相關(guān)推薦：2018年經(jīng)濟(jì)師考試初級(jí)商業(yè)預(yù)習(xí)考點(diǎn)匯總

數(shù)據(jù)挖掘

數(shù)據(jù)挖掘(DataMining，DM)就是按企業(yè)的既定目標(biāo)對(duì)大量的企業(yè)數(shù)據(jù)進(jìn)行探索和分析，揭示隱藏的或驗(yàn)證已知的商業(yè)規(guī)律，且進(jìn)一步將其模式化的數(shù)據(jù)處理方法。它的最大特點(diǎn)就是能夠建立預(yù)測(cè)模型，預(yù)知未來(lái)的發(fā)展，使企業(yè)在規(guī)劃時(shí)具有科學(xué)決策依據(jù)�，F(xiàn)在'大型數(shù)據(jù)庫(kù)管理系統(tǒng)都具有建立數(shù)據(jù)倉(cāng)庫(kù)的功能，并在數(shù)據(jù)庫(kù)、數(shù)據(jù)倉(cāng)庫(kù)的基礎(chǔ)上進(jìn)行數(shù)據(jù)挖掘。

數(shù)據(jù)挖掘具有以下主要功能：

(1)分類和預(yù)測(cè)。分類是從大量數(shù)據(jù)中找出不同類別對(duì)象的特征，從而對(duì)新加人對(duì)象進(jìn)行自動(dòng)分類。如銀行會(huì)按客戶的信用程度分類，數(shù)據(jù)挖掘能找出各類客戶的數(shù)據(jù)特征，以后就能快速判斷一個(gè)新客戶的信用類別。分類數(shù)據(jù)挖掘還可用于預(yù)測(cè)，如預(yù)測(cè)可能流失，投奔競(jìng)爭(zhēng)對(duì)手的客戶。

(2)聚類分析。聚類是根據(jù)數(shù)據(jù)特征對(duì)數(shù)據(jù)對(duì)象進(jìn)行自動(dòng)歸類。“聚類”與“分類”的不同在于“分類”預(yù)先知道應(yīng)該分成哪幾類，而“聚類”在操作之前并不知道數(shù)據(jù)可以分成哪些類別。如通過(guò)聚類分析可以將網(wǎng)購(gòu)客戶劃分成互不相交的客戶群，以便為不同的客戶群推薦不同的目標(biāo)商品。

(3)關(guān)聯(lián)分析。關(guān)聯(lián)分析是在大量數(shù)據(jù)中找出有關(guān)聯(lián)的數(shù)據(jù)，或者找出同時(shí)發(fā)生的事件。關(guān)聯(lián)可分為簡(jiǎn)單關(guān)聯(lián)、時(shí)序關(guān)聯(lián)、因果關(guān)聯(lián)。如在超市的交易數(shù)據(jù)中發(fā)現(xiàn)哪些商品可能會(huì)被同時(shí)購(gòu)買，從而尋找哪些商品捕綁銷售能夠有更多的受眾。

(4)離群點(diǎn)分析。數(shù)據(jù)庫(kù)中可能包含一些數(shù)據(jù)對(duì)象，它們與數(shù)據(jù)的一般行為或模型不一致，這些數(shù)據(jù)對(duì)象是離群點(diǎn)。大部分?jǐn)?shù)據(jù)挖掘方法將離群點(diǎn)視為噪聲或異常而丟棄，然而，在一些應(yīng)用中(如欺騙檢測(cè))，罕見的事件可能比正常出現(xiàn)的事件更有價(jià)值。如檢測(cè)一個(gè)給定賬號(hào)的付費(fèi)情況相比，其購(gòu)買數(shù)額特別大、超出正常付費(fèi)的數(shù)據(jù)對(duì)象可用來(lái)發(fā)現(xiàn)信用卡欺騙性使用。