费用预测模型，实现对医保结算总费用的预测，并能详细到各区县、各级别医院医保结算费用的预测，为医保基金监管提供方向。文献[32]应用了几种数据挖掘的算法分析了我国某市的数据挖掘样本，使用时序算法对各参保单位的账户使用情况进行回归以及预测，以此作为医疗保险监管部门对各参保单位的账户进行考察的依据。

5 其他应用

以下为数据挖掘在社会医保方面的一些研究及应用。一般结合数据仓库，一并分析。

文献[19]基于动态数据仓库和SOA技术，利用数据挖掘分析技术，针对影响基金管理中的主要环节和基金运行中的风险的主要因素，建立医保基金风险防控基础技术平台，对防范和化解基金风险起到支撑作用。

文献[20]基于一个医保基金风险防控平台数据仓库的构建过程，提出一套适应该平台变化需求的元数据管理解决方案，分别从数据源层、数据仓库、分析应用层、ETL过程几方面对元数据进行了分析，探讨了其中元数据集成方案和管理功能的设计。

文献[21]试着应用数据挖掘技术发现医保系统中有用的模式和规则构建现代医院信息平台。经过数据预处理、数据准备、数据挖掘、评估所得到的模式模型知识、发现知识的巩固与运用等过程构建了基于数据挖掘技术的现代医院信息平台。

文献[22]首先阐述了在医疗保险管理上面临的一些问题，针对这些问题采用数据仓库（DW）与数据挖掘（DM）技术，对医保系统、HIS 系统历史的、现在的数据进行过滤、整合、存储以分析使用病提出了相应的实施方法。

文献[23]从采集医疗保险数据信息、建设数据仓库、以及最后的开发和利用三方面进行阐述，探讨在医疗保险管理中数据信息的价值和功能，以及在计算机系统建设过程中应注意的问题，旨在为医疗保险计算机管理系统的建设提供参考意见。

文献[24]用powerbuilder开发工具的分布式对象实现三层结构式的医保数据传输；定点医疗机构的客户端通过互联网访问应用服务器上的数据传输服务端，医保数据库服务器设置为不能访问互联网，也不能被互联网访问。应用三层结构式可以安全地传输医保数据。

文献[25]利用商业智能工具实时提取数据，并建立分析模型及各种分析统计结果的图形和报表。 首先是对医保数据进行预处理，使医保数据属性更完整；然后，利用商业智能系统的ETL功能对数据进行清洗并对原医保中心导出来的数据与南方医院原HIS 系统导出来的相关数据，进行自动的配备、核算和查找；最后，再次用商业智能系统对上面形成的患者数据建模分析。此系统实现了对医保中心数据和医院数据库数据的自动化的抽取、匹配，并对医保收入和工作量、医保患者费用等进行了多维度、多角度的灵活统计和分析。

文献[26]通过对医疗保险系统数据的分析，建立相应的数据模型，为医疗保险系统提供决策支持依据。通过数据挖掘方法为医疗保险系统建立了数据仓库，利用单因素方差分析方法进行数据结构设计，并对其进行分析和研究。这里以医院的综合实力作为方差分析的因素，即影响住院费用的因素。

文献[28]社会医疗保险是社会保险中最复杂的一个险种，医疗保险资金管理的一个关键因素就是在个人、单位缴纳金额和个人享受保险待遇的设定之间构建一种平衡。数据挖掘是信息社会广泛应用的一门技术，我国医疗保险正处在改革的过程中，利用数据挖掘的分类技术对医疗保险的数据进行分析处理，能够更好的把握医疗改革的方向，为医疗保险的决策提供科学有效的依据。

文献[33]以美国 Ox International 公司的医疗保险业务为背景，在已开发的信息系统基础上，提出了面向分析的数据仓库与数据挖掘的解决方案。该方案从决策角度出发，建立多维数据模型，将系统中的历史数据加以处理，并有组织的存放到数据仓库中。在此基础上，利用OLAP 和数据挖掘技术，对数据仓库中的数据进行各种复杂分析。文件[29]亦是。

文献[30]首先描述了数据挖掘可用于医疗保险行业的关键技术现状，其次阐述了数据挖掘技术在医疗保险行业中应用的国内外现状和基于数据挖掘的决策支持系统研究现状，最后进行了总结，讨论和分析了在的医疗保险信息系统中应用数据挖掘技术的工作重点。

文献[31]以贵阳市社会保障局医疗保险业务数据中城镇居民统筹基金支付情况为目标，利用聚类分析法，通过搭建oracle 数据仓库平台，并在此平台上进行主题数据仓库构建与设计，进行联机分析得出城镇居民统筹基金支付情况。

除了以上的研究，目前国内还有些学者从数据挖掘的技术角度对医保管理信息系统进行了实施，主要用到的技术有ETL、数据仓库、OLAP等。

6 总结与展望

本文对数据挖掘技术在社会医保方面的应用进行了分析和总结，分为关联规则发现、数据聚类、分类知识发现、序列模式发现以及数据挖掘在医保中的应用几方面。

在医保领域中数据挖掘技术的研究和应用主要包括数据挖掘技术与领域知识的结合和算法设计与改进两个主要方面。随着医保基金风险防控的需求的不断更新，可以发现更多的数据挖掘应用场景，将数据挖掘技术更广泛地应用到医保领域中。目前就诊序列模式挖掘基于相似度的等长序列模式，可以研究扩展到不等长模式的挖掘；此外可以进一步提高一致行为模式挖掘的效率。

参考文献：

[1] 何俊华，张静谊，熊赟，朱扬勇.医保就医聚集行为挖掘[J].计算机应用与软件，2011，28（7）.

[2] 刘凯，赵跃龙.关联规则挖掘在医保稽查中的应用研究[J].科技信息，2007（33）.

[3] 黄晶晶.数据挖掘技术在医院医保费用分析中的研究与应用[D].广州：南方医科大学，2009.

[4] 石萌.数据挖掘在医疗保险参保人员老龄化问题中的研究[D].贵州：贵州财经学院，2010.

[5] 简伟光.数据整合与数据挖掘技术在医疗保险信息系统的研究与应用[J].实践与经验，2010.

[6] 朱彦华.医保人群医疗费用的数据挖掘与分析[D].广州：华南理工大学，2012.

[7] 梁爱琴.数据挖掘关联算法在医保系统中的应用[D].北京：北京工业大学，2008.

[8] 刘江超.数据挖掘算法在医保数据上的应用研究[D].湖南：国防科学技术大学，2009.

[9] 朱彦华.医保人群医疗费用的数据挖掘与分析[D].广东：华南理工大学，2012.

[10] 王艳春，秦刚，陈毓.数据挖掘在医保系统中的应用[J].长春理工大学学报，2007，30（2）.

[11] 李纳.社会保障体系中医疗保险的数据挖掘与联机分析研究[D].贵州：贵州财经学院，2011.

[12] 张婧，王书海.算法在医疗保险数据挖掘中的应用研究[J].石家庄铁道学院学报（自然科学版），2008，21（2）. （下转第901页）

（上接第882页）

[13] 李冉冉，卢仿先.决策树算法在基本医疗保险中的应用研究[J].企业技术开发，2008，27（5）.

[14] 秦刚.数据挖掘在医保系统中的应用[D].吉林：长春理工大学，2006.

[15] 常帅.序列模式挖掘在医疗保险上的应用[D].河南：郑州大学，2011.

[16] 林济南.基于商务智能的医院医保业务决策支持系统的研究[J].计算机与现代化，2009，9.

[17] 高臻耀，张敬谊，林志杰，熊斌，朱扬勇.一个医保基金风险防控平台中的数据挖掘技术[J].计算机应用与软件，2011，28（8）.

[18] 何俊华.数据挖掘技术在医保领域中的研究与应用[D].上海：复旦大学，2011.

[19] 秦德霖，高震耀.面向服务的上海医保基金风险防控平台的研究[J].计算机应用与软件，2011，28（4）.

[20] 王月，王伟俊，童庆，熊赟，朱扬勇.一个医保数据仓库的元数据管理解决方案[J].计算机应用与软件，2011，28（8）.

[21] 王顺民.构建基于数据挖掘技术的现代医院信息平台[J].制造业自动化，2011，33（3）.

[22] 张勇，赵峻，于冬.浅谈医保系统与医院信息系统的数据挖掘[J].科学管理，2012，27（7）.

[23] 王爱荣.浅析医疗保险数据信息的采集、开发和利用[J].中国卫生经济，2004，23（1）.

[24] 韦振锦，方华，成春艳.三层结构在医保数据传输中的应用[J].广西科学院学报，2007，23（4）.

[25] 严静东，张才明.依托商业智能系统的医院医保费用分析[J].医院数字化，2009，30（4）.

[26] 王春才，韩贵东，杨玉东，李英韬，张羽医.保数据仓库的单因素方差分析与应用[J].长春理工大学学报（自然科学版），2007，30（4）.

[27] 张良燕，龚卫华，黄德才，刘端阳.OLAM技术在医疗保险系统中的应用研究[J].2007，35（5）.

[28] 石萌.分类模型在社会医疗保险中的应用研究[J].科技与生活，2010，3.

[29] 董韧毅.基于数据仓库的医疗保险信息决策支持系统研究[D].江苏：南京航空航天大学，2008.

[30] 万芳.论数据挖掘在医疗保险决策支持中的应用[J].科技创业家，2011.

[31] 张莎莎，李伟.数据挖掘在城镇医保中的应用[J].电脑知识与技术，2013，8.

数据挖掘分析报告总结 第17篇

【关键词】数据挖掘算法 并行模式

1 数据挖掘的挖掘任务和挖掘方法

跟数据挖掘相关的学科门类较多，其涉及的分类方法多种多样。根据挖掘角度的差异性，可对数据挖掘方法归类。由挖掘任务的不同，可将数据挖掘分为这几种类型：关联规则发现、数据总结、聚类、异常和趋势发现等；由挖掘对象的不同，可将数据挖掘分为：面向对象数据库、文本数据源、异质数据库等；下文根据挖掘任务以及挖掘方法角度，重点对数据抽取、分类发现、聚类和关联规则发现四种非常重要的发现任务进行阐述。一个典型的数据挖掘系统结构一般包括数据库、数据仓库等几个部分。如图1所示。

数据抽取

数据抽取是对给定数据的紧凑描述，其运用的手段就是对数据进行浓缩处理。其中，最简单的一种数据抽取方法就是对数据库中的各字段上的统计值进行计算，这些统计值一般包括和值、均值、方差值等，另外，使用折线图等图形对数据库字段进行表示也是一种比较传统而简单的数据抽取方法。数据挖掘关注的焦点是以数据泛化的视角来讨论数据总结。所谓数据泛化，把低层次的数据抽象到高层次的一个过程。之所以把低层次的数据抽象到高层次，这是因为大家有对视图从较高层次处理或者浏览有关数据的需要，所以，通过对数据进行多层次的泛化是有其合理的解释的。

分类发现

在数据挖掘的所有任务中，分类是其中极为重要的任务之一。在所有商业应用的数据挖掘任务中，分类得到了最大范围的应用。我们知道，分类的目标是构造分类函数或分类模型。在数据库中，数据项在分类模型的作用下映射到某一个给定类别。在分类的用途中，预测是其中一个较为重要的用途。通过预测，从历史数据记录中推论得到给定数据的推广描述，最后实现对未来数据的预测目标。在对分类器进行构造的过程中，必须使用训练样本数据集作为输入。训练集一般由数据库记录或元组构成，其中，元组是由特征向量组成的。样本的一般形式为（u1，u2，...，un；c）；其中 ui为字段值，c为类别。

聚类

聚类是把个体依据某种规律归类成为若干类别的过程。其最终目标是使相同类别的个体之间距离最小，而不同类别个体间距离最大化。对于聚类而言，其研究方法一般有四种：统计方法、机器学习方法、神经网络方法和面向数据库。通过对聚类分析方法的应用实践发现，其仅仅适合于数据库较小的情形，这是因为其不具备线性计算复杂度。

关联规则发现

关联规则发现的主要对象是事务型数据库，针对的应用是货篮数据。一般而言，事务的组成部分不仅包括客户订购的物品，还包括客户的标示号。随着条形码技术不断得到推广和应用，采用前端收款机也可以获得大量的售货数据。所以，通过分析历史事务数据，可从顾客那里得到一些有价值的信息。比如，更好的解决摆放货架商品和规划市场的问题。所以，如果能从事务数据中找到关联规则，这对于零售业等商业活动决策的重要性是不言而喻的。

2 关联规则挖掘的并行算法分析

并行算法的基本概念

所谓并行算法，即对可同时执行的进程集合，通过进程的协调作用，达到求解问题的目的。并行算法的设计是为了使并行机的众多处理机作用得到最大程度的发挥，这样就能更加快速有效解决问题。一般而言，并行算法对并行机存在非常强的依赖性。并行机的不同算法对其有效性会产生影响。

并行计算模型

要想对一个应用问题进行求解，那么设计良好的并行算法极为重要。如果想让并行算法作为一个由程序实现结构依赖的算法，那么抽象的并行计算机结构是非常有必要的。这样才能保障并行算法具有更广泛的适应性。并行计算模型作为一种并行计算机的抽象结构，主要考虑到的是为了并行算法的设计。所以，并行计算模型从实质意义上来讲，它是某一类并行计算机的抽象。

并行挖掘关联规则的算法

在通常情况下，找出频繁项目集的付出的资金要比从频繁项目集中找出关联规则的费用高的多。鉴于此，发现频繁项目集的并行算法就具备了重要的意义。产生候选集的算法的计算工作，通常来讲，可归类为两个步骤。其一为生成候选集，其二为对候选集的计数。为达到处理器间进行工作分配的目的，就需要使事务和候选集分配给各处理器的形式多样化。为达到更优的并发度，候选集可选择并行计算，或者是并行产生，还可以是两者并行完成。

3 小结

数据挖掘算法的并行性可对系统运行速度进行提升，从而提高工作效率，这是因为数据挖掘算法可实现对多个任务的执行。数据挖掘算法并行方式存在差异性，所以，必须根据实际情况使用恰当的挖掘方法，从而让决策的作用得到最大程度的发挥。随着数据量处理规模的逐渐增大，所以，对数据挖掘算法并行性研究的意义是不言而喻的。

参考文献

[1]赵峰，李庆华.并行序列挖掘的一种改进算法[J].华中科技大学学报（自然科学版）.2003，31（10）：38-40.

[2]陈国良，安虹等.并行算法实践[M].北京：高等教育出版社，2004.

[3]马传香，简钟.序列模式挖掘的并行算法研究[J].计算机工程，2005，31（06）.

数据挖掘分析报告总结 第18篇

【关键词】数据挖掘技术；电信客户流失预警；应用

随着电信企业的发展，企业之间的竞争不断加剧，电信运营商也在不断地推出新的业务与套餐，以此来在占领市场竞争高地。但是，与此同时，也大大增加了客户的不稳定性，而数据挖掘技术的应用，有效地降低了客户离网率。因此，对数据挖掘技术在电信客户流失预警中应用的探讨有其必要性。

一、数据挖掘技术应用的重要性

伴随着经济全球化，市场的国际化，目前我国国内市场的竞争也变得日加激烈，因此，电信企业传统的经营模式已经不能够完全适应市场的需要。为此，电信企业的市场战略定位需要从传统的生产型企业向利润型企业进行转化，从而来求更好的生存与发展。为此，这就要求电信企业必须围绕客户展开市场分析，全面了解客户的实际需求，做到服务的层次化、多样化以及全面化，并且提出个性化的解决方案。但是，在市场发展的过程中，由于市场的饱和以及客户发展的减速，这使得电信企业客户的维系成为一个热点问题。因此，在这样的竞争环境下，企业极需完善业务管理系统以及生产系统，引进数据挖掘系统，加强系统构建，如渠道系统、BOSS系统以及综合结算系统等，通过这些系统，收集大量的数据，对企业的运营情况作出具体性的分析，既可以加强对客户消费行为的了解，而且针对企业某项业务在市场中的运行情况进行预测分析和运行情况分析，以指导企业做出更好的解决方案，为企业创造更大的利润。

另外，集成客户数据是电信企业发展最为宝贵的资源，而数据挖掘技术的应用可以将大量的客户数据提取出来，包括现有的客户数据、流失数据、增加数据等，在此基础上，根据客户行为、客户属性以及服务属性，构建相关数学模型，计算与分析客户流失概率，同时，根据这些数据之间的相互关系，得出相关的数学公式，从而来改善企业的促销手段，提高服务质量以及客户忠诚度，预防客户的流失，更为重要的是解决了电信企业传统运营模式上无法监控客户流失、无法实现客户关怀的难题。

二、数据挖掘技术在电信客户流失预警中的应用

对于电信企业而言，海量的客户数据是企业的一笔巨大财富，简单来讲，企业若是能够及时准确地挖掘出数据中的信息，并且从中分析出隐含的价值信息与知识，就能制定出科学的运营方案，才能更好地为客户提供服务，进而在市场竞争中取得一席之地。而数据是从中大量的信息中挖掘出来的规律、知识以及价值模式等，数据的形成是一个复杂的过程，因此，数据挖掘技术的定义可以通过以下图示具体地反应出来：

而所谓的客户流失预警模型的构建就是基于数据挖掘技术的基础上，对电信运营状态以及客户状态的一种分析与判断系统，从本质上讲，就是对数据特征的一种挖掘，同时，也是一种分类问题。通过其主要将客户信息分为两大类，一种是有离网倾向的客户，一种无离网倾向的客户，以数据挖掘技术为基础，对已离网客户的信息进行特征分析，进行总结归纳，并作为参照，若企业产生新的客户信息时，以此来识别其是否存在离网倾向，确定其是否在企业对客户维护开销范围内，若是低于此开销值，则说明其不具有任何产生价值，自然，相关信息也就应该删除。在这里，主要客户流失预警模型中数据挖掘技术的应用进行具体分析：

首先是客户划分。一般而言，对于电信企业，客户划分方法多种多样，如客户年龄、性别以及信用度和支付能力等，这些都可以作为划分客户的具体参照。但是由于一个企业最为主要的目的就是利润的产生，为此，我们应该以客户对企业贡献大小为主要参考依据进行科学划分，具体为三种，即低价值客户、普通价值客户以及高价值客户。

其次是属性分析。在进行客户流失预警分析中，其影响因素是多方面的，而这些因素之间的关系也或强或弱，若以所有属性为标准，那么分析过程显得过于复杂，这样，在实时环境以及追溯目标的过程中，要想识别是存在着一定难度的，但是，若是从中抽取某几个属性，那么系统的预警效果则会大大降低。因此，最为有效的解决方法就是采用约简算法，将这些相互关联的属性进行融合处理，并从中抽取关键性因素，重新构造关键指标，形成新的线性组合，进而获取最有效的价值信息，取得最为有效的预测效果。本文运用多元统计中的因子分析方法，结合SPSS软件，得到一组流失预警中可用的因子（属性）集合，具体内容如表1所示：

第三是特征挖掘。关于数据特征的挖掘具体包括以下几个内容：一是数据抽取，简单来讲，将业务系统中所储存的离网数据信息，进行分析整合，并作为训练数据集合，同时，进行属性约简，将所得到的相关数据输入数据库中，作为模型数据；二是将输入的数据运用慢启动频繁模式进行数据分析与挖掘，归纳流失客户特征信息，并在此基础上，构建相应的分类器；三是输入测试数据，这一部分数据集合主要是由新的客户数据组成，经过约简后，作为测试模型；四是将分类器中的数据特征与挖掘到的新的客户信息进行模式匹配，以此来确定客户是否存在着离网倾向，若是存在离网倾向，那么需要将这些数据反馈给客户挽留系统或者是客户维护系统，从而为客户开展针对性的服务，一方面，为客户部门的服务工作提供了重要参考依据，另一方面，还可以为企业客户维护工作决策提供参考。

三、仿真及结果验证

基于数据挖掘技术的电信客户流失预警模型，在某地电信运营公司展开实地测试，该企业根据其实际情况，构建了客户流失预警模型，并在此基础上，全面展开客户挽留与客户维护工作，同时，根据系统提供的数据信息，分析流失客户的特征，在每月的月初进提供客户名单，该企业在2012年8月的流失预警客户的具体数据如表2所示：

根据客户流失预警模型的分析，得到的流失预警数据，该企业客户服务部门分别在6、7、8月份对8259户、9001户、8975户客户进行了回访，其回访的成功率分别为 、 、，其中，在这些回访的客户中，将近85%以上的客户表达了自己近期有离网打算，但是经过客户部门的回访，结合针对性的处理措施以及挽留措施，99%以上的客户均打消了离网的意图。

四、总结

总而言之，客户流失预警模型的构建通过对客户所处状态的判断，确定客户是否存在离网意图，并且综合企业维护运行成本、客户消费价值、客户属性以及客户使用习惯等，对客户进行细分，针对不同的客户提出不同的营销方式，并在此基础上，通过反馈数据，完善客户服务，提高产品服务质量，最终达到拘留客户的目的。

参考文献：

[1]蒋亚虎.基于SQL Server的OLAM模块研究[J].制造业自动化.2011（16）.

[2]庄仁团.数据挖掘技术在电子政务系统中的应用[J].海峡科学.2011（05）.

数据挖掘分析报告总结 第19篇

一、数据挖掘的基本原理

数据挖掘就是利用数学模型、统计和人工智能技术等方法，把一些高深、复杂的技术封装起来，使人们不用自己掌握这些技术也能完成同样的功能，因而可专注于自己所要解决的问题。数据挖掘按其功能可分为：描述性数据挖掘方法和预测性数据挖掘方法。

1描述性数据挖掘

在取得大量的数据之后，首先要对数据进行总结，也即数据的泛化;在泛化的基础上再对数据进行高层次的处理，包括数据的聚集、关联分析等。

(1)数据总结：数据总结的目的是对数据进行浓缩，给出它们的紧凑描述。数据泛化是一种将数据库中的有关数据从低层次抽象到高层次的过程。

(2)聚集：聚集的目的是要尽量缩小属于同一类别的个体之间的距离，而尽可能扩大不同类别个体间的距离。层次法、密度法、网格法、神经元网络和K-均值是比较常用的聚集算法。

(3)关联分析：关联分析是寻找数据的相关性。关联规则是寻找在同一个事件中出现的不同项的相关性，其核心是使用Apriori算法，找出事物的相应支持度和置信度，最后找到相应的关联规则。

2预测型数据挖掘

在预言模型中，把我们要预测的值或所属类别称为响应变量、依赖变量或目标变量；用于预测的输入变量是预测变量或独立变量。主要通过分类、回归分析、时间序列来建立预测模型。

二、商品销售领域数据挖掘的依据

在商品销售领域采用数据挖掘是商品销售发展到一定阶段的必然要求，它有助于提高商品销售效率，降低商品销售成本。其理论依据有消费者消费行为、细分市场理论、顾客关系、顾客数据库和直接商品销售。

在制定商品销售计划之前，商品销售者需要研究消费者市场和消费者行为。在分析消费者市场时，公司需要了解市场情况，购买对象，购买目的等因素。通过搜集顾客消费数据，采用数据挖掘技术，可以简洁、明了地得到这些信息。

三、商品销售中的数据挖掘过程

1商品销售目标理解

在进行数据挖掘之前，必须从商品销售角度去分析要达到的目标和需求，也即要分析什么商品销售问题，达到什么商品销售目标。首先对商品销售现状进行分析，找出存在的问题，并确定需要实现的营销目标，再将商品销售目标转换成数据挖掘目标，然后将这种知识转换成一种数据挖掘的问题定义，并设计一个达到目标的初步计划。

2数据理解

先搜集初步的数据，然后进行熟悉数据的各种活动，包括识别数据的质量问题，找到对数据的基本观察，或假设隐含的信息来检测感兴趣的数据子集。

3数据准备

首先进行数据抽样，从大量数据中筛选出一些相关的样板数据子集。通过对数据样本的精选，不仅能减少数据处理量，节省系统资源，使数据更加具有规律性。然后，进行数据探索，通常是所进行的对数据深入调查的过程，从样本数据集中找出规律和趋势，用聚类分析法区分类别，最终要达到的目的就是搞清多因素相互影响的复杂关系，发现因素之间的相关性。最后，需要对数据进行调整，通过上述两个步骤的操作，对数据的状态和趋势有了进一步的了解，这时要尽可能对解决问题的要求进行明确化和进一步的量化。

4建模

数据挖掘分析报告总结 第20篇

社会的不断进步，高端科学技术在社会上的广泛应用，人们生活质量也在不断提高。同样教育行业的教学质量也在不断地提升，教学方法和手段不断处于更新换代过程中。近几年来，数据挖掘技术在教育领域中不断地得到应用，为学校、教师、学生都提供了便利的教学条件，而对于数据挖掘技术在教育领域的应用也受到广泛的关注，本技术在大学英语考试结果中的应用属于重要的一方面。

一、数据挖掘的定义

数据挖掘属于数据分析的一种，即在大量的数据信息资料中的筛选出与人们特定的要求相符和的数据内容。数据挖掘就是通过全智能化的途径，在众多的、不确定的、海量的信息中总结和分析出，原本就存在的但不易被人们感知，具有总结性特点的相关内容。

二、数据挖掘的方法和步骤

1.数据挖掘的分析方法。数据挖掘分析方法主要包括聚类分析、决策树和人工神经网络。

（1）聚类分析就是将具有相同或相似特点的研究对象进行整合，通过数据挖掘技术的分析过滤，在无序的、混乱的研究对象中，输出其中被隐藏的、不明显的的行的特点结果。

（2）决策树是数据挖掘中的另一方面，具有对研究对象进行分类和预测的作用。也就是对众多分析对象按照一定的要求进行重新分组，并达到对某些事项预测结果的目的。

（3）人工神经网络是指类似于人的大脑的神经分布与信息处理的一种分析方法。

如图1所示。

2.数据挖掘的步骤。数据挖掘涵盖了四个部分：目标定义、数据收集、数据分析、数据挖掘结果评析。

（1）数据挖掘的目标定义是指人们利用数据挖掘技术所要的达到的最终目的和预期结果。

（2）数据收集是指确定了数据挖掘目标以后，所要进行的对相关数据的收集和整理，即人们所说的对研究对象的集中。

（3）数据分析是指在完成数据收集之后，通过使用数据挖掘技术，运用上述三种方法对研究对象进行集中处理。

（4）数据挖掘结果评析是指数据挖掘的最终的结果的输出，即预期目标的实现。如图2所示

三、数据挖掘技术在大学英语考试中的应用

在大学英语考试中，数据挖掘技术的应用主要体现在对于学生的身份、考试内容、考试成绩结果等方面。按学生的学号、姓名、年级、指导教教师等标准，进行数据挖掘，分析学生的分布情况。考试内容是指针对于考试内容的难易层次、答题正确率情况，进行数据收集，通过数据挖掘技术，分析学生考试成绩高中低的大体情况，从而确定以后考试试题的难易程度，对应不同层次的学生。

整个考试流程的最终目的是，通过数据挖掘技术，对考试成绩进行分析评估，提取出学生各个层次学生对教学过程中英语知识的掌握程度，进行有针对性的教学，改善教育方法，提高教育水平。

语言是人们与外界沟通的最重要的媒介。英语作为世界上应用最广泛的语言，英语的学习最为关键。大学英语考试是大学教学对大学生的英语接收程度的一种考核方法，大学英语考试结果运用数据挖掘技术，有助于提升教师对考试结果了解效率，化解教与学之间的隔阂，优化大学英语教育方法，提高教学水平。

参考文献：

[1]张和华，向华，吴旋.数据挖掘技术在医疗设备行业中的应用研究[J].中国医学装备，2015，10（01）：48-50.

数据挖掘分析报告总结 第21篇

所谓数据挖掘，就是将那些隐含的在数据中的、不能先知以及包含潜在价值的大量信息，从数据中提炼出来以供技术人员参考分析。通过数据挖掘理论所得到的信息，可以为地理信息的测绘提供依据，并且还具有预测和决策的功能。为了能够得到更加精确的信息，我们建立了数据采集平台。数据采集平台侧重于数据的收集，将大量的数据进行有效的汇总，使之转化成有助于测绘地理信息管理和决策的有效信息。我们在实际工作中，常常可以看到，由于对数据没有进行系统科学的分析，使得一些潜在的威胁留在了我们要做的工程中，甚至会为此丧失掉很多利益。如果我们不能够尽力把威胁清除掉，后果可能不堪设想，数据表面，看不出东西（即其隐藏的信息量），绝对是关键所在。因此，我们不仅要做好数据采集工作，更要有效的利用好数据挖掘理论，做好数据分析工作，充分挖掘出这些数据背后所带来的意义。

1数据挖掘的功能

在测绘地理信息技术领域，数据挖掘理论能够将采集的数据转化为我们需要的知识。下面就数据挖掘的功能，并结合其在数据采集中的运用，我概括了几点，主要功能有以下几点：1）聚类功能。即按照数据内在的规则，把数据聚合分类；2）关联分析功能。关联分析是从数据库中发现知识的一类重要方法。当建立在多次检测的基础上的某两个或多个数据之间算出来的数据相似，差异极小的时候， 那么我们就说这些事件之间存在着某种关联， 能够建立起这些关联项的关联规则；3）分类功能。将不同数据按照不同的分类标准进行分类组合；4）偏差检测功能。对那些不常见，极端的特例进行归档分析， 并揭示其发生偏差的原因，以便以后好做调整；5）预测功能。通过数据信息所显示的一些潜在的知识，我们能够做好对未来测绘数据的预测。实践证明，事物的联系是普遍存在的，即数据挖掘的各项功能协调组合，以便发挥更大的作用。数据挖掘通过对数据的总结、分类、聚类和关联等分析， 对采集的数据进行深层次的剖析，把那些潜在的东西给挖掘出来，便于技术人员的管理与预测。

2 “数据挖掘”理论在数据采集平台上的应用基础

数据采集平台的建立

由于科技发展的需要，数据采集平台应势而生。数据采集平台，是一个拥有大量数据的数据库。据最新的统计数据显示，整个平台采集一次便可产生多达50万以上的数据量。数据采集平台最大的作用就是能够产生巨大的数据。

我们知道数据本身就是数据而已，不能够得到对我们有帮助的东西。而数据挖掘理论，基于相应的知识，做出极具准确性的预测性，能够把单纯的数据，通过总结、分类、聚类、偏差检测和关联等功能可以把那些分散在数据库里面的各种数据，进行综合分析整合。数据挖掘理论，是以对数据的分析作为基础的，其功能与分析方法对数据采集平台管理和运用，有着不可估量的作用和意义。

“数据挖掘”理论应用基础

由于科技的不断发展，数据库不断充实，数据采集平台也在不断的完善和发展中。在国家政策，和科技不断发展的趋势下，数据采集平台近几年来，其结构和采集信息量上也发生了翻天覆地的改变。主要表现在版本、汇总部分字段以及采集字段上。即：版本不断的更新，由原先的“08c版”一直发展到现在的“10a001版”； 汇总部分字段和采集字段的增加，使得数据库里的数据成海量的增长，甚至多达数十万。这样使得数据采集平台更加规模化，同时也加强了数据与数据之间的联系，这也使得采集的数据成了 “数据挖掘”的数据基础，给了“数据挖掘”一个更好的平台。也为技术人员运用数据挖掘理论提供了数据来源。

3 “数据挖掘”理论在数据采集平台上的实际应用

在上面我笼统的介绍了数据挖掘的基本功能，即分类、估计、关联、聚类、偏差检测和预测。在这里我具体的介绍一下“关联规则挖掘” 理论。通过“关联规则挖掘”理论，我们知道，如果仅仅是单独、孤立的数据，那是形成不了重要信息的，但是，如果我们将那些相互关联的数据集中起来，并从不同的角度，不同的方面去分析这些数据，那么潜伏在这些数据表面以下的部分就会浮出表面，这样我们就能看到事物的全部。这对我们做决策有着重要的意义。所以我们要可以通过“关联规则挖掘”理论辨证的去分析事物内部所蕴含的关系。相反，如果只是盲目的看到表面的数据，甚至割裂地、孤立地去看待数据，这样不仅找不到数据与数据之间关联关系，更不能通过聚合这些相互关联的数据，这不能做出科学有效的决策。在测绘地理信息的时候，“关联规则挖掘”的理论，为我们提供了更广阔的分析方法和思维模式，为我们做出正确合理的决策提供了理论依据。在实际操作中，我们感觉到任何一个重要问题的分析，我们都要依赖“关联规则挖掘”理论，对具体的数据进行科学分析，以呈现其数据和事物之间的关联性。

4 结论

结合个人的工作经验和实际操作，就数据挖掘理论在数据采集中的应用展开了探讨和研究。介绍了数据挖掘的功能；“数据挖掘”理论在数据采集平台上的应用基础：数据采集平台的建立和“数据挖掘”理论应用基础；以及“数据挖掘”理论在数据采集平台上的实际应用。但是由于自身学识和理解的局限性，说的不是很全面，只是希望大家可以关注一下数据挖掘理论在数据采集中的应用，并能在你所在的领域内有所应用。

参考文献

[1]谭广宇.数据挖掘理论在状态数据采集平台上的应用[J].广西教育，2011（6）.

[2]蒋盛益，李霞，郑琪.数据挖掘原理与实践[J].图书，2011（8）.

数据挖掘分析报告总结 第22篇

[关键词] 数据挖掘 数据仓库 知识发现

随着计算机网络与数据库技术的迅速发展和广泛应用，各单位拥有的数据量与日俱增，而传统的数据库管理系统（DBMS）仅能提供数据的存取和查询，如何从信息海洋中提取有价值的知识，从而为企业的业务决策和战略发展服务，进一步提高信息的利用率，这就引发了一门新兴的自动信息提取技术――数据挖掘和知识发现（Data Mining and Knowledge Discovery in Databases），并逐渐形成了一个热门研究方向。

基于数据库的知识发现(KDD)一词最早是在_年8月于美国底特律市召开的第一届KDD国际学术会议上正式形成的。1995年，在加拿大召开了第一届知识发现和数据挖掘国际会议。2002年，麻省理工学院的《科技评论》杂志提出未来5年对人类产生重大影响的10大新兴技术，“数据挖掘”位居第三。

一、数据挖掘与知识发现

数据挖掘（Data Mining），又称为数据采掘、数据开采等。数据挖掘是从大量的数据中抽取出潜在的、不为人知的有用信息、模式和趋势。数据挖掘是一种决策支持过程，它主要基于人工智能、机器学习、统计学等技术，高度自动化地分析企业原有的数据，作出归纳性的推理，从中挖掘出潜在的模式，预测客户的行为，帮助企业的决策者调整市场策略，减少风险，做出正确的决策。其中需要强调的几点是:得到的必须是有用的信息;得到的必须是清晰、明确的信息;要有一个很快的、可行的算法。

数据挖掘不同的术语和定义：data mining， knowledge discovery， pattern discovery， data dredging， knowledge， data archeology。

一般认为数据采掘是数据库中知识发现（Knowledge Discovery in Database，简称KDD）的一个环节，是采用具体的数据采掘算法从数据中自动高效地提取有用模式的过程，而KDD是包含数据采掘、数据准备等环节的循环往复过程。在KDD研究领域一致认可的描述性定义是Fayyad等人给出的，定义如下:KDD是从数据集中识别出有效的、新颖的、潜在有用的、以及最终可理解的模式的非平凡过程。知识发现由以下步骤组成:⑴数据清理：消除噪声或不一致数据。⑵数据集成：把多种数据源组合在一起。⑶数据选择：从数据库中检索与分析任务相关的数据。⑷数据变换：数据变换或统一成适合挖掘的形式，如通过汇总或聚集操作。⑸数据挖掘：使用智能方法提取数据模式。⑹模式评估：根据某种兴趣度度量，识别表示知识的真正有趣的模式。⑺知识表示：使用可视化和知识表示技术，向用户提供挖掘知识。

对这两个术语更严格的区分是在KDD96国际会议上：Fayyad，Piatetsky-Shapiro和Smyth指出：知识发现是从数据库中发现知识的全部过程，而数据挖掘则是此全部过程的一个特定、关键步骤。事实上，在现今文献的大多数场合，这两个术语仍然不加区分地使用着。

同时需要指出的是，这里所说的知识发现，不是要求发现放之四海而皆准的真理，也不是要去发现崭新的自然科学定理和纯数学公式，更不是什么机器定理证明。所有发现的知识都是相对的，是有特定前提和约束条件、面向特定领域的，同时还要能够易于被用户理解，最好能用自然语言表达发现结果。因此DMKD的研究成果很讲求实际。

二、数据挖掘的对象及任务

1.数据源

根据信息存储格式,用于挖掘的对象有关系数据库、面向对象数据库、数据仓库、文本数据源、多媒体数据库、以及环球网Web.目前,用于数据挖掘的数据源主要是关系数据库、数据仓库、和环球网Web.

2.主要任务

(1)数据总结

数据总结的目的是对数据进行浓缩，给出它的紧凑描述。数据挖掘主要关心从数据泛化的角度来讨论数据总结。数据泛化是一种把数据库中的有关数据从低层次抽象到高层次上的过程。

(2)分类

分类的目的是建立一个分类函数或分类模型(也称作分类器)，该模型能把数据库的数据项映射到给定类别中的某一个。例：信用卡申请者，分类为低、中、高风险。

(3)聚类

聚类是把一组个体按照相似性归类，即“物以类聚”。它的目的是使属于同一类别的个体之间的距离尽可能地小，而不同类别的个体间的距离尽可能地大。例:①一些特定症状的聚集可能预示了一个特定的疾病。②租VCD类型不相似的客户聚集，可能暗示成员属于不同的亚文化群。

聚集通常作为数据挖掘的第一步。例如，“哪一种类的促销对客户响应最好？”，对于这一类问题，首先对整个客户做聚集，将客户分组在各自的聚集里，然后对每个不同的聚集，回答问题，可能效果更好。

(4)关联规则

决定哪些事情将一起发生。是形式如下的一种规则，“在购买面包和黄油的顾客中，有90％的人同时也买了牛奶”(面包+黄油+牛奶)。关联规则发现的思路还可以用于序列模式发现。用户在购买物品时，除了具有上述关联规律，还有时间或序列上的规律。例:①超市中客户在购买A的同时，经常会购买B，即A=>B(关联规则)。②客户在购买A后，隔一段时间，会购买B（序列分析）。采用关联模型比较典型的例子是“啤酒和尿布”的故事。

三、数据挖掘的应用及效益

应用是数据挖掘的目标。数据挖掘技术不仅是面向特定数据库的简单检索查询调用，而且要对这些数据进行微观、中观乃至宏观的统计、分析、综合和推理，以指导实际问题的求解，企图发现事件间的相互关联，甚至利用已有的数据对未来的活动进行预测。其应用范围涉及社会的所有领域，在商业上的应用尤其受到重视。各个领域在KDD应用上既有相同之处，又有各自不同的独特地方。

1.典型应用领域

（1)科学应用

在生物界，开发了HMMS两个智能发现系统，已经用于基因发现和构造核糖核酸模型。天文学上非常有名的系统是加州理工学院喷气推进实验室与天文科学家合作开发的用于帮助天文学家发现遥远的类星体的一个工具SKICAT。利用SKICAT，天文学家已发现了16个新的极其遥远的类星体。SKICAT使用了决策树方法构造分类器，结果使得能分辨的星体较以前的方法在亮度上要低一个数量级之多，而且新的方法比以往方法的效率要高40倍以上。

（2)市场销售

数据采掘在销售业上的应用可分为两类：数据库销售（database marketing）和篮子数据分析（basket analysis）。前者的任务是通过交互式查询、数据分割和模型预测等方法来选择潜在的顾客以便向它们推销产品，而不是象以前那样盲目地选择顾客推销；后者的任务是分析市场销售数据（如POS数据库）以识别顾客的购买行为模式，从而帮助确定商店货架的布局排放以促销某些商品。

（3)金融投资

典型的金融分析领域有投资评估和股票交易市场预测，分析方法一般采用模型预测法（如神经网络或统计回归技术）。这方面的系统有Fidelity Stock Selector，LBS Capital Management。前者的任务是使用神经网络模型选择投资，后者则使用了专家系统、神经网络和基因算法技术辅助管理多达6亿美元的有价证券。

贷款偿还预测和客户信用政策分析。将数据挖掘技术中的特征选择和属性相关性计算应用到贷款偿付预测和客户信用政策，有助于识别重要因素，剔除非相关因素，使银行优化调整贷款发放政策。

（4)欺诈甄别

银行或商业上经常发生诈骗行为，如恶性透支等。这方面应用非常成功的系统有：FALCON系统和FAIS系统。FALCON是HNC公司的开发的信用卡欺诈估测系统，它已被相当数量的零售银行用于探测可疑的信用卡交易；猎鹰的数据格式只有几种，因为流行的信用卡公司只有几家（如VISA，MASTER等），因此它的应用面很大。FAIS是一个用于识别与_有关的金融交易的系统，它使用的是一般的政府数据表单。

（5)产品制造

在产品的生产制造过程中常常伴随有大量的数据，如产品的各种加工条件或控制参数，这些数据反映了每个生产环节的状态，通过数据挖掘对这些数据的分析，得到产品质量与这些参数之间的关系，可以对改进产品质量提出针对性很强的建议，而且有可能提出新的更高效节约的控制模式，从而为制造厂家带来极大的回报。

（6)Internet的应用

Internet的迅猛发展，尤其是Web的全球普及，使得Web上信息量无比丰富，Web上的数据信息不同于数据库，数据库有规范的结构，Web上的信息则不然，主要是文档。因此Web上的开采发现需要用到不同于常规数据库开采的很多技术。Web信息发现也称信息搜索或查询，资源发现本质上是网上搜索，关键在于自动生成Web文档的索引。目前,这方面的研究主要有两个方面：研制新的更好的索引系统、利用已有索引系统或搜索引擎开发高层次的搜索或发现系统。相比之下，后者的研究更为活跃。从技术上看，自动文档分类或归类方法将对这方面的研究有很大作用。

（7)学校教育

学院分析学生历史信息，决定哪些人愿意报考何专业，发送手册给他们。分析教师的学历、年龄、职称等与授课效果的关联规则，制定教学方案，促进教学质量的提高。

总之，DM可广泛应用于银行金融、零售与批发、制造、保险、公共设施、政府、教育、科研、远程通讯、软件开发、运输、生物信息或基因等各个企事业单位及国防科研上。

2.数据挖掘带来的效益

截止到目前，数据挖掘工程在很多领域取得了成果。这些成果使得各类机构和组织能更好地理解它们的组织结构、业务处理过程和顾客，从而得到很高的投资收益。在某些情况下，仅仅一小部分数据挖掘所得到的知识就能回报最初的投资。世界著名的GartnerGroup咨询顾问公司预计：不久将来先进的大企业将会设置“统一数据分析专家”的职位。

例如：①美国著名国家篮球队NBA的教练，利用某公司提供的数据挖掘技术，临场决定替换队员，从而赢得比赛，在数据库界被传为佳话。

②全球数据仓库与CRM解决方案领导厂商NCR公司（纽约股票代号NCR）Teradata的数据挖掘实验室基于20多年丰富的行业经验，协助包括银行、电信、航空、证券和保险在内的各行业企业善用商业数据挖掘，构筑竞争优势。据了解，全球前50大银行中，有一半以上采用NCR的Teradata企业级数据仓库解决方案，尤其是全球获利的前15大银行中就有8家是NCR的用户。

四、结束语

综上所述，数据挖掘虽然是一门新兴的技术，但有着鲜明的服务性、大众性、利益驱动性，显示了它强大的生命力。根据最近Gartner的HPC研究表明，“随着数据捕获、传输和存储技术的快速发展，大型系统用户将更多地需要采用新技术来挖掘市场以外的价值，采用更为广阔的并行处理系统来创建新的商业增长点。” 数据挖掘将助你在海量数据面前迅速找到闪亮的知识，找到隐藏的商机，从而立于不败之地。相信在不远的将来数据挖掘会迅速普及。

参考文献：

[1][加]Jiawei Han. Micheline Kamber 著:数据挖掘：概念与技术[M].范明，孟小峰等译.北京:机械工业出版社，

[2]陈安陈宁:等著.数据挖掘技术及应用[M].科学出版社,

数据挖掘分析报告总结 第23篇

核心： 1、质量分析 2、特征分析（分布、对比、周期性、相关性、常见统计量） 数据清洗： 1、缺失值处理（通过describe与len直接发现，通过0数据发现） 2、异常值处理（通过散点图发现） 一般遇到缺失值，处理方式为（删除、插补、不处理） 插补的主要方式有：均值插补、中位数、众数、固定值、最近数据、回归插补、拉格朗日插补、牛顿插补、分段插补等 异常值一般视为缺失值、删除、修补、不处理等 数据集成： 把不同来源的数据放在一起，但是一定要做好实体识别与冗余属性识别，避免数据整合错误及数据重复 技巧： 1、观察数据，发现其中关系，详细查看是否有同名不同意，同意不同名的情况 2、进行数据读取与整合 3、去除重复数据 数据变换： 简单变换 目的是将数据转换为更方便分析的数据 简单变换通常使用函数变换的方式进行，常见的函数包括：开方、平方、对数等 数据规范化 离差标准化（最小-最大标准化） 消除量纲（单位）影响以及变异大小因素的影响 x1=(x-min)/(max-min) 标准差标准化（零-均值标准化） 消除单位影响以及变量自身变异影响 x1=（x-平均数)/标准差 平均数为0，标准差为1 小数定标规范化 消除单位影响 x1=x/10**(k) k=log10(x的绝对值的最大值) 连续型数据离散化 等宽离散化 (data,k(等分为几份），labels=[“小”,“中”,“大”]) 非等宽离散化 (data,[3,6,10,19]，labels=[“多”,“适中”,“少”]) 等频率离散化（相同数量的数据放到每个区间内） 一维聚类离散化 属性构造 属性规约（与数值规约一样都是为了精简数据） 主成分分析PCA：主要用作数据降维 from import PCA 数值规约 文本挖掘 中文jieba库 文本相似度分析 tf-idf 封装在Gensim 稀疏向量 相似度计算的步骤： 1、读取文档 2、对要计算的文档进行分词 3、对文档进行整理成指定格式，方便后续进行计算 4、计算出词语的频率 5[可选]、对频率低的词语进行过滤 6、通过语料库建立词典 7、加载要对比的文档 8、将要对比的文档通过doc2bow转化为稀疏向量 9、对稀疏向量进行进一步处理，得到新语料库 10、将新语料库通过tf-idf model进行处理，得到tf-idf 11、通过token2id得到特征数 12、稀疏矩阵相似度，从而建立索引 13、得到最终相似度结果

数据挖掘分析报告总结 第24篇

数据探索 检查数据错误，了解数据分布特征和内在规律 数据预处理 Data cleaning Data integeration Data transformation Data reduction import pandas as pd isnull 看下有没有缺失值 dropna 有空值就删除 fillna 对空值进行填充 (method = ‘ffill’) 上一个非缺失值填充 (method = ‘bfill’) 下一个非缺失值填充

数据挖掘分析报告总结 第25篇

在社会经济发展的过程中，地理信息测绘技术也得到了迅速的发展。因此，在现阶段地理信息测绘技术的应用过程中，就应该通过数据挖掘理论的应用实现数据的采集，从而实现科学化的信息技术处理。

【关键词】数据挖掘 理论基础 数据采集 实践应用

数据挖掘理论，可以在地理信息测绘的过程中，为测绘系统提供依据，而且也可以实现预测及决策的功能，而在理论依据应用的过程中为了得到有效性的信息，就应该建立数据采集平台。但是，在现阶段数据挖掘理论的应用过程中，仍然存在着一定制约性的因素，为整个数据内容的采集带来了制约性的影响，因此，应该逐渐优化我国测绘地理信息事业的技术理念，从而在经济发展的同时实现数据挖掘的核心理念，如果在数据采集系统的应用过程中，没有得到有效性的数据内容，就会为整个地理信息测绘技术的建立造成严重性的影响。因此，在现阶段技术逐渐优化的过程中，应该实现系统性、科学性数据挖掘理论以及数据采集平台的建立，从而为测绘技术的应用营造良好的空间。

1 数据挖掘的基本含义及功能分析

数据挖掘的基本含义

数据挖掘主要是指：在实践过程中所产生大量的、模糊的以及随机数据中，提取出隐藏在数据中的潜在性数据内容，对于提取处理的数据进行系统性的分析，处理，从而发现数据与数据之间的关联性，为地理信息测绘技术的优化奠定良好的基础。而且，在理论应用的过程中也可以实现新型的技术处理形式，同时也可以实现大量的业务数据转换、分析等模型的处理。也就是说，数据挖掘是一种深层次数据分析理念，与传统的测量方式存在着一定的差异性，而且，其目的的结果主要是用来分析数据的价值，验证命题的正确性。而数据分析主要是指，在没有明确假设的前提之下挖掘信息的关联性，对于挖掘出的信息而言，对测绘技术的设计具有一定的应用价值。

数据挖掘的功能性分析

在测绘地理信息技术的分析过程中，其数据挖掘的理论可以将采集到的数据转化为相关的测绘知识，再通过对数据内容的运用，可以实现以下几种功能：第一，是聚类功能，就是按照数据内在的规律，将数据聚合分类；第二，是关联分析功能，主要是在数据分析的基础之上发现重要的问题形式，并建立多次的检测形式，在分析的过程中如果发现数据之间的差异性较小，也就说明在数据挖掘的同时存在着一定的关联性；第三，分类功能，通过对不同数据内容的分析可以发现，其分类的内容及标准会形成不同的检测形式，而且，在分类偏差系统的优化过程中，可以对技术进行科学化的调整，从而优化功能性的问题分析。在实践的过程中可以发现，事物是具有一定内在联系的，为了充分实现数据的总结、分类以及聚类，就应该对采集的数据进行系统性的分析，从而为技术人员的工作提供充分性的保证。

2 数据挖掘理论在数据采集中的应用

建立科学化的数据采集平台

随着科学技术的之间发展，数据采集以及平台应用理念逐渐推出，在数据采集平台的建立，可以实现大量的数据储蓄，根据最新的统计显示可以发现，一个完整的数据采集平台一次就可以形成50万以上的数据。而在数据分析的过程中很多数据是表面上的数据，而通过数据挖掘理论系统的建立，与数据挖掘理论进行充分性的融合，可以做出准确性的预测性分析，从而也可以将单独的数字进行总结、分析以及管理分析，将分散性的数据进行系统性的整合，从而挖掘出隐藏在系统中的信息，同时也可以实现技术应用过程中的管理及优化的技术处理形式。

数据挖掘的应用基础

由于科学技术的不断优化，数据库的储存量不断充实，导致数据采集需要在不断完善中得到发展。而且，随着信息储备量的增大，数据平台的信息量储存发生了很大的变化。首先，系统的版本得到了不断的更新，例如，Web数据采集中的系统版本，由08c版转变为现阶段的10a001版；其次，是汇总部分字段以及文字采集的阶段，数量逐渐增加，从而使数据采集平台形成了规模化的发展。而且，在整个过程中也不断强化了数据与数据之间的关联性，为数据挖掘理论的应用提供了基础平台，同时也为技术人员合理的运用数据挖掘理论提供了充分性的保证。

关联规则的挖掘理论

在关联规则的使用过程中，主要是将独立的、单独的数据内容进行充分性的结合，从而多角度、多方位的分析某一事物的变化。对于初次使用数据平台的技术人员而言，在数据采集的过程中，如果要根据数据采集的现状，对测评系统进行合理化的设计，是十分困难的，他们在分析的过程中，很难发现数据与数据之间的关联性。因此，在现阶段数据挖掘理论基础的建立过程中，就应该充分的认识到这一点内容。在工作的过程中全面培养技术性人才，通过对员工工作状态的分析，发现存在的问题，然后在制定出科学化的工作决策理念，从而为员工树立正确性的发展方向。与此同时，数据采集平台只是为了提供数据，而在数据挖掘理论内容的分析过程中，是为了发现数据与数据之间的关联性，挖掘出数据检测中的基本理念，从而在根本意义上为技术的应用建立科学性的依据。

3 结束语

总而言之，在数据挖掘平台建立的过程中，为了实现数据采集平台的应用技术，就应该在采集平台建立的同时，强化数据挖掘的理论基础，从而实现数据处理的合理性。但是，在整个理念应用的过程中，由于其自身的局限性，所以在使用的过程中，应该对测绘技术进行合理化的分析，优化数据的采集，从而为整个数据挖掘的理论性应用提供合理化的依据。

参考文献

[1]许敏.数据挖掘理论在数据采集中的应用[J].科技传播，2013，21：222+211.

[2]崔彬.数据挖掘中多维数据可视化的研究[D].武汉理工大学，2006.

[3]谭广宇.数据挖掘理论在状态数刁尾采集平台上的应用[J].广西教育，2011（6）.

数据挖掘分析报告总结 第26篇

关键词： 中医学术流派 数据挖掘 银屑病

自古以来，中医学术流派林立，既互相争鸣，又互相渗透、取长补短。它们的发展和研究促使中医药基础理论逐渐得到了拓展和深化，促使中医药临床实践技术逐渐得到了进步和提升。可以说，中医学术流派的发展和研究促进了中医药事业的发展［1］。

中医学术流派研究的前提是要对其进行科学划分并确定研究内容。随着科学技术进步和中医学术研究的日益广泛深入，中医学术流派的划分方法不断进步、完善。徐江雁等［2］提出的核心分类模式既涵纳纵向的学术思想传承,又兼容横向的学术思想渗透，有一定的先进性，值得借鉴。我们在“中医皮肤科赵炳南学术流派及其传承研究”的课题中，从以下两方面划分学派和确定研究内容：其一，以创新的学术思想为核心：通过对中医皮肤科赵炳南学术流派学术渊源、基础理论、特色经验、技术方法等的系统研究，确立中医皮肤科赵炳南学术流派学术思想体系；其二，以开放的医家群及其著述为核质：不论是赵炳南门户师承所得,还是博采众家之说,也不论是公开发表的论文、论著、会议交流的文字材料,科研成果、发明、专利,还是口述史料, 只要是中医皮肤科赵炳南学术流派有关方面的内容，皆囊括在其核质之中。

针对上述研究内容，按照以往的研究方法，可以以人、以疾病、以方药或以思维方法为线索进行文献整理、分析和总结，或者以临床流行病学的方法进行临床观察和总结［3～7］。这些方法在一定程度上能总结规律，指导临床实践，但存在以下不足之处：①对学术思想和诊疗经验缺乏系统地有机关联研究和比较研究；②难以反映疾病诊疗过程中中医辨证的多维时空和非线性特征；③缺乏符合中医特点的多因素信息处理技术，可能致使研究结果产生混乱和差错；④难以真正反映中医学术流派的内涵和精髓。鉴于以往研究存在的问题，我们引进了数据挖掘技术进行中医学术流派研究。

1 数据挖掘及其在中医药领域的应用

数据挖掘概述数据挖掘（DM：DataMining）就是从大量的、不完全的、模糊的、随机的数据中，提取隐含在其中的、人们事先不知道的，但又是潜在有用的信息和知识的过程［8］。它是一门交叉学科，汇聚了数据库、人工智能、统计学、可视化，并行计算等不同学科和领域。其中的人工智能能模仿人类对非线性、不完全、不精确和不确定信息的智能处理，具有良好的容错性、鲁棒性和高精度等综合技术优势［9，10］。人工智能方法主要包括人工神经网络、模糊系统、进化计算、粗糙集理论、支持向量机（SVM）等。针对不同的挖掘目标，往往要将几种方法综合起来应用，以发挥各自的技术优势。此外，将人工智能和其他数据挖掘方法如聚类分析、决策树、关联规则等优化组合应用，更能发挥数据挖掘技术解决复杂问题的能力。

数据挖掘在中医药领域的应用数据挖掘技术能针对医学数据多态性、不完整性、时间性和冗余性的特征实施合理的数据处理和知识提取［11］。它应用于中医药领域主要表现在以下几方面［12～16］：

新药开发研究以一种新的、建立在充分利用几千年积累下来的丰富经验及现代科学技术所提供的信息基础上的模式进行研究。

复方配伍规律和方证相应研究数据挖掘技术可以在一定程度上发现和认识临床病症与复立组方关系、复方药物的配伍关系、药味之间的相互作用关系等。

中医药信息化研究对以古语言和纯文本为主的中医药理论和实践进行结构化解析是中医药信息化研究的重要内容,其中的某些内容可以通过对文本的数据挖掘来实现。

中医药专家系统研究对中医药专家“只可意会,不可言传”的把握诊治疾病规律的定性描述、模糊概念，采用数据挖掘技术进行多层面智能分析,在一定程度上可将它们以可理解的规则或模式表达出来,从而大大丰富专家系统的知识库。

中医药文献研究数据挖掘技术应用于文献研究可以提高文献研究的水平，提高文献利用的效率，进而能提高中医药科研工作的效率。

2 数据挖掘在中医学术流派研究中的应用

以“中医皮肤科赵炳南学术流派及其传承研究”中的银屑病数据挖掘为例，简要说明挖掘的步骤和挖掘的工具及算法。

实施数据挖掘的步骤

根据全球首个数据挖掘行业通用的模型标准（CRISP-DM），银屑病数据挖掘过程可分成6个阶段。

理解问题明确和细化研究目标。

理解数据熟悉所采集的有关银屑病数据的类型和存在形式，在此基础上初步进行数据质量鉴定，并建立数据库。

准备数据有关银屑病的数据中存在着大量不完整的、冗余的和不一致的数据。在进行数据挖掘时，首先要对其进行处理。处理过程包括数据抽取、清洗、转换和加载。

建立模型针对研究目标，利用已知的数据和知识建立分析模型，并将该模型有效地应用到未知的数据或相似情况中测试并修正模型，如此反复进行以得到最优模型。

方案评估在模型最后付诸实施以前，彻底地对模型进行评估，再回顾构造该模型的步骤，以确定该模型真正能够达到预定的挖掘目标。

方案实施基于以上5方面的工作，采用相应的数据挖掘工具和算法进行多次反复、多次调整、不断修订完善的数据挖掘。

数据挖掘的工具和算法

数据挖掘分析报告总结 第27篇

关键词：数据挖掘；通信行业；客户关系；管理工作；开展进程

随着社会经济的快速发展，通信行业的发展规模及数量不断扩大与增多，但在激烈的市场竞争环境下，相关企业的生存与发展均面临着诸多的挑战，为了占领更多的市场份额，实现企业稳定与长足进步，并获得良好的综合效益，客户关系管理得到了人们高度关注。近些年，通过国内外学者的不断努力研究，随之出现了数据挖掘技术，其作为先进的现代化技术，应用日渐广泛与普遍，但关于其在通信行业的研究报道较少。因此，介绍了数据挖掘技术的基本概念，探讨了其有关流程，同时重点分析了其在通信行业客户关系管理中的应用，旨在进一步完善有关理论，并为有关人士提供借鉴。

一、数字挖掘的基本概念探究

数据挖掘可以实现用户的信息资源的相互交流和传递。同时数字挖掘技术的应用，对于信息传递的流程存在着专门的定义和限制，具有强大的信息检索功能。例如，应用数据统计模块查找定向信息，或者应用互联网的搜索功能进行相应的网页或者是网站的查找，则是数字挖掘技术中的信息检索（）领域的技术。随着数据挖掘技术的应用范围和应用种类的不断扩张，当下数据挖掘技术已经被广泛的应用于信息检索工作的开展进程中。根据当下数字挖掘技术的主要应用特点和应用方向，主要可以将技术的类别总结为以下几点：数字挖掘技术中的信息关联技术、数字挖掘技术中的预测技术、数字挖掘技术中的分类技术以及数字挖掘技术中的排序技术。

二、数字挖掘在通信行业中客户关系处理中的具体应用流程探究

数字挖掘技术的应用流程的良好确立，可以使得企业的客户信息管理工作的开展更加具有系统性和全面性，有效的提高了通信企业的市场竞争力。为通信企业的良好发展奠定了稳定的基础和提供了强大的推动力。1.数据库内的数据信息归类。对于营销工作开展进程中的各种原始数据进行统计和收集，尽可能的保障各项数据的归类的有效性和标准性。并且在数据库内的数据信息分类工作的开展进程中，充分的考虑不同的营销数据的格式上的差异性，对于这些营销数据进行统一的调整，实现数据库内的数据的系统性排列。2.数据库内信息的初步分析。按照数据库内的信息种类的不同以及内容的不同，摘取信息内的核心片段，进行数据内容的初步分析，确定通信企业的营销信息的核心，并且注重对于同种数据中所存在的变量的分析，进而初步掌握核心数据的变化情况和变化规律。3.应用数据挖掘技术开展数据记录工作。在明确了数据库内的各项核心数据之后，通信企业在应用数据挖掘技术开展自身的客户关系处理管理工作时，需要进行数据记录工作。通常以客户关系统计树状图的方式进行客户关系的进一步分类和管理，进而确保通信行业的客户管理工作的开展的秩序性。

三、数据挖掘在通信行业客户关系管理中的应用方向探究

开展数据挖掘在通信行业客户关系管理中的应用方向探究，根据数据挖掘技术在通信行业客户管理工作开展进程中的应用流程以及当下的应用状况，主要可以将该技术的应用方向总结归纳为以下几点：1.应用于通信行业客户的信息数据处理工作。通信行业的客户信息量十分巨大，并且存在着较强的复杂性，应用数据挖掘技术开展通信行业客户关系的处理工作，可以实现通信行业对于客户的信息掌握的系统性的提升。在进行通信行业客户的信息数据处理工作时，应当着重开展对于流失的客户的信息的处理，找出客户的流失的根本原因，完善自身营销模式的应用流程中所存在的不足之处，有效的降低客户流失量，尽可能的实现客户的“有效回流”。2.应用于通信行业客户的关系模型建立工作。将数据挖掘技术的应用与于通信行业客户的关系模型建立工作的开展有效的结合到一起，可以实现通信企业对于客户关系的掌握的具体性的进一步提升。通信企业在开展模型的建立工作的过程中，应当同时建立客户的营销模型和客户的流失模型，进行两种模型内的数据状况的有效对比，进而实现通信企业的进一步营销方案的有效的制定。3.加强通信行业的客户管理工作的针对性。在传统的信息行业的客户关系管理工作开展进程中，客户的信息的管理工作的开展往往缺乏针对性，因此通信企业在为客户提供服务的过程中，其服务往往也就无法真正有效的满足客户的各项需求，造成了客户的流失现象。将数据挖掘技术全面应用于通信的企业的工作开展流程中，对于客户的信息和需求进行更加详细的分类和分析，提出具有针对性的特色服务方案，可以实现通信企业的服务的质量的进一步有效的提升，加强通信企业在激烈的竞争市场中的市场竞争力，促使我国的通信企业获得更加广泛的发展空间和更加理想的发展前景。4.加强通信行业客户反馈信息调研工作的开展力度。通信行业客户反馈信息调研工作的开展力度，也是决定通信企业的客户关系管理工作的开展力度的关键性因素之一。应用数据挖掘技术，开展客户信息的挖掘工作，可以实现客户反馈信息的明确性和全面性的进一步提升，有效的加强了调研工作的开展力度，继而可以使得通信企业对于自身所需改进之处具有了更加明确的认知。

四、结语

综上所述，在通信行业客户关系管理中应用数据挖掘技术，彰显了该技术的应用优势，保证了客户关系管理的成效，为了通信行业发展提供了可靠的技术保障。本研究在明确相关概念及开展流程基础上，对数据挖掘技术的应用展开了深入的探究，其主要应用于信息数据处理及关系模型建立等方面，在先进技术支持下，通信行业的客户关系管理具有了一定的针对性与高效性。实现数字挖掘技术的应用与客户关系处理工作的有效结合，以及实现我国的通信行业的整体管理水平的进一步有效提升，相信日后通信行业借助现代化的技术方法及多元化的管理手段，其竞争力将大幅度提高，进而利于企业健康与持续发展。

参考文献：

[1]沈亮.数据挖掘在移动通信业客户关系管理中的应用研究[J].企业导报,2016,(12):28-29.

[2]郑倩倩,智淑敏.数据挖掘在茶叶行业客户关系管理系统的应用研究[J].福建茶叶,2016,(03):98-99.

[3]廉祥丽.数据挖掘在电子商务客户关系管理中的应用分析[J].电子技术与软件工程,2016,(01):179-180.

[4]胡彬.基于数据挖掘的移动通信公司客户关系管理系统的分析设计[J].山东工业技术,2015,(09):148.

[5]杜丽英,赵秀菊.数据挖掘在银行客户关系管理中的应用分析[J].计算机光盘软件与应用,2014,(21):28-29.

[6]欧阳浩1,戎陆庆2,黄镇谨1,陈波1,王萌在煤炭企业智能客户关系管理中的应用研究[J].工矿自动化,2014,(03).

数据挖掘分析报告总结 第28篇

随着国家政府出资进行的数据挖掘科研项目的逐年增多，我国高等院校都在竞相开展数据挖掘课程的理论知识以及实际应用分析。而该课程的教学目的就是使学生掌握扎实的数据挖掘理论知识，并且能够在日后的工作实践中熟练应用已经掌握的理论知识。目前数据挖掘课程已经成为计算机领域的一大热门学科，而计算机领域又是遍布全球的研究应用领域之一，因此为数据挖掘课程开设双语教学模式较之其他学科有优势。

人力资源优势现在我国所有的高等院校的本科生及其以上学历的学生都具有一定的英语基础。其次计算机领域的教师大多数也具备良好的英语条件，尤其是那些部分具有国外留学经历的教师，只要有外语授课经历，那么稍加培训就可以很轻松胜任双语教师的职位。并且计算机领域的教师，他们对于计算机操作的熟练程度较之其他专业的教师高很多，他们更善于利用互联网络进行教学，在数据挖掘的实验部分更容易解决技术上的难题。

物质资源优势数据挖掘双语教学过程中，最好使用的是原版英文教材和资料。就目前我国大部分高等院校来看，还没有多少数据挖掘的教材是出自国内，这就在一方面避免了很多“汉化版”教材带来的歧义，以免对双语教学的师生产生一定的误导。与其他学科相比，数据挖掘课程原版英文教材更多一些。

2有关数据挖掘双语教学的建议措施

随着双语教学模式的关注程度的不断提升，怎么样更加有效地开展数据挖掘课程双语教学模式并提高教学质量，是各大高校未来一段时间关注的热点话题。现建议从以下几方面着手进行：

各高校有关数据挖掘双语教学政策方面虽然目前教育部已经出台了相关政策用来扶持双语教学，但是对于各大高校来说也应该及时制定相关方案，加大监督力度，早日使数据挖掘课程双语教学模式步入正轨。比如，开设数据挖掘课程的各大高校首先要在意识上重视双语教学，努力为双语教学的开展创造良好的教学氛围，然后要提供一定的资金来扶持双语教学的顺利开展，对学校中的双语教师在薪酬以及课时安排方面要有一定的照顾，还要不断制造机会鼓励部分教师出国深造，定期对双语教师进行培训，使得他们不断学习，保证双语课程的长远发展。

师资力量方面在双语教学模式中，教师是学生学习最直接的带头人，教师的能力和外语水平与教学质量有直接的联系。从已有的教学活动来看，数据挖掘双语教学课程的教师至少要有一定的国外留学和授课经历，熟悉英语语言环境，从而能更准确地把握授课情况。其次，数据挖掘双语教学课程的教师还要有非常扎实的数据挖掘理论知识。再次，数据挖掘双语教学课程的教师还应该具备一定的科研探索能力，从而能在把握教材的基础之上，也能把握学科的前沿。总而言之，数据挖掘双语教师不仅仅英语水平高，专业知识扎实，还应该具有用英语表达数据挖掘专业知识的能力，同时又拥有很强的教学能力。

教学资源方面双语教学的基本原则是尽量使用原版外文教材和参考资料[5]。使用原版外文教材不仅使学生掌握最前沿的知识，更有利于促进更新教师的已有知识。教育部原副部长吕福源曾经说过：“教材是一个很关键的问题，必需大量地不断引进国外原版材料，并以各种方式投入使用，才能保证我们培养出的学生是国际一流水平的。”由此可见引进外文原版教材的重要性。另外，在信息技术高速发展的今天，学生们的学习不能仅仅局限于书本那点有限知识，而是应该充分利用互联网络，提高自己的学习主动性，例如最近特别流行的MOOC，微课，以及百度百科和维基百科等网络工具。

教学理念和方法方面教学理念上要由传统的教师“填鸭式”灌输型变成教师引导型，即由教师占主导地位变成教师仅仅起到引领带头的作用，让学生自己去探索去思考学习。在每堂课正式讲课之前，教师可以采用先行组织者的授课方式，将问题抛给学生，让学生带着问题开始这一节课。在授课途中，学生也能随时提出自己的问题和见解，像国外学生上课一样，这样整个课堂的学习气氛就会被带动起来。最后通过教师的引导和讲解，同学们的讨论，问题自然而然得到解决。整堂课下来，同学们既感觉不到累和枯燥，又能很好地掌握本堂课的知识，对于教师而言也是如此。总之，这种双赢的教学理念值得推荐。在教学方法上，要兼顾不同英语水平的学生，适时地使用非语言行为。这些非语言行为不单单是指一些简单的形体语言、表情配合等，更为关键的是诸如角色扮演、案例分析、游戏理论等一些能够容易吸引学生参与意识的方法应用[6]。使用这些非语言行为的主要目的也是调动课堂气氛，引导同学们积极参与到课堂中来，而不是为了双语教学而进行双语教学活动。

数据挖掘课程双语教学评价体系双语教学的评价体系实际上是对双语教学效果的检验过程，一般分为过程性评价和总结性评价两种。其中过程性评价是在学习过程中分阶段地对学习效果进行检验，总结性评价是在一段时间内对整个学习过程进行总结检验。这就要求在教学过程中密切关注学生的课堂表现，及时了解学生的学习效果，并且总结学生对课堂知识的掌握程度。从长远分析的话，教师还要关注该课程的双语教学效果在学生今后的工作生活中的应用价值，对学生的就业状况进行跟踪调查，并且分析总结双语教学对社会起到的一定的影响。两种评价手段都是为了在今后的数据挖掘双语教学课程活动中起到一定的指导作用，而最终的目的是对社会的教育事业产生积极的长远的影响并且能够使国家的综合国力得到进一步的提高。

3总结

数据挖掘分析报告总结 第29篇

【关键词】数据挖掘技术；档案管理；分析运用

由于信息技术的迅速发展，现代的档案管理模式与过去相比，也有了很大的变化，也让如今的档案管理模式有了新的挑战。让人们对信息即时、大量地获取是目前档案管理工作和档案管理系统急切需要解决的问题。

一、数据挖掘概述

（一）数据挖掘技术。数据挖掘是指从大量的、不规则、乱序的数据中，进行分析归纳，得到隐藏的，未知的，但同时又含有较大价值的信息和知识。它主要对确定目标的有关信息，使用自动化和统计学等方法对信息进行预测、偏差分析和关联分析等，从而得到合理的结论。在档案管理中使用数据挖掘技术，能够充分地发挥档案管理的作用，从而达到良好的档案管理工作效果。（二）数据挖掘技术分析。数据挖掘技术分析的方法是多种多样的，其主要方法有以下几种：1.关联分析。指从已经知道的信息数据中，找到多次展现的信息数据，由信息的说明特征，从而得到具有相同属性的事物特征。2.分类分析。利用信息数据的特征，归纳总结相关信息数据的数据库，建立所需要的数据模型，从而来识别一些未知的信息数据。3.聚类分析。通过在确定的数据中，找寻信息的价值联系，得到相应的管理方案。4.序列分析。通过分析信息的前后因果关系，从而判断信息之间可能出现的联系。

二、数据挖掘的重要性

在进行现代档案信息处理时，传统的档案管理方法已经不能满足其管理的要求，数据挖掘技术在这方面确有着显著的优势。首先，档案是较为重要的信息记录，甚至有些档案的重要性大到无价，因此对于此类的珍贵档案，相关的档案管理人员也是希望档案本身及其价值一直保持下去。不过越是珍贵的档案，其使用率自然也就越高，所以其安全性就很难得到保障，在档案管理中运用数据挖掘技术，可以让档案的信息数据得到分析统计，归纳总结，不必次次实物查阅，这样就极大地提升了档案相关内容的安全性，降低档案的磨损率。并且可以对私密档案进行加密，进行授权查阅，进一步提高档案信息的安全性。其次，对档案进行鉴定与甄别，这也是档案工作中较困难的过程，过去做好这方面的工作主要依靠管理档案管理员自己的能力和水平，主观上的因素影响很大，但是数据挖掘技术可以及时对档案进行编码和收集，对档案进行数字化的管理和规划，解放人力资源，提升档案利用的服务水平。第三，数据挖掘技术可以减少档案的收集和保管成本，根据档案的特点和规律建立的数据模型能为之后的工作人员建立一种标准，提升了档案的鉴定效率。

三、档案管理的数据挖掘运用

（一）档案信息的收集。在实施档案管理工作时，首先需要对档案信息数据的收集。可以运用相关档案数据库的数据资料，进行科学的分析，制定科学的说明方案，对确定的数据集合类型和一些相关概念的模型进行科学说明，利用这些数据说明，建立准确的数据模型，并以此数据模型作为标准，为档案信息的快速分类以及整合奠定基础。例如，在体育局的相关网站上提供问卷，利用问卷来得到的所需要的信息数据，导入数据库中，让数据库模型中保有使用者的相关个人信息，通过对使用者的信息数据进行说明，从而判断使用者可能的类型，提升服务的准确性。因此，数据挖掘技术为档案信息的迅速有效收集，为档案分类以及后续工作的顺利展开，提供了有利条件，为个性化服务的实现提供了保证。（二）档案信息的分类。数据挖掘技术具有的属性分析能力，可以将数据库中的信息进行分门别类，将信息的对象通过不同的特征，规划为不同的分类。将数据挖掘技术运用到档案管理中时，可以简单快速地找到想要的档案数据，能根据数据中使用者的相关数据，找寻使用者在数据库中的信息，使用数据模型的分析能力，分析出使用者的相关特征。利如，在使用者上网使用网址时，数据挖掘技术可以充分利用使用者的搜索数据以及网站的访问记录，自动保存用户的搜索信息、搜索内容、下载次数、时间等，得到用户的偏好和特征，对用户可能存在的需求进行预测和分类，更加迅速和准确的，为用户提供个性化的服务。（三）档案信息的整合。数据挖掘技术可以对新旧档案的信息进行整合处理，可以较为简单地将“死档案”整合形成为“活档案”，提供良好的档案信息和有效的档案管理。例如，对于企事业单位而言，培训新员工的成本往往比聘请老员工的成本要高出很多。对老员工的档案信息情况进行全体整合，使档案资源充分发挥作用，将档案数据进行总结和规划，根据数据之间的联系确定老员工流失的原因，然后建立清晰、明白的数据库，这样可以防止人才流失，也能大大提高档案管理的效率。

四、结语

综上所述，在这个信息技术迅速跳跃发展的时代，将数据挖掘技术运用到档案管理工作中是时展的需求与必然结果。利用数据挖掘技术，可以使档案管理工作的效率大大提升，不仅减少了搜索档案信息的时间，节省人力物力，避免资源的浪费，还能帮助用户在海量的信息数据中，快速找到所需的档案数据信息。数据挖掘技术的运用，使静态的档案信息变成了可以“主动”为企事业单位的发展，提供有效的个性化服务的档案管家，推动了社会的快速发展。

【参考文献】

[1]栾立娟,卢健,刘佳,数据挖掘技术在档案管理系统中的应用[J].计算机光盘软件与应用,2015:35-36.

数据挖掘分析报告总结 第30篇

一 概述

客户决定企业命运。企业关注重点从产品逐步转换到客户，逐渐形成客户为中心的客户关系管理理念。客户关系管理是信息技术和商业发展过程中得出的理论体系，客户管理需要客户的支持。客户关系管理是企业利用信息技术和企业生产销售相结的产物。客户关系管理核心价值就是实现客户价值。客户关系管理利用计算机技术，实现市场信息化、销售自动化过程、对客户分析的全过程。客户关系管理可以使企业及时了解客户实际情况，增强客户对企业归属感和信任感。它是一种全新的管理客户模式。数据挖掘在客户关系管理研究与实践，大大促进客户价值实现。数据挖掘对客户挖掘结果会给企业带来指导意见，决定企业未来发展方向。

联通的客户关系管理系统是基于客户战略的，它为企业传递的是一种新的客户服务理念，是联通客户需求的风向标，它直接影响联通如何认识客户以及如何对待客户， 也直接影响联通公司的客户服务形象。通过数据挖掘系统与客户管理系统的结合，可以有效的实现对客户消费模式和客户市场推广的分析，实现对客户的动态防欺诈、流失分析及竞争对手分析。正确有效的运用数据挖掘意义重大。

二 数据挖掘的步骤

1.理解数据和数据的来源，进行数据收集

大量全面丰富的数据是数据挖掘的前提，没有数据，数据挖掘也就无从做起。数据挖掘牵涉了大量的准备工作与规划工作，事实上许多专家都认为整套数据挖掘的过程中，有80%的时间和精力是花费在数据预处理阶段，其中包括数据的净化、数据格式转换、变量整合，以及数据表的链接。可见，在进行数据挖掘技术的分析之前，还有许多准备工作要完成。数据收集是数据挖掘的首要步骤。

2.整合与检查数据

收集到的数据必须是有用的，避免可能存在自身的不一致性，或者有缺失数据的存在等，因此数据的整理是必须的。同时，通过数据整理，可以对数据做简单的泛化处理，从而在原始数据的基础上得到更为丰富的数据信息，进而便于下一步数据挖掘的顺利进行。

3.利建立模型和假设

主要采用时序算法、聚类算法、关联算法等，根据采集数据建立模型。

4.模型评估

模型建立完毕后，需要验证模型的正确性，并进行调整。应该利用未参与建模的数据对模型进行检验。这样做的原因是按照使用建模的数据进行检验，由于模型就是按照这些数据建立的，检验结果自然会很好。但是一旦运用到实际数据中，就会产生很大的偏差。检验的方法是对已知客户状态的数据利用模型进行预测，并将所得到的模型预测值，和实际的客户状态相比较，预测正确值最多的模型就是最优模型。不断重复进行数据挖掘一评估过程，多次的循环反复，以达到预期的效果。

5.决策分析

数据挖掘的最终目的是辅助决策。决策者可以根据数据挖掘的结果，结合实际情况，调整竞争策略等。

三.数据挖掘在联通客户管理业务中的作用

1 数据总结

数据总结目的是对大量的数据进行浓缩，将数据库中的有关数据从较低的个体层次抽象总结到较高的总体层次上，从而实现对原始基本数据的总体把握。是数据挖掘的基本作用。用统计学中的方法计算出数据库的各个数据项的总和、平均、方差、最大值、最小值等基本描述统计量，或者通过利用统计图形工具，对数据制作直方图、饼状图等，是最简单的数据总结方法。另一种广泛使用的数据总结方法是联机分析处理，是对用户当前及历史数据进行分析、辅助领导决策，主要通过多维数据的查询、旋转、钻取和切片等关键技术对数据进行分析和报表。

2 关联分析

数据库中的数据一般都存在着关联关系，也就是说，两个或多个变量的取值之间存在某种规律性。

3 分类

分析数据的各种属性，一个分类函数或分类模型（也常常称作分类器），该模型能够根据数据的属性将数据分派到不同的组中，并预测新数据将属于哪一个组。

4 聚类

聚类分析是按照某种相近程度度量方法，将用户数据分成一系列有意义的子集合。每一个集合中的数据性质相近，不同集合之间的数据性质相差较大。

四.数据挖掘技术在联通客户管理管理方面的应用

1.客户市场推广分析

通过优惠策略预测仿真的方法，利用数据挖掘技术实现优惠策略的仿真。根据数据挖掘模型，进行模拟计费和模拟出账，其仿真结果可以揭示优惠策略中存在的问题，并进行相应的调整优化，以达到优惠促销活动的收益最大化。

2.客户消费模式分析

客户分类是客户数据分析基础，数据挖据对客户分类使用聚类和分类。通过分类可以发现不同客户群体的习惯和规律，找到客户价值点，准确预测客户消费方向。客户分类让市场营销活动更有目的性，提高市场营销效率，企业合理配置企业资源。客户分类结果实现客户利益最大化。如固话及移动话费行为分析，是对客户历年来长话、市话、信息台的大量详单数据以及客户档案资料等相关数据进行关联分析，增值业务话费分析，结合客户的分类，可以从消费能力、消费习惯、消费周期等诸方面对客户的话费行为进行分析和预测，从而为联通全业务运营商的相关经营决策提供依据。

3.客户流失分析

这是根据已有的客户流失数据，建立客户属性、服务属性、客户消费情况等数据与客户流失概率相关联的数学模型，找出这些数据之间的关系，给出明确的数学公式，并根据此模型来监控客户流失的可能性。如果客户流失的可能性过高，可通过促销等手段来提高客户忠诚

度，防止客户流失的发生，这就彻底改变了以往电信运营商在成功获得客户以后无法监控客户流失、无法有效实现客户关怀等状况。

4.对客户欠费进行分析和动态防欺诈

通过数据挖掘，总结现存的各种骗费及其欠费行为的内在规律，并建立一套防欺诈和防欠费行为的规则库，当客户的话费行为与该库中规则吻合时，系统可以提示运营商相关部门采取措施，从而降低运营商的损失风险。

5.竞争对手分析