数据挖掘的定义

技术角度的定义

数据挖掘（Data Mining)是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。与数据挖掘相近的同义词包括：数据融合、数据分析和决策支持等。 这一定义包括好几层含义:数据源必须是真实的、海量的、含噪声的;发现的是用户感兴趣的知识;发现的知识要可接受、可理解、可运用；并不要求发现放之四海皆准的知识，仅支持特定的发现问题。
zxa

商业角度的定义

数据挖掘是一种新的商业信息处理技术，其主要特点是对商业数据库中的大量业务数据进行抽取、转换、分析和其他模型化处理，从中提取辅助商业决策的关键性信息。 简言之，数据挖掘其实是一类深层次的数据分析方法。因此，数据挖掘可以描述为:按企业既定业务目标，对大量的企业数据进行探索和分析，揭示隐藏的、未知的或验证己知的规律性，并进一步将其模型化的有效方法。

实施数据挖掘的目的

不再是单纯为了研究，更主要的是为商业决策提供真正有价值的信息，进而获得利润。

数据挖掘的特点

数据挖掘在一定意义上是发现驱动的,即数据挖掘是要发现那些不能靠直觉发现的信息或知识，甚至是违背直觉的信息或知识，挖掘出的信息越是出乎意料，就可能越有价值。

国外数据挖掘的研究现状

IEEE的Knowledge and Data Engineering会刊率先在1993年出版了KDD技术专刊。半月刊Knowledge Discovery Nuggets最为权威（http://www.kdnuggets.com/ subscribe.html）。在网上还有许多自由论坛，如DM Email Club等。

数据挖掘模型

CRISP-DM模型中，数据挖掘包括六个步骤：

1.业务理解（Business Understanding）阶段 ：

确定业务目标：分析项目的背景，从业务视点分析项目的目标和需求，确定业务角度的成功标准；
项目可行性分析：分析拥有的资源，条件和限制，风险估计，成本和效益估计；
确定数据挖掘目标：明确确定数据挖掘的目标和成功标准，数据挖掘的目标和业务目标是不一样的，前者指技术上的，例如生成一棵决策树等；
提出项目计划：对整个项目做一个计划，初步估计用到的工具和技术。

2．数据理解（Data Understanding）阶段

收集原始数据：收集本项目所涉及到的数据，如有必要，把数据装入数据处理工具，并作一些初步的数据集成的工作，生成相应报告;
描述数据：对数据做一些大致的描述，例如记录数、属性数等，给出相应报告；
探索数据：对数据做简单的统计分析，例如关键属性的分布等；
检查数据质量：包括数据是否完整、数据是否有错、是否有缺失值等问题。

3．数据准备（Data Preparation）阶段

数据选择：根据数据挖掘目标和数据质量选择合适的数据，包括表的选择、记录选择和属性选择；
数据清洁：提高选择好的数据的质量，例如去除噪音，估计缺失值等；
数据创建：在原有数据的基础上是生成新的属性或记录；

4．建立模型（Modeling）阶段

选择建模技术：确定数据挖掘算法和参数，可能会利用多个算法；
测试方案设计：设计某种测试模型的质量和有效性的机制；
模型训练：在准备好的数据集上运行数据挖掘算法，得出一个或者多个模型；
模型测试评估：根据测试方案进行测试，从数据挖掘技术的角度确定数据挖掘目标是否成功。

5．模型评估（Evaluation）阶段

结果评估：从商业角度评估得到的模型，甚至实际试用该模型测试其效果；
过程回顾：回顾项目的所有流程，确定每一个阶段都没有失误；
确定下一步工作：根据结果评估和过程回顾得出的结论，确定是部署该挖掘模型还是从某个阶段开始重新开始。

6．部署（Deployment）阶段

部署计划：对在业务运作中部署模型作出计划；
监控和维护计划：如何监控模型在实际业务中的使用情况，如何维护该模型；
作出最终报告：项目总结，项目经验和项目结果；
项目回顾：回顾项目的实施过程，总结经验教训；对数据挖掘的运行效果做一个预测。

实现流程

数据挖掘过程的分步实现,不同的步骤需要不同的专业人员参与完成,大体分为三类：
1）业务分析人员：要求精通业务,能够解释业务对象,并根据各业务对象确定出用于数据定义和挖掘算法的业务需求。
2）数据分析人员：精通数据分析技术,并对统计学有较熟练的掌握,有能力把业务需求转化为数据挖掘的各步操作,并为每步操作选择合适的技术。
3）数据管理人员：精通数据管理技术,并从数据库或数据仓库中收集数据。

数据挖掘的应用

数据挖掘技术在市场分析、业务管理、决策支持等方面有广泛的应用，是实现CRM和BI的重要技术手段之一。
具体涉及数据挖掘的商业问题有数据库营销（Database Marketing）、客户群体划分（Customer Segmentation & Classification）、背景分析（Profile Analysis）、交叉销售（Cross-selling）等市场分析行为，以及客户流失分析(Churn Analysis)、客户信用评分(Credit Scoring)、欺诈甄别(Fraud Detection)等

未来趋势

1）发现语言的形式化描述
即研究专门用于知识发现的数据挖掘语言，寻求类似于数据库中SQL语言一样的数据挖掘语言，使挖掘过程走向形式化和标准化。
2）寻求数据挖掘过程中的可视化方法
使知识发现的过程能够被用户理解，也便于在知识发现的过程中进行人机交互。
3）研究在网络环境下的数据挖掘技术
特别是在因特网上建立DMKD服务器，并且与数据库服务器配合，实现Web挖掘。
4）加强对各种非结构化数据的挖掘
如对文本数据、图形数据、视频图像数据、声音数据乃至综合多媒体数据的挖掘。
5） 知识的维护更新
数据挖掘的结果——知识是具有时效性的，需要研究知识的维护更新技术，如知识的增量更新、模型的进化等。