数据挖掘

数据挖掘是在大型数据集中查找异常、模式和相关性以预测结果的过程。通过使用广泛的技术，您可以利用此信息来增加收入、削减成本、改善客户关系、降低风险等等。

• 历史
•      
• 当今世界
  
•      
• 用户群体
•      
• 工作方式
  

当今世界的数据挖掘

数据挖掘是分析的基石，可帮助您开发可揭示数百万或数十亿条记录中的联系的模型。了解数据挖掘如何影响我们所生活的世界。

谁在使用它？

数据挖掘是各个行业和学科分析工作的核心。

在[数据挖掘和]预测分析正确完成时，这些分析并非达到预测目的的手段；相反，所需的预测会成为获取分析洞察和发现的一种手段。我们在分析我们真正需要分析的东西和预测我们真正想要预测的东西方面做得更好。

摘自 Michael Schrage 在来自哈佛商业评论洞察力中心的报告：《实践中的预测分析》(Predictive Analytics in Practice) 中的叙述

工作方式

数据挖掘作为一门综合学科，代表了用于不同分析能力的各种方法或技术，这些方法或技术可满足组织的各种需求、提出不同类型的问题并使用不同水平的人工输入或规则来做出决策。

描述性建模：发现历史数据中共享的相似性或分组，以确定成功或失败的原因，例如根据产品偏好或情感对客户进行分类。示例技术包括：

预测建模：此建模会更深入地对未来事件进行分类或估计未知结果–例如，使用信用评分来确定个人偿还贷款的可能性。预测建模还有助于发现关于诸如客户流失、营销活动响应或信用违约等事项的洞察。示例技术包括：

规范性建模：随着来自网络、评论字段、书籍、电子邮件、PDF 文件、音频和其他文本源的非结构化数据的增长，作为数据挖掘相关学科的文本挖掘也越来越多地为人所采用。您需要能够成功解析、过滤和转换非结构化数据，以便将其包含在预测模型中，以提高预测准确性。

最后，不应将数据挖掘视为一个单独、孤立的实体，因为预处理（数据准备、数据探索）和后处理（模型验证、评分、模型性能监测）同等重要。说明性建模着眼于内部和外部变量以及约束条件，以推荐一种或多种行动方案，例如，确定要发送给每位客户的最佳营销方案。示例技术包括：