什么是数据挖掘？

数据挖掘的对象可涵盖任何类型的数据源，包括：

• 结构化数据的数据源：关系数据库；
• 半结构化数据以及异构性数据的数据源：数据仓库、文本、多媒体数据、空间数据、时序数据、Web 数据。

例如其中，伴随着现代企业从“产品导向”向着“客户导向”转变，在客户关系管理中，企业可以通过对客户的数据挖掘，分析发现如何在保持现有客户的基础上吸引更多客户，以及洞察客户的潜在价值，为后续的营销行动获取到决策支持。

• 定义问题：在开始采取行动之前，唯有先清晰明确定义目标，方可采取有的放矢的行动。例如，当您想要提高电子信箱的利用率时，很难建立模型同时实现解决“提高用户使用率”与“提高一次用户使用的价值”这两个问题，所以必须做出决断。
• 建立数据挖掘库：可以按照数据收集、数据描述、选择、数据质量评估和数据清理、合并与整合、构建元数据、加载数据挖掘库、维护数据挖掘库几大步骤，来建立数据挖掘库，进而开启您的下一步行动。
• 分析数据：通过分析，您可以找到对预测输出影响最大的数据字段，以及决定是否需要定义导出字段。此外，您还需要选择一个具有好的界面和功能强大的工具软件，协助您完成分析包含成百上千字段的数据集。
• 准备数据：在建立模型之前，您可通过以下四个部分：选择变量、选择记录、创建新变量、转换变量，来做好最后一步数据准备工作，从而确保建立起良好可用的数据模型。
• 建立模型：建立模型需要先仔细考察判断哪个模型对面对的商业问题最有用。可以先基于部分数据建立模型，然后再对得到的模型，用剩下的数据测试和验证。由于测试集可能会受模型的特性影响出现偏差，因此需要一个独立的数据集来验证模型的准确性。
• 评价模型：因为从测试集中得到的准确率只对用于建立模型的数据有意义，所以需要对建立好的模型，评价得到的结果并解释模型的价值。由于模型建立中隐含各种假定，有效的模型并不一定是正确的模型，因此要在现实世界中测试模型。
• 实施：当模型建立并验证好之后，可以通过提供给分析人员做参考，或者是把此模型应用到不同的数据集上这两种方法来实施模型。

有指导数据挖掘：利用可用数据建立模型，对一个特定属性进行描述，包括：

• 分类：从数据中选出已经分好类的训练集，以此运用数据挖掘技术建立分类模型，对没有分类的数据进行分类；
• 估值：与分类类似，可作为分类的准备工作，但最终输出结果是连续型数值；
• 预测：通过分类或估值训练，得出模型用于预测新样本的未知变量。
  

无指导数据挖掘：无指导数据挖掘，主要是在所有的属性中寻找某种关系，包括：

• 相关性分组或关联规则：其目的是发现总是在一起发生的事情；
• 聚类：通过判断样本之间的相似性，自动寻找并建立分组规则，把相似样本划分在一个簇中。