數據挖掘進行數據分析常用的方法

利用數據挖掘進行數據分析常用的方法主要有分類、回歸分析、聚類、關聯規則、特征、變化和偏差分析、Web頁挖掘等， 它們分別從不同的角度對數據進行挖掘。
    ① 分類。分類是找出數據庫中一組數據對象的共同特點并按照分類模式將其劃分為不同的類，其目的是通過分類模型，將數據庫中的數據項映射到某個給定的類別。（分類算法一般有：決策樹、bayes分類、神經網絡、支持向量機）
    它可以應用到客戶的分類、客戶的屬性和特征分析、客戶滿意度分析、客戶的購買趨勢預測等，如一個汽車零售商將客戶按照對汽車的喜好劃分成不同的類，這樣營銷人員就可以將新型汽車的廣告手冊直接郵寄到有這種喜好的客戶手中，從而大大增加了商業機會。
    ② 回歸分析。回歸分析方法反映的是事務數據庫中屬性值在時間上的特征，產生一個將數據項映射到一個實值預測變量的函數，發現變量或屬性間的依賴關系，其主要研究問題包括數據序列的趨勢特征、數據序列的預測以及數據間的相關關系等。
    它可以應用到市場營銷的各個方面，如客戶尋求、保持和預防客戶流失活動、產品生命周期分析、銷售趨勢預測及有針對性的促銷活動等。
    ③ 聚類。聚類分析是把一組數據按照相似性和差異性分為幾個類別，其目的是使得屬于同一類別的數據間的相似性盡可能大，不同類別中的數據間的相似性盡可能小。
    它可以應用到客戶群體的分類、客戶背景分析、客戶購買趨勢預測、市場的細分等。
    ④ 關聯規則。關聯規則是描述數據庫中數據項之間所存在的關系的規則，即根據一個事務中某些項的出現可導出另一些項在同一事務中也出現，即隱藏在數據間的關聯或相互關系。
    在客戶關系管理中，通過對企業的客戶數據庫里的大量數據進行挖掘，可以從大量的記錄中發現有趣的關聯關系，找出影響市場營銷效果的關鍵因素，為產品定位、定價與定制客戶群，客戶尋求、細分與保持，市場營銷與推銷，營銷風險評估和詐騙預測等決策支持提供參考依據。
    ⑤ 特征。特征分析是從數據庫中的一組數據中提取出關于這些數據的特征式，這些特征式表達了該數據集的總體特征。如營銷人員通過對客戶流失因素的特征提取，可以得到導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，如分類中的反常實例，模式的例外，觀察結果對期望的偏差等，其目的是尋找觀察結果與參照量之間有意義的差別。在企業危機管理及其預警中，管理者更感興趣的是那些意外規則。意外規則的挖掘可以應用到各種異常信息的發現、分析、識別、評價和預警等方面。
    ⑦ Web頁挖掘。隨著Internet的迅速發展及Web 的全球普及， 使得Web上的信息量無比豐富，通過對Web的挖掘，可以利用Web 的海量數據進行分析，收集政治、經濟、政策、科技、金融、各種市場、競爭對手、供求信息、客戶等有關的信息，集中精力分析和處理那些對企業有重大或潛在重大影響的外部環境信息和內部經營信息，并根據分析結果找出企業管理過程中出現的各種問題和可能引起危機的先兆，對這些信息進行分析和處理，以便識別、分析、評價和管理危機。
    數據挖掘是一種決策支持過程，它通過高度自動化地分析企業的數據，做出歸納性的推理，從中挖掘出潛在的模式，幫助決策者調整市場策略，減少風險，做出正確的決策。這對于一個企業的發展十分重要。

數據挖掘的一般流程

第一步，建立模型，確定數據表中哪些列是要用于輸入，哪些是用于預測，選擇用何種算法。這時建立的模型內容是空的，在模型沒有經過訓練之前，計算機是無法知道如何分類數據的。  

第二步，準備模型數據集，例子中的模型數據集就是1000個會員數據。通常的做法是將模型集分成訓練集和檢驗集，比如從1000個會員數據中隨機抽取700個作為訓練集，剩下 300個作為檢驗集。 

第三步，用訓練數據集填充模型，這個過程是對模型進行訓練，模型訓練后就有分類的內容了，像例子圖中的樹狀結構那樣，然后模型就可以對新加入的會員事例進行分類了。由于時效性，模型內容要經常更新，比如十年前會員的消費模式與現在有很大的差異，如果用十年前數據訓練出來的模型來預測現在的會員是否會購買自行車是不合適的，所以要按時使用新的訓練數據集來訓練模型。  

第四步，模型訓練后，還無法確定模型的分類方法是否準確?？梢杂媚Ｐ蛯?00個會員的檢驗集進行查詢，查詢后，模型會預測出哪些會員會購買自行車，將預測的情況與真實的情況對比，評估模型預測是否準確。如果模型準確度能滿足要求，就可以用于對新會員進行預測。
第五步，超市每天都會有新的會員加入，這些新加入的會員數據叫做預測集或得分集。使用模型對預測集進行預測，識別出哪些會員可能會購買自行車，然后向這些會員投遞廣告。