数据挖掘定义

分析大量数据以发现模式、识别趋势并了解如何使用这些数据是必要的。这个过程被称为数据挖掘。数据挖掘人员随后可以使用这些结果来预测结果或做出决策。公司将数据挖掘作为一种将非结构化数据转化为有用信息的方法。通过利用软件在海量数据中寻找模式，企业可以更深入地了解其客户，从而制定更成功的营销活动、提高销售额并降低成本。高效的数据收集、存储和处理对于数据挖掘至关重要。

数据挖掘过程

查找和处理海量数据以发现重要模式和趋势的过程被称为数据挖掘。它有广泛的应用，包括数据库营销、信用风险管理、入侵检测、过滤垃圾邮件，甚至用户情绪分析。

数据挖掘过程包括五个阶段。组织首先收集数据，然后将其放入数据仓库。之后，数据存储在私有服务器或云上进行维护。业务分析师、管理团队和信息技术专业人员可以访问数据并确定如何组织数据。然后，应用程序软件根据用户的发现来组织数据。最后，最终用户以易于理解的方式展示数据，例如图表或图形。

挖掘和数据仓库软件

根据用户请求，数据挖掘工具会检查数据中的关联和趋势。例如，一家公司可能会使用数据挖掘工具来创建信息分类。想象一家餐馆，它希望使用数据挖掘技术来确定何时提供特定特价菜作为例子。它分析收集到的信息，并根据顾客访问的数量和频率来创建分类。

有时，数据挖掘人员会寻找具有逻辑关系的集群信息，或者他们会检查关联和有序模式以识别消费者行为中的趋势。

仓库是数据挖掘的重要组成部分。组织将所有信息存储在一个应用程序或数据库中。通过使用数据仓库，公司可以隔离特定的数据片段供特定用户进行检查和利用。在其他情况下，分析师可能会从所需数据开始，并围绕它构建一个数据仓库。

数据挖掘方法学

数据挖掘使用算法和各种技术将海量数据集转换为可用输出。最常用的数据挖掘方法类型如下：

• 分类用于对事物进行分类：这些类别定义了事物的特征或显示了数据片段之间的相似性。通过这种数据挖掘技术，可以更精确地对底层数据进行分类，并跨相关属性或产品线进行汇总。
• 聚类和分类相辅相成：另一方面，聚类在对对象进行分类之前就发现了它们之间的相似性，并根据它们之间的差异对它们进行分类。虽然分类可能导致“洗发水”、“护发素”、“肥皂”和“牙膏”等类别，但聚类可能导致“护发”、“口腔健康”和“肥皂”等组。
• 购物篮分析和关联规则：两者都寻找不同变量之间的关联。当它试图连接不同的数据片段时，这种关联本身就为数据集增加了价值。例如，关联规则会查看企业的销售数据，以了解哪些产品最常一起购买；有了这些知识，企业就可以进行规划、广告宣传和适当的预测。
• 决策树：它们用于根据预定的标准或选择来分类或预测结果。决策树通过一系列级联问题来根据提供的答案对数据集进行排序。决策树有时被可视化为一棵树，它允许在深入研究数据时进行具体的指导和用户输入。
• K-最近邻：一种称为 K-最近邻 (KNN) 的方法根据数据与其他数据点有多接近来对其进行分类。KNN 基于一个观点，即彼此靠近的数据点比其他类型的数据具有更高的相似度。这种有监督的非参数方法可以根据一组个体数据点来预测群体的特征。
• 评估序列数据：神经网络的节点用于处理数据。这些节点具有输出、权重和输入。数据使用监督学习进行绘制（类似于人脑的互联方式）。当模型拟合到阈值时，可以评估其精度。
• 预测分析：为了预测未来结果，预测分析旨在利用历史数据创建图形或数学模型。这种数据挖掘技术与回归分析重叠，试图根据已有的数据来支持一个不确定的未来数字。