時間：2022-07-23 05:41:04
引言：易發表網憑借豐富的文秘實踐，為您精心挑選了九篇數據挖掘論文范例。如需獲取更多原創內容，可隨時聯系我們的客服老師。
[關鍵詞]數據挖掘數據挖掘方法
隨著信息技術迅速發展，數據庫的規模不斷擴大，產生了大量的數據。但大量的數據往往無法辨別隱藏在其中的能對決策提供支持的信息，而傳統的查詢、報表工具無法滿足挖掘這些信息的需求。因此，需要一種新的數據分析技術處理大量數據，并從中抽取有價值的潛在知識，數據挖掘（DataMining）技術由此應運而生。
一、數據挖掘的定義
數據挖掘是指從數據集合中自動抽取隱藏在數據中的那些有用信息的非平凡過程，這些信息的表現形式為：規則、概念、規律及模式等。它可幫助決策者分析歷史數據及當前數據，并從中發現隱藏的關系和模式，進而預測未來可能發生的行為。數據挖掘的過程也叫知識發現的過程。
二、數據挖掘的方法
1.統計方法。傳統的統計學為數據挖掘提供了許多判別和回歸分析方法，常用的有貝葉斯推理、回歸分析、方差分析等技術。貝葉斯推理是在知道新的信息后修正數據集概率分布的基本工具，處理數據挖掘中的分類問題，回歸分析用來找到一個輸入變量和輸出變量關系的最佳模型，在回歸分析中有用來描述一個變量的變化趨勢和別的變量值的關系的線性回歸，還有用來為某些事件發生的概率建模為預測變量集的對數回歸、統計方法中的方差分析一般用于分析估計回歸直線的性能和自變量對最終回歸的影響，是許多挖掘應用中有力的工具之一。
2.關聯規則。關聯規則是一種簡單，實用的分析規則，它描述了一個事物中某些屬性同時出現的規律和模式，是數據挖掘中最成熟的主要技術之一。關聯規則在數據挖掘領域應用很廣泛適合于在大型數據集中發現數據之間的有意義關系，原因之一是它不受只選擇一個因變量的限制。大多數關聯規則挖掘算法能夠無遺漏發現隱藏在所挖掘數據中的所有關聯關系，但是，并不是所有通過關聯得到的屬性之間的關系都有實際應用價值，要對這些規則要進行有效的評價，篩選有意義的關聯規則。
3.聚類分析。聚類分析是根據所選樣本間關聯的標準將其劃分成幾個組，同組內的樣本具有較高的相似度，不同組的則相異，常用的技術有分裂算法，凝聚算法，劃分聚類和增量聚類。聚類方法適合于探討樣本間的內部關系，從而對樣本結構做出合理的評價，此外，聚類分析還用于對孤立點的檢測。并非由聚類分析算法得到的類對決策都有效，在運用某一個算法之前，一般要先對數據的聚類趨勢進行檢驗。
4.決策樹方法。決策樹學習是一種通過逼近離散值目標函數的方法，通過把實例從根結點排列到某個葉子結點來分類實例，葉子結點即為實例所屬的分類。樹上的每個結點說明了對實例的某個屬性的測試，該結點的每一個后繼分支對應于該屬性的一個可能值，分類實例的方法是從這棵樹的根結點開始，測試這個結點指定的屬性，然后按照給定實例的該屬性值對應的樹枝向下移動。決策樹方法是要應用于數據挖掘的分類方面。
5.神經網絡。神經網絡建立在自學習的數學模型基礎之上，能夠對大量復雜的數據進行分析，并可以完成對人腦或其他計算機來說極為復雜的模式抽取及趨勢分析，神經網絡既可以表現為有指導的學習也可以是無指導聚類，無論哪種，輸入到神經網絡中的值都是數值型的。人工神經元網絡模擬人腦神經元結構，建立三大類多種神經元網絡，具有非線形映射特性、信息的分布存儲、并行處理和全局集體的作用、高度的自學習、自組織和自適應能力的種種優點。
6.遺傳算法。遺傳算法是一種受生物進化啟發的學習方法，通過變異和重組當前己知的最好假設來生成后續的假設。每一步，通過使用目前適應性最高的假設的后代替代群體的某個部分，來更新當前群體的一組假設，來實現各個個體的適應性的提高。遺傳算法由三個基本過程組成:繁殖(選擇)是從一個舊種群(父代)選出生命力強的個體，產生新種群(后代)的過程；交叉〔重組)選擇兩個不同個體〔染色體)的部分(基因)進行交換，形成新個體的過程；變異(突變)是對某些個體的某些基因進行變異的過程。在數據挖掘中，可以被用作評估其他算法的適合度。
7.粗糙集。粗糙集能夠在缺少關于數據先驗知識的情況下，只以考察數據的分類能力為基礎，解決模糊或不確定數據的分析和處理問題。粗糙集用于從數據庫中發現分類規則的基本思想是將數據庫中的屬性分為條件屬性和結論屬性，對數據庫中的元組根據各個屬性不同的屬性值分成相應的子集，然后對條件屬性劃分的子集與結論屬性劃分的子集之間上下近似關系生成判定規則。所有相似對象的集合稱為初等集合，形成知識的基本成分。任何初等集合的并集稱為精確集，否則，一個集合就是粗糙的(不精確的)。每個粗糙集都具有邊界元素，也就是那些既不能確定為集合元素，也不能確定為集合補集元素的元素。粗糙集理論可以應用于數據挖掘中的分類、發現不準確數據或噪聲數據內在的結構聯系。
8.支持向量機。支持向量機(SVM)是在統計學習理論的基礎上發展出來的一種新的機器學習方法。它基于結構風險最小化原則上的，盡量提高學習機的泛化能力，具有良好的推廣性能和較好的分類精確性，能有效的解決過學習問題，現已成為訓練多層感知器、RBF神經網絡和多項式神經元網絡的替代性方法。另外，支持向量機算法是一個凸優化問題，局部最優解一定是全局最優解，這些特點都是包括神經元網絡在內的其他算法所不能及的。支持向量機可以應用于數據挖掘的分類、回歸、對未知事物的探索等方面。
事實上，任何一種挖掘工具往往是根據具體問題來選擇合適挖掘方法，很難說哪種方法好，那種方法劣，而是視具體問題而定。
三、結束語
目前，數據挖掘技術雖然得到了一定程度的應用，并取得了顯著成效，但仍存在著許多尚未解決的問題。隨著人們對數據挖掘技術的深人研究，數據挖掘技術必將在更加廣泛的領域得到應用，并取得更加顯著的效果。
系統采用C/S+B/S結構,主要由前端數據采集設備(位移及載荷傳感器)、站點客戶端、數據庫及Web服務器等組成。各部分采取分布式協同處理運行方式,站點客戶端利用前端采集的數據獨立分析計算,分析完成后上傳至數據庫服務器,并通過網頁服務器對外。
2系統數據
2.1系統數據結構系統采用MicrosoftSQLServer,創建了WPGUI與WPCHQ數據庫來管理3萬余口油井數據采集、處理及存儲等,建設數據表65張(見主要數據表的關系圖2),主要包括生產井的完井數據、靜態數據、動態數據、采集數據、原油物性數據、機桿管泵等技術數據,同時系統保存了油井近兩年功圖電參數據(每天每口井到少100張),以及根據這些數據分析計算出來的結果和匯總生成的數據。
3數據挖掘應用
數據挖掘是從大量數據集中發現可行信息的過程,是統計分析技術、數據庫技術及人工智能技術的綜合。面對油井工況實時分析及功圖計產系統大量的油井生產完備數據,長慶油田充分利用數據挖掘技術,對數據進一步清理、集成、轉換、挖掘應用,深化功圖系統數據分析,先后開展了動液面計算,系統效率在線實時監測、區塊動態分析研究等,并應用于油田現場,取得了較好的效果,既節約了生產成本,又方便了現場管理應用,進一步提升系統在長慶油田數字化前端的核心地位。
3.1區塊動態分析
油井生產中,每天都會獲得大量的實時生產數據,目前系統主要對單井完成工況分析及產液量計算,如何通過分析和處理這些數據,及時全面了解油田區塊產油量、壓力、含水等變化規律是數據挖掘應用又一問題。長慶油田開展了基于油井工況診斷及功圖計產系統的區塊動態分析,從空間和歷史角度,對油井分類、分級、分層次進行統計分析,挖掘生產數據里有用的信息,提煉區塊共性問題,并按照設計的模板(區塊指標統計圖表、供液能力分析、產量分析、故障井分析等)每月30日自動生成全面及時的區塊油井生產動態分析,從而指導區塊生產管理,實現油田的精細管理,為油田開發決策提供依據。
4結束語
隨著長慶油田數字化建設的不斷深入,各種生產、研究、管理等數據庫不斷增加,如何深化數據應用,準確迅速從數據庫是提取有用信息,已成為是數字油田生產管理的迫切需求。在基于油井工況實時分析及功圖計產系統數據挖掘應用中我們積累了不少經驗,拓展了系統功能,提升系統在長慶油田數字化前端的核心地位。在今后應用中,油田數據挖掘應用注意幾個問題:
(1)數據是數字油田的血液,為了保證數據挖掘效率,在數據庫建設中要規范數據存儲格式,保證數據源及數據類型的統一,同時加強數據審核,注重數據入庫的質量;
(2)數據挖掘中盡可能使用可視化工具,一幅圖勝過千句話,數據挖掘可視化主要包括數據可視化、挖掘結果可視化、挖掘過程可視化等;
目前現有的針對煙草營銷策略的研究，多采用數據挖掘的思想，基于數據挖掘的營銷策略是對終端客戶進行分類，根據用戶的銷量和誠信記錄把用戶分為多個等級，但這種分級策略只能反應用戶的銷量信息，把這個分類作為營銷策略依據太單薄，只能起一定的輔助作用。更深入地研究是根據客戶的資料和歷史訂單數據對現有商戶進行聚類，獲取到自主的商戶分類，但盲目的聚類會導致商戶的分類沒有實際意義，或獲取的結果是無助于營銷目的的。
2技術關鍵
本系統采用基于營銷目的的商戶聚類，技術關鍵包括三部分內容：數據預處理中的特征選擇、基于限制目標的商戶精確聚類和基于聚類結果的多層關聯規則算法的研究。
2.1特征選擇
假定獲取的數據的維數為n，通常情況下n是很大的一個數，為簡化模型，也為了防止模型陷入過擬合（維數災難），需要進行降維處理，即僅把對項目改造判定起關鍵作用的因素挑選出來。本系統采用PCA算法來進行降維處理，過程如下：
1)計算標準化后的矩陣Z的樣本的協方差矩陣Cov；
2)計算協方差矩陣Cov的本征向量e1,e2,…,en的本征值。本征值按大到小排序；
3)投影數據
到本征矢張成的空間之中，利用貢獻分析取前m個向量Y1,Y2,…,Ym。
2.2基于營銷目標限制的商戶精確聚類算法
現有聚類算法一般沒有約束條件，只根據相似度來進行聚類，為了能夠體現約束條件，需要在聚類相似度或者樣本距離之間把限制條件增加進去，這樣在樣本聚類的時候即可使得具有相同營銷特性的樣本或者客戶被劃分到同一個類中。煙草終端商戶的大部分屬性是分類屬性，例如：地區、類別等，此外還有數字型屬性、日期型屬性，由于存在不同類型的屬性，常規的聚類算法無法使用，為此，采用把數字屬性和日期屬性劃分區間的思路，這樣可以轉化成分類屬性的方式來進行聚類。進而可建立如下商戶模型：分類對象X∈Ω，X=[A1=x1]∧[A2=x2]∧…∧[Am=xm]，其中xj∈DOM(Aj)，1≤j≤m，為簡便起見，將對象X∈Ω用向量（x1,x2,…,xm）表達，如果屬性Aj的值不存在，則Aj=ε。令Χ={X1,X2,…,Xn}為n個分類對象的集合，用集合方式表達分類對象，則Xi={xi,1,xi,2,…,xi,m}，如果屬性Aj的值不存在，則集合中不出現xi,j，容易得到|Xi|≤m。如果存在Xi,j=Xk,j，1≤j≤m，則Xi=Xk。為方便聚類，利用聚類匯總來壓縮原始數據，從而達到提高算法效率的目的。一個類C可以由如下三元組（n,I,S）來表示。其中n為類C中的對象數量，I={i1,i2,…,iu}是C內所有屬性值的集合，S={s1,s2,…,su}，其中sj為ij在類C中的數量，ij∈I，1≤j≤u。集合S按升序排列，即s1≤s2≤…≤su，這同時也暗示集合I的元素按其在C中的數量按升序排列。三元組（n,I,S）被稱作類C的聚類匯總CS，CS的三個成員分別記作CS.n、CS.I和CS.S；對于CS.I的任一元素ij∈CS.I，則記作CS.I.ij，對于sj∈CS.S，則記作CS.S.sj，其中1≤j≤u。
2.3基于煙草營銷的多層關聯規則的研究
針對本項目，對關聯規則定義進行擴展，對形如：XY的關聯規則，不再限定X和Y為一個項目集，而把X和Y定義為條件的合取范式，每個條件Ai=True/False為布爾表達式。此時的Ai為一個項目集，它的含義與原來的X和Y的含義相同，如果把結果中的條件布爾表達式寫成Cj=True/False，則關聯規則有如下形式：（A1=True/False）∧（A2=True/False）∧…∧（An=True/False）（C1=True/False）∧（C2=True/False）∧…∧（Cm=True/False）關聯規則的開采問題可以分解成以下兩個子問題：
①從數據集合或交易集合D中發現所有的頻繁項目集。
②從頻繁項目集中生成所有置信度不小于用戶定義的最小置信度minconf的關聯規則。即對任一個頻繁項目集F和F的所有非空真子集S，SF，如果sup（F）/sup（F－S）≥minconf，則（F－S）S就是一條有效的關聯規則。按上述方法發現所有類似的規則。這兩個步驟中第2步要相對容易，因此項目的研究將更關注第1步，由于最大頻繁項目集已經隱含了所有頻繁項目集，所以可以把發現頻繁項目集的問題轉化為發現最大頻繁項目集的問題。針對煙草營銷的客戶，進行關聯規則挖掘時，是在上一步的基礎上，即針對每一個商戶群進行規則挖掘。在獲取到最大頻繁項目集后，順序生成頻繁項目集，然后獲取到可用的關聯規則。此時獲取的關聯規則是底層關聯規則，然后再采用概念樹的方法對獲取的底層關聯規則進行匯總。概念樹由煙草領域專家根據屬性的領域知識提供，按特定屬性的概念層次從一般到具體排序。樹的根結點是用any表示最一般的概念，葉結點是最具體的概念即屬性的具體值。
近年來，我國的部隊管理體系已經逐漸向著自動化方向發展，部隊中各個部門都建立了一定的管理體系，也逐漸脫離了人工管理模式，實現信息現代化模式，很大程度提高了部隊工作的效率，但是由于外界因素與經濟發展的多樣化以及人們的思維模式也在不斷改變，從而出現了一些新問題，使得部隊管理體系存在著一定問題：第一、關聯性小、系統比較獨立?，F階段，部隊采購食品系統的作用以及目的比較簡單，思維面也比較窄，也就是說按照清單進行食品采購時，不能充分考慮到采購人員的健康、效率等問題，不能達到最優化采購方式，因此就變得比較獨立；第二，數據功能簡單，可靠性不高。現階段，部隊食品采購數據只是對采購的種類與過程進行簡單記錄，時間一久，就會被損壞或者丟失；第三，數據分散不集中?，F階段與部隊人員健康、起居飲食、訓練相關的數據分散在不同系統中，使得數據變得不一致、不完整，僅僅只能進行簡單查詢、匯總、統計等工作，不能對數據進行多角度分析、關聯等，不能為采購食品提供很好的政策支持。針對部隊采購存在的問題，可以利用數據倉庫以及數據挖掘技術建立多為數據庫，利用數據挖掘進技術對食品采購數據進行挖掘。依據現階段部隊的實際發展情況，建立一套新數據庫的成本代價比較高，因此，選用了目前社會上通用方法，對已經存在的數據進行一定改革與拓展，合理優化系統數據，成為新的數據庫。并且選取對數據挖掘影響比較大的系統性分析，包括訓練系統，食品采購系統、人員管理系統以及醫療衛生系統。針對食品采購采購系統建立數據模型。
二、在部隊食品采購系統中的應用以及其價值評價
在部隊食品采購系統實際應用工程中，其實可以運用MicrosoftSQLServerAnalysisServices來對數據進行分析，并且在數據挖掘過程中對多維數據進行描述與查找起到一定作用。因為多維數據比較復雜，增長的也比較快，因此，進行手動查找是很困難的，數據挖掘技術提供的計算模式可以很好的對數據進行分析與查找。在建設部隊食品采購倉庫數據的時候，數據內容主要包括了人員的健康、兵員的飲食以及訓練等，進行數據挖掘主要包括以下內容：第一，把每個主題信息數據進行收集、匯總、分析等，對人員情況、健康、飲食、訓練等進行合理分析；第二，多維分析數據信息。根據部隊的實際情況，利用數據挖掘技術對部隊人員健康、飲食、訓練等數據信息進行多維分析，其中包含上鉆、切片、下鉆等；第三，挖掘健康與飲食之間的內在關系。根據數據庫中許多面向主題的歷史數據，采用數據挖掘技術進行分析與演算得到部隊人員的訓練和健康情況與部隊飲食之間內在關系，以便于為部隊食品采購提供合理的、有效的保障，從而提高部隊整體人員的健康水平、身體素質以及訓練質量，對提高我國部隊戰斗力有著深遠的意義。
三、結束語
[關鍵詞]數據挖掘客戶關系管理應用步驟
根據波特的影響企業的利益相關者理論，企業有五個利益相關者，分別是客戶、競爭對手、供應商、分銷商和政府等其他利益相關者。其中，最重要的利益相關者就是客戶。現代企業的競爭優勢不僅體現在產品上，還體現在市場上，誰能獲得更大的市場份額，誰就能在競爭中占據優勢和主動。而對市場份額的爭奪實質上是對客戶的爭奪，因此，企業必須完成從“產品”導向向“客戶”導向的轉變，對企業與客戶發生的各種關系進行管理。進行有效的客戶關系管理，就要通過有效的途徑，從儲存大量客戶信息的數據倉庫中經過深層分析，獲得有利于商業運作，提高企業市場競爭力的有效信息。而實現這些有效性的關鍵技術支持就是數據挖掘，即從海量數據中挖掘出更有價值的潛在信息。正是有了數據挖掘技術的支持，才使得客戶關系管理的理念和目標得以實現，滿足現代電子商務時代的需求和挑戰。
一、客戶關系管理（CRM）
CRM是一種旨在改善企業與客戶之間關系的新型管理方法。它是企業通過富有意義的交流和溝通,理解并影響客戶行為,最終實現提高客戶獲取、客戶保留、客戶忠誠和客戶創利的目的。它包括的主要內容有客戶識別、客戶關系的建立、客戶保持、客戶流失控制和客戶挽留。通過客戶關系管理能夠提高企業銷售收入，改善企業的服務，提高客戶滿意度，同時能提高員工的生產能力。
二、數據挖掘（DM）
數據挖掘（DataMining，簡稱DM），簡單的講就是從大量數據中挖掘或抽取出知識。數據挖掘概念的定義描述有若干版本。一個通用的定義是從大量的、不完全的、有噪聲的、模糊的、隨機的實際應用數據中提取人們感興趣的知識，這些知識是隱諱的、事先未知的、潛在有用的信息。
常用的數據挖掘方法有：（1）關聯分析。即從給定的數據集中發現頻繁出現的項集模式知識。例如，某商場通過關聯分析，可以找出若干個客戶在本商場購買商品時，哪些商品被購置率較高，進而可以發現數據庫中不同商品的聯系，進而反映客戶的購買習慣。（2）序列模式分析。它與關聯分析相似，其目的也是為了控制挖掘出的數據間的聯系。但序列模式分析的側重點在于分析數據間的前后（因果）關系。例如，可以通過分析客戶在購買A商品后，必定（或大部分情況下）隨著購買B商品，來發現客戶潛在的購買模式。（3）分類分析。是找出一組能夠描述數據集合典型特征的模型，以便能夠分類識別未知數據的歸屬或類別。例如，銀行可以根據客戶的債務水平、收入水平和工作情況，可對給定用戶進行信用風險分析。（4）聚類分析。是從給定的數據集中搜索數據對象之間所存在的有價值聯系。在商業上，聚類可以通過顧客數據將顧客信息分組，并對顧客的購買模式進行描述，找出他們的特征，制定針對性的營銷方案。（5）孤立點分析。孤立點是數據庫中與數據的一般模式不一致的數據對象，它可能是收集數據的設備出現故障、人為輸入時的輸入錯誤等。孤立點分析就是專門挖掘這些特殊信息的方法。例如，銀行可以利用孤立點分析發現信用卡詐騙，電信部門可以利用孤立點分析發現電話盜用等。
三、數據挖掘在客戶關系管理中的應用
1.進行客戶分類
客戶分類是將大量的客戶分成不同的類別，在每一類別里的客戶具有相似的屬性，而不同類別里的客戶的屬性不同。數據挖掘可以幫助企業進行客戶分類，針對不同類別的客戶，提供個性化的服務來提高客戶的滿意度，提高現有客戶的價值。細致而可行的客戶分類對企業的經營策略有很大益處。例如，保險公司在長期的保險服務中，積累了很多的數據信息，包括對客戶的服務歷史、對客戶的銷售歷史和收入，以及客戶的人口統計學資料和生活方式等。保險公司必須將這些眾多的信息資源綜合起來，以便在數據庫里建立起一個完整的客戶背景。在客戶背景信息中，大批客戶可能在保險種類、保險年份和保險金額上具有極高的相似性，因而形成了具有共性的客戶群體。經過數據挖掘的聚類分析，可以發現他們的共性，掌握他們的保險理念，提供有針對性的服務，提高保險公司的綜合服務水平，并可以降低業務服務成本，取得更高的收益。
2.進行客戶識別和保留
(1)在CRM中,首先應識別潛在客戶,然后將他們轉化為客戶
這時可以采用DM中的分類方法。首先是通過對數據庫中各數據進行分析，從而建立一個描述已知數據集類別或概念的模型，然后對每一個測試樣本，用其已知的類別與學習所獲模型的預測類別做比較，如果一個學習所獲模型的準確率經測試被認可，就可以用這個模型對未來對象進行分類。例如，圖書發行公司利用顧客郵件地址數據庫，給潛在顧客發送用于促銷的新書宣傳冊。該數據庫內容有客戶情況的描述，包括年齡、收入、職業、閱讀偏好、訂購習慣、購書資金、計劃等屬性的描述，顧客被分類為“是”或“否”會成為購買書籍的顧客。當新顧客的信息被輸入到數據庫中時，就對該新顧客的購買傾向進行分類，以決定是否給該顧客發送相應書籍的宣傳手冊。
(2)在客戶保留中的應用
客戶識別是獲取新客戶的過程，而客戶保留則是留住老顧客、防止客戶流失的過程。對企業來說，獲取一個新顧客的成本要比保留一個老顧客的成本高。在保留客戶的過程中，非常重要的一個工作就是要找出顧客流失的原因。例如，某?？茖W校的招生人數在逐漸減少，那么就要找出減少的原因，經過廣泛的搜集信息，發現原因在于本學校對技能培訓不夠重視，學生只能學到書本知識，沒有實際的技能，在就業市場上找工作很難。針對這種情況，學校應果斷的抽取資金，購買先進的、有針對性的實驗實訓設備，同時修改教學計劃，加大實驗實訓課時和考核力度，培訓相關專業的教師。
(3)對客戶忠誠度進行分析
客戶的忠誠意味著客戶不斷地購買公司的產品或服務。數據挖掘在客戶忠誠度分析中主要是對客戶持久性、牢固性和穩定性進行分析。比如大型超市通過會員的消費信息，如最近一次消費、消費頻率、消費金額三個指標對數據進行分析,可以預測出顧客忠誠度的變化，據此對價格、商品的種類以及銷售策略加以調整和更新，以便留住老顧客，吸引新顧客。
(4)對客戶盈利能力分析和預測
對于一個企業而言，如果不知道客戶的價值，就很難做出合適的市場策略。不同的客戶對于企業而言，其價值是不同的。研究表明，一個企業的80%的利潤是由只占客戶總數的20%的客戶創造的，這部分客戶就是有價值的優質客戶。為了弄清誰才是有價值的客戶，就需要按照客戶的創利能力來劃分客戶，進而改進客戶關系管理。數據挖掘技術可以用來分析和預測不同市場活動情況下客戶盈利能力的變化，幫助企業制定合適的市場策略。商業銀行一般會利用數據挖掘技術對客戶的資料進行分析，找出對提高企業盈利能力最重要的客戶，進而進行針對性的服務和營銷。
(5)交叉銷售和增量銷售
交叉銷售是促使客戶購買尚未使用的產品和服務的營銷手段，目的是可以拓寬企業和客戶間的關系。增量銷售是促使客戶將現有產品和服務升級的銷售活動，目的在于增強企業和客戶的關系。這兩種銷售都是建立在雙贏的基礎上的，客戶因得到更多更好符合其需求的服務而獲益，公司也因銷售增長而獲益。數據挖掘可以采用關聯性模型或預測性模型來預測什么時間會發生什么事件，判斷哪些客戶對交叉銷售和增量銷售很有意向，以達到交叉銷售和增量銷售的目的。例如，保險公司的交叉營銷策略：保險公司對已經購買某險種的客戶推薦其它保險產品和服務。這種策略成功的關鍵是要確保推銷的保險險種是用戶所感興趣的，否則會造成用戶的反感。
四、客戶關系管理應用數據挖掘的步驟
1.需求分析
只有確定需求，才有分析和預測的目標，然后才能提取數據、選擇方法，因此，需求分析是數據挖掘的基礎條件。數據挖掘的實施過程也是圍繞著這個目標進行的。在確定用戶的需求后,應該明確所要解決的問題屬于哪種應用類型,是屬于關聯分析、分類、聚類及預測，還是其他應用。應對現有資源如已有的歷史數據進行評估，確定是否能夠通過數據挖掘技術來解決用戶的需求，然后將進一步確定數據挖掘的目標和制定數據挖掘的計劃。
2.建立數據庫
這是數據挖掘中非常重要也非常復雜的一步。首先,要進行數據收集和集成，其次,要對數據進行描述和整合。數據主要有四個方面的來源：客戶信息、客戶行為、生產系統和其他相關數據。這些數據通過抽取、轉換和裝載，形成數據倉庫，并通過OLAP和報表，將客戶的整體行為結果分析等數據傳遞給數據庫用戶。
3.選擇合適的數據挖掘工具
如果從上一步的分析中發現，所要解決的問題能用數據挖掘比較好地完成，那么需要做的第三步就是選擇合適的數據挖掘技術與方法。將所要解決的問題轉化成一系列數據挖掘的任務。數據挖掘主要有五種任務：分類，估值預測，關聯規則，聚集，描述。前三種屬于直接的數據挖掘。在直接數據挖掘中，目標是應用可得到的數據建立模型，用其它可得到的數據來描述感興趣的變量。后兩種屬于間接數據挖掘。在間接數據挖掘中，沒有單一的目標變量，目標是在所有變量中發現某些聯系。
4.建立模型
建立模型是選擇合適的方法和算法對數據進行分析，得到一個數據挖掘模型的過程。一個好的模型沒必要與已有數據完全相符，但模型對未來的數據應有較好的預測。需要仔細考察不同的模型以判斷哪個模型對所需解決的問題最有用。如決策樹模型、聚類模型都是分類模型，它們將一個事件或對象歸類?；貧w是通過具有已知值的變量來預測其它變量的值。時間序列是用變量過去的值來預測未來的值。這一步是數據挖掘的核心環節。建立模型是一個反復進行的過程，它需要不斷地改進或更換算法以尋找對目標分析作用最明顯的模型，最后得到一個最合理、最適用的模型。
5.模型評估
為了驗證模型的有效性、可信性和可用性，從而選擇最優的模型，需要對模型進行評估。我們可以將數據中的一部分用于模型評估，來測試模型的準確性，模型是否容易被理解模型的運行速度、輸入結果的速度、實現代價、復雜度等。模型的建立和檢驗是一個反復的過程，通過這個階段階段的工作，能使數據以用戶能理解的方式出現，直至找到最優或較優的模型。
6.部署和應用
將數據挖掘的知識歸檔和報告給需要的群體，根據數據挖掘發現的知識采取必要的行動，以及消除與先前知識可能存在的沖突，并將挖掘的知識應用于應用系統。在模型的應用過程中，也需要不斷地對模型進行評估和檢驗，并做出適當的調整，以使模型適應不斷變化的環境。
參考文獻:
[1]羅納德．S．史威福特．客戶關系管理[M]．楊東龍譯．北京：中國經濟出版社，2002
[2]馬剛:客戶關系管理[M]大連：東北財經大學出版社，2008
[3]朱美珍:以數據挖掘提升客戶關系管理[J]．高科技產業技術與創新管理，2006，（27）
[4]顧桂芳何世友:數據挖掘在客戶關系管理中的應用研究[J].企業管理，2007，（7）
對于一個多種網絡形式并存的復雜網絡，假設復雜網絡作為一個網絡社區，在復雜網絡中存在的網絡類型數即社區數。我們用一個無向遍歷圖GV,E來表示整個網絡社區，如果網絡中有兩個節點有兩條不重合的網絡路徑，則說明這兩個節點處于一個網絡環路當中，網絡中的數據流需要經過網絡環路到達特定的節點。當在某個時間段里需要傳送的數據流個數大于網絡節點數時，則說明該網絡的數據流密度較大，為了能夠準確地在復雜網絡中挖掘出所需的數據流，則需要根據數據流密度來劃分整個網絡社區，尋找數據流處于哪個社區，再確定數據流所在社區的環路。在這里我們通過設計算法確定網絡數據流密度，來對復雜網絡進行社區劃分，再對社區進行無向環路遍歷，并通過遍歷得到該社區網絡的所環路，確定所需查詢的數據流位于哪個環路。以下為復雜網絡中需要用到的符號說明。
2增量子空間數據挖掘算法
為了能夠有效地在復雜網絡中挖掘出目的數據流，使用了復雜網絡數據流密度的分析方法在對復雜網絡進行社區劃分后，通過對社區網絡進行無向環路遍歷并得到社區網絡的所有環路。接下來挖掘算法先后挖掘出目的數據流所屬的社區以及環路，最終確定目的數據流的具置。
2.1基于社區網絡遍歷的數據流挖掘
當數據流i與社區k的相關度最大時，說明數據流i位于社區k的可能性就最大。但是當多個數據流的大小區別不大時，以數據流的大小作為指標來定義相關度會導致挖掘精度較低。這里我們也引入數據流的特征集和數據流中的分組隊列長度來計算相關度。
2.2基于多增量空間的數據流挖掘
在采用基于社區網絡遍歷的數據流挖掘方法得到數據流的所屬社區后，我們接著采用基于多增量空間的數據流挖掘方法來挖掘出數據流的所屬環路。先將社區網絡的環路進行多增量空間擴展，即先得到
目標數據流所經過的環路，再得到數據流所經過的節點與時間的相關系數，這樣就可以在時空上確定目的數據流位于環路的哪個節點中。
3實驗結果
為了驗證本文提出的基于復雜網絡數據流密度的增量子空間數據挖掘算法的效果，我們通過matlab7.0軟件進行算法仿真，其中仿真的復雜網絡由多種網絡形式組成，網絡節點有200個，數據流大小為500bytes，節點的接收能耗為10nJ/bit，發射能耗為50nJ/bit，進行信號處理和功率放大的能耗為10nJ/bit。其他節點干擾而產生的能量消耗為5nJ/bit。在對本文算法進行分析的過程中，我們采用了對比分析的方法，Lopez-Yanez等人提出一種基于時間序列數據挖掘的新的關聯模型，該模型是基于伽瑪分類，是一種監督模式識別模型，目的是為了挖掘已知模式中的時間序列，以預測未知的值。由Negrevergne等人提出的一種PARAMINER算法：一個通用的模式挖掘算法的多核架構。多核架構采用的是一種新的數據集縮減技術（稱之為EL-還原），在算法中通過結合新的技術用于處理多核心架構的并行執行數據集。為了驗證本文算法的挖掘有效性，我們分別在增多節點數量和社區網絡數的情況下獲取算法的數據挖掘精度。實驗采用的精度為NMI[16]，實驗結果如圖3和圖4所示。在不同節點數量下基于復雜網絡數據流密度的增量子空間數據挖掘算法的挖掘精度更高，挖掘精度高于85%，而文獻[14]的挖掘精度在77%以上，挖掘精度在76%以上。因為、提出的關聯模型、提出的多核架構沒有準確把握數據流在不同時間段里與環路位置的相關情況。而本文算法采用社區網絡遍歷和多增量空間的方法可以有效地確定這種相關性。圖4為不同社區數下的算法挖掘精度，從圖中可以看出，當社區網絡的種類增多時，會對算法的挖掘精度造成影響，本文算法的挖掘精度在社區數為10時是95.7%，當社區數增加到50時為87.5%。而基于時間序列數據挖掘方法的挖掘精度在社區數為10時是88.6%，在社區數為50時是77.4%，而PARAMINER算法在社區數為10時是86.7%，社區數為50時是78.2%。因此從數據分析來看，本文算法的數據挖掘精度在社區數增多時仍能保持在較高水平。
4結論
物聯網數據挖掘處理功能需要在Hadoop平臺和Map/Reduce模式基礎上進行，對此需要劃分2個不同層面的操作流程。
1.1Hadoop平臺的具體操作流程
（1）對物聯網中的RFID數據進行過濾、轉換、合并的處理，并在分布式系統HDFS中保存PML文件形式的數據。同時，可采取副本策略來處理PML文件，在同一機構的不同節點或不同機構的某一節點上保存PML文件中的2-3個副本，進而可實現對存儲、處理、節點失效問題的有效解決。
（2）在執行任務過程中，創建和管理控制是Master（主控程序）的主要工作，當Worker處于空閑狀態時會接收到有關的分配任務，需與Map/Reduce互相合作實現操作處理，處理的最終結果由Master來歸并，同時將反饋結果傳送給用戶。
1.2Map/Reduce的具體操作流程
（1）根據參數在Map/Reduce思想指導下對輸入文件進行分割處理，使其細化為M塊（16-64M大小范圍）。
（2）Master、Worker、Map操作（M個）、Reduce操作（R個）是構成執行程序的主要部分，其中Map/Reduce的處理任務會由Master伴隨物聯網的快速發展和廣泛應用，人們可以有效利用物聯網來實現信息交換和通信的目的，不過物聯網海量數據的日益增多大大降低了物聯網服務的質量。在此，對基于Apriori算法進行物聯網數據挖掘研究。摘要將其分配給空閑的Worker。
（3）在處理Map任務時，Worker會讀取處理中的數據，并向Map函數傳送<key，value>，而后產生中間結果在內存中緩存且定時向本地硬盤傳送。此外，依據分區函數將中間結果分割為R塊區，利用Master將本地硬盤接收到的數據位置信息傳送給Reduce函數。
（4）ReduceWorker根據Master所傳送的文件信息采用遠程讀取方式來操作，以在本地文件中找到對應的文件，對文件的中間key進行有序排列，并利用遠程發送信息給具體執行的Reduce。
（5）ReduceWorker依據key排序后的中間數據向Reduce函數傳送與key對應的中間結果集，而最后的結果需采取最終輸出文件來進行編寫。
（6）當Map、Reduce的任務全部完成之后，MapReduce將回歸到用戶程序的調用點處，同時以Master對用戶程序進行激活。
2基于Apriori算法的物聯網數據挖掘
2.1Apriori數據挖掘原理和操作流程
Apriori是提升物聯網數據挖掘功能的一種最有效算法，其原理是在K項集中以逐層搜索迭代的方式來探索。具體的操作流程包括：
（1）掃描數據集以生成頻繁1-項集L1。
（2）通過L1來探索頻繁項集L2，采用不斷迭代的方式來持續探索，直至頻繁項集是空集。
2.2K次循環搜索后的數據挖掘流程
當已完成了K次循環搜索時，還需要進行2個數據挖掘的操作流程：（1）在LK-1生成CK（候選集）之后，開展JOIN操作。（2）支持度統計和剪枝的操作依據Apriori性質來進行，而后使得CK生成LK（頻繁集）。為提高物聯網數據挖掘的效率，節省系統的時間和內存消耗，在Apriori算法基礎上還需要借鑒和移植云計算平臺的分布式并行計算性質。如此以實現Hadoop架構的建立，在掃描數據庫查找頻繁項集中得到的并聯規則需要存儲在Hadoop架構中。同時，為取得各個計算節點上的局部頻繁項集，各個DataNode節點需要經歷并行操作的掃描處理，并使用Master來統計和確定實際全局的支持度、頻繁項集。
2.3Apriori算法Map/Reduce化的處理流程
上述提及基于Apriori算法的物聯網數據挖掘需借助于Map/Reduce模式，其數據挖掘功能的實現還應Map/Reduce化Apriori算法。主要的處理流程包括：
（1）用戶提出挖掘服務的請求，且由用戶來設置Apriori所需的數據，如最小支持度、置信度。
（2）當Master接收到請求后，通過NameNode來進行PML文件的申請，而后逐步完成訪問空閑節點列表、向空閑的DataNode分配任務、調度和并行處理各個DataNode需要的存儲節點算法。
（3）運用Map函數來處理每個DataNode的<key，value>對映射、新鍵值對，以CnK（用1表示每一個CnK的支持度）來表示所產生的一個局部候選頻繁K項集。
（4）通過Reduce函數來實現調用計算，對每個DataNode節點上相同候選項集的支持度進行累加，以產生一個實際的支持度，將其與最小支持度（用戶申請時所設置）進行比較，進而用LnK表示所生成的局部頻繁K項集的集合。
（5）對所有的處理結果進行合并，從而實現全局頻繁K項集LK的生成。
3結論
網上銀行促銷渠道分析系統采用C/S架構或者B/S架構，充分考慮系統易用性和投入產出。從維護網上銀行的C/S架構和B/S架構角度來分析，使用網上銀行促銷渠道分析系統的多是管理人員，并且在未來的發展過程中，系統用戶數量也不會大幅度上漲，綜合網上銀行系統的維護成本和開發成本，盡量選擇C/S架構。從使用者和系統數據傳輸的角度來分析，只有銀行工作人員才能使用這個系統，而C/S架構具有良好的靈活性。綜上所述，網上銀行促銷渠道分析系統可以使用C/S架構來部署軟件模塊。由于網上銀行系統包含大量的客戶信息數據，因此網上銀行系統必須具有更高的安全性和保密性，相關操作人員必須強化風險防范意識，規范網上銀行系統操作，嚴格控制系統的數據傳輸。網上銀行系統必須具有良好的擴展性，為數據表和數據查詢算法留出充足的軟硬件資源。同時，網上銀行渠道分析系統要支持工作人員擴展數據查詢、數據字典和數據表之前的交叉查詢，將用戶的查詢記錄保存在本地網絡服務器上，盡量避免重復查詢，提高網上銀行渠道分析系統的查詢速度。
2數據挖掘技術在網上銀行促銷活動中的運用
隨著商業銀行的快速發展，網上銀行受到人們的廣泛關注。網上銀行系統以計算機網絡為交易平臺，各種新型的促銷策略，使網上銀行業務得到迅速拓展。但是，和四大行相比，一些商業銀行的網上銀行業務仍然存在很大的差距。同時，近年來，網上銀行市場競爭日益激烈，某些網上銀行業務在應用過程中出現了促銷成本不斷增加，而促銷效果不理想的狀況，數據挖掘技術在網上銀行促銷活動中的運用，要積極解決這些問題。
2.1提高營銷質量當前，很多銀行都逐漸加大了網上銀行促銷力度，但是促銷活動的效果卻不明顯，單純的依靠贈送禮品或者各種優惠措施，在很大程度上會提升促銷成本，并且難以真正地吸引客戶。在網上銀行促銷活動中應用數據挖掘技術，分析不同促銷活動的特點，根據網上銀行系統自身的特點和優化，對不同客戶進行組合促銷，將不同的網上銀行業務或者產品聯系起來，有針對性地對有意向的客戶進行促銷，合理安排網上銀行促銷活動內容和時間，盡量在電子商務交易高峰時段之前，實現網上銀行促銷活動的目標。
2.2優化客戶結構一些商業銀行不了解客戶的真實需求，在發展潛在客戶時，缺乏針對性，網上銀行促銷活動的交易需求較弱。因此要應用數據挖掘技術挖掘一些隱含的信息，明確哪些客戶對網上銀行的哪些產品或者業務有需求，挖掘潛在的、有實力的客戶，將這些客戶作為網上銀行促銷活動的重點客戶。
2.3優化促銷活動流程在網上銀行促銷活動中運用數據挖掘技術，采用運用關聯分析，挖掘傳統銀行渠道重點產品和網上銀行系統重點產品的業務數據，挖掘非網絡銀行系統和網絡銀行系統業務以及網絡銀行系統不同業務或者產品之間的關聯關系，通過數據挖掘技術尋找符合網上銀行系統運營條件的關聯關系，探索網上銀行系統不同產品和業務之間的依存性或者相似性[2]，由此將網上銀行系統的某一項業務或者產品作為重點促銷產品來拉動其他業務和產品的銷售，并且可以將一些業務或者產品組合起來進行有針對性的促銷，提高網上銀行促銷活動效果。另外，挖掘優質、有潛力客戶特征，優質客戶可以銀行提供大量的業務收入和交易量，因此可以通過數據挖掘技術的聚類方法分析銀行系統的客戶構成，挖掘優質客戶的共同特征，為網上銀行促銷活動提供重要的依據。
3結束語
在上述系統設計的基礎之上，我們提出了網店客戶購買數據挖掘系統的模型，該模型由三個層次組成，其邏輯架構如圖一所示。
2、系統設計與實現
2.1系統開發與運行環境硬件環境：CPUIntelI3380M/RAM2G/硬盤320G軟件配置：操作系統：Windows7SP1開發工具：2005/VisualC#數據庫管理系統：MSSQLServer2008輔助軟件：SPSSClementine11.1；SQLServer2008AnalysisServices（SSAS）
2.2主要技術與系統實現通過對上述對客戶購買數據挖掘系統模型的分析可知，該系統主要由用戶接口模塊、數據清洗模塊、數據格式轉換模塊、數據庫生成模塊和數據挖掘引擎模塊等組成。1）用戶接口模塊本系統最終目的還是為為客戶的決策提供支持，因此友好的界面設計是用戶與系統交互的基礎。簡潔而易于理解的界面有利于提高用戶對系統的使用效率。2）數據預處理模塊客戶訪問數據進入數據預處理模塊進行清洗，去除無關的信息，剝離出對數據挖掘有價值的數據。數據預處理模塊對原始訪問數據進行分析，將用戶購買數據記錄逐條的分割成十個字段，分別為：u_id（訪問者編號），u_date（到訪日期），u_time（到訪時間），u_orderid（訂單編號)，u_product（客戶購買的商品），u_bowser（使用的瀏覽器類型），page（首次到訪頁面），place（客戶所在地區），payment（支付方式），logistic（物流方式），同時刪除訪問數據中與以上字段不相干的數據。然后將經過預處理的數據存入中間文件。3）XML轉換模塊該模塊程序使用.NET的相關的方法編寫，主要功能將預處理過的客戶購買數據轉換成標準化XML格式的數據文件進行存儲。該程序的主要實現原理是對經過預處理的中間文件中的數據記錄逐個分割并存入數組，然后將數組的內容按照XML的格式寫入文件，完成轉換。4）數據庫導入模塊利用.NET的相關方法并結合數據庫管理工具建立支持數據挖掘的客戶購買數據庫，編寫相關程序將已經轉換成XML格式的客戶訪問數據逐條的導入到數據庫并形成日志數據表方便進行后續的數據挖掘。5）數據挖掘引擎模塊數據挖掘引擎是實現客戶購買數據挖掘系統的實現關鍵。優秀的數據挖掘算法不僅可以使數據挖掘的結果更加準確，也可以提高數據挖掘的效率。本系統主要用到的算法是該模塊利用數據挖掘算法對數據進行挖掘，主要包括算法的優化、日志數據表的刪除操作以及挖掘結果集的保存與刪除操作等。這里主要用到的算法是K-Means算法。主要是利用該算法發現最相似的客戶聚類，通過對聚類的分析來得出網店眾多的顧客一般的購買行為模式，從而可以適當地調整網站營銷的策略中的來提高網絡營銷的效果，進而增加銷售量。
3、小結
