数据挖掘技术在交叉销售中的应用.docx

数据挖掘技术在交叉销售中的应用.docx

《数据挖掘技术在交叉销售中的应用.docx》由会员分享，可在线阅读，更多相关《数据挖掘技术在交叉销售中的应用.docx（41页珍藏版）》请在冰豆网上搜索。

数据挖掘技术在交叉销售中的应用

苏州大学

硕士学位论文

数据挖掘技术在交叉销售中的应用

姓名：

陈健

申请学位级别：

硕士

专业：

计算机技术

指导教师：

李培峰

20090501

数据挖掘技术在交叉销售中的应用摘要

摘要

随着社会经济的飞速发展，企业面临的竞争压力在不断增加，与此同时随之而来的大量市场机会也令商家心怦然心动。

企业如何在复杂多变的市场环境中生存发展昵？

交叉销售这种新兴的营销思想为市场销售人员找到了一条走出困境突破瓶颈的通路，它使企业最大程度地整合开发利用自身拥有的资源，提高企业营销活动效率，满足客户的个性化需求从而获取更多的消费者剩余，提高客户份额和客户忠诚度，最终建立牢不可破的竞争优势和市场地位。

交叉销售的决策依据和基础是数据库，更确切的说是存储其中的可供决策的知识信息。

数据挖掘技术的应用使得这些众多知识信息对企业的决策更具使用价值，最终使企业在复杂多变的市场环境中及时、准确的做出判断和决策。

本文将数据挖掘与交叉销售这两个前沿课题相结合，利用数据挖掘技术为交叉销售提供有效的知识信息和决策支持。

首先，．分析数据挖掘和交叉销售的基本理论。

然后，研究数据挖掘技术在交叉销售中的具体应用，并提出基于数据挖掘技术的交叉销售模型。

在此基础上，对系统的设计与实现方法进行了研究。

最后，以中国移动某公司的实际例子作为实案，验证了本文的研究结论。

关键词：

交叉销售；数据仓库；数据挖掘；知识；决策

作者：

陈健指导老师：

李培峰

ＡｂＳ仃ａｃｔ数据挖掘技术在交叉销售中的应用

Ａｂｓｔｒａｃｔ

Ａｓｔｈｅｅｃｏｎｏｍｙｄｅｖｅｌｏｐｓｑｕｉｃｋｌｙ，ｅｎｔｅｒｐｒｉｓｅｓａｒｅｅｎｃｏｕｎｔｅｒｅｄｗｉｔｈ

ａｈｉｇｈｅｒｃｏｍｐｅｔｉｔｉｏｎｐｒｅｓｓｕｒｅ．Ａｔｔｈｅｓａｍｅｔｉｍｅ，ａｌｌｔｈｅｍｅｒｃｈａｎｔｓ

ａｒｅａｔｔｒａｃｔｅｄｂｙｌｏｔｓｏｆｍａｒｋｅｔｏｐｐｏｒｔｕｎｉｔｉｅｓ．Ｈｏｗｔｏｓｕｒｖｉｖｅａｎｄｄｅｖｅｌｏｐｉｎａｃｏｍｐｌｅｘａｎｄｃｈａｎｇｅａｂｌｅｍａｒｋｅｔｅｎｖｉｒｏｎｍｅｎｔｂｅｃｏｍｅｓ

ａｇｒｅａｔｃｈａｌｌｅｎｇｅｆｏｒｃｏｍｐａｎｉｅｓ．Ｒｅｃｅｎｔｌｙ，ｃｒｏｓｓ．ｓｅｌｌｉｎｇａｐｐｅａｒｓｔｏｂｅ

ａｎｏｖｅｌｍｅｔｈｏｄｔｏｈｅｌｐｍａｒｋｅｔｓａｌｅｓｍｅｎｇｏｏｕｔｏｆｔｒｏｕｂｌｅ．Ｉｔｍａｋｅｓｅｎｔｅｒｐｒｉｓｅｓｄｅｖｅｌｏｐａｎｄｕｓｅｉｔｓｏｗｎｌｉｍｉｔｅｄｒｅｓｏｕｒｃｅｓ，ｉｍｐｒｏｖｅｓｔｈｅ

ｍａｒｋｅｔｉｎｇｅｆｆｉｃｉｅｎｃｙ，ｍｅｅｔｓｗｉｔｈｔｈｅｃｕｓｔｏｍｅｒｉｎｄｉｖｉｄｕａｌｎｅｅｄｓ，ｉｎｏｒｄｅｒ

ｔｏｏｂｔａｉｎｍｏｒｅｒｅｓｔｃｕｓｔｏｍｅｒ，ｅｎｈａｎｃｅｓｔｈｅｃｕｓｔｏｍｅｒｓｈａｒｅｓａｎｄｌｏｙａｌｔｙ，ａｎｄｆｉｎａｌｌｙｂｕｉｌｄｓａｎｉｍｐｒｅｇｎａｂｌｅｃｏｍｐｅｔｉｔｉｏｎｓｕｐｅｒｉｏｒｉｔｙａｎｄｍａｒｋｅｔｓｔａｔｕｓ．

Ｔｈｅｃｒｉｔｉｃａｌｆｏｕｎｄａｔｉｏｎｔｅｃｈｎｏｌｏｇｙｏｆｃｒｏｓｓ—ｓｅｌｌｉｎｇｉｎｃｌｕｄｅｓｄａｔａｗａｒｅｈｏｕｓｅａｎｄ

ｄａｔａｍｉｎｉｎｇ．Ｄａｔａｍｉｎｉｎｇ

ｔｅｃｈｎｏｌｏｇｙ

ｃａｎｆｉｎｄｓｏｍｅｋｎｏｗｌｅｄｇｅｆｒｏｍｔｈｅｄａｔａｗａｒｅｈｏｕｓｅｆｏｒｍａｎａｇｅｒｔｏｍａｋｅｄｅｃｉｓｉｏｎｓ．Ｔｈｉｓａｒｔｉｃｌｅｕｎｉｆｉｅｓｄａｔａｍｉｎｉｎｇ

ａｎｄｃｒｏｓｓ・ｓｅｌｌｉｎｇｗｈｉｃｈａｒｅｔｗｏｍｏｄｅｍｔｏｐｉｃｓ，ｓｕｐｐｌｙｉｎｆｏｒｍａｔｉｏｎａｎｄｄｅｃｉｓｉｏｎｓｕｐｐｏｒｔｔｏｃｒｏｓｓ—ｓｅｌｌｉｎｇｔｈｒｏｕｇｈｄａｔａｍｉｎｉｎｇ．Ａｔｆｉｒｓｔ，ｔｈｅａｒｔｉｃｌｅａｎａｌｙｚｅｓｔｗｏｂａｓｉｃｔｈｅｏｒｉｅｓ，ｄａｔａｍｉｎｉｎｇａｎｄｃｒｏｓｓ—ｓｅｌｌｉｎｇ．Ｔｈｅｎ，ｉｔｃｏｎｔｉｎｕｅｔｏｒｅｓｅａｒｃｈｔｈｅａｐｐｌｉｃａｔｉｏｎｏｆｄａｔａｍｉｎｉｎｇｉｎｃｒｏｓｓ—ｓｅｌｌｉｎｇ，ａｎｄｐｒｏｐｏｓｅｃｒｏｓｓ．ｓｅｌｌｉｎｇｍｏｄｅｌｉｎｂａｓｉｃｏｆｄａｔａｍｉｎｉｎｇ．Ａｔｌａｓｔ，ａｎａｌｙｚｉｎｇａｎｄｄｉｓｃｕｓｓｉｎｇｔｈｅｓｕｂｊｅｃｔｉｎａｃｔｕａｌｃａｓｅｓ．

Ｋｅｙｗｏｒｄｓ：

ｃｒｏｓｓ—ｓｅｌｌｉｎｇ；ｄａｔａ－ｗａｒｅｈｏｕｓｅ；ｄａｔａ—ｍｉｎｉｎｇ；ｋｎｏｗｌｅｄｇｅ；ｄｅｃｉｓｉｏｎ—ｍａｋｉｎｇ

Ｉｌ

Ｗｒｉｔｔｅｎｂｙ：

ＣｈｅｎＪｉａｎ

Ｓｕｐｅｒｖｉｓｅｄｂｙ：

ＬｉＰｅｉｆｅｎｇ

苏州大学学位论文独创性声明及使用授权的声明

学位论文独创性声明

本人郑重声明：

所提交的学位论文是本人在导师的指导下，独立进行研究工作所取得的成果。

除文中已经注明引用的内容外，本论文不含其他个人或集体已经发表或撰写过的研究成果，也不舍为获彳导苏州大学或其它教育机构的学位证书而使用过的材料。

对本文的研究作出重要贡献的个人和集体，均己在文中以明确方式标明。

本人承担本声明的法律责任。

研究生签名：

室经垒量日肌．丝苎：

坐

学位论文使用授权声明

苏州大学、中国科学技术信息研究所、国家图书馆、清华大学论文合作部、中国社科院文献信息情报中心有权保留本人所送交学位论文的复印件和电子文档，可以采用影印、缩印或其他复制手段保存论文。

本人电子文档的内容和纸质论文的内容相一致。

除在保密期内的保密论文外，允许论文被查阅和借阅，可以公布（包括刊登）论文的全部或部分内容。

论文的公布（包括刊登）授权苏州大学学位办办理。

研究生签名：

空绎垒童旦

导师签名：

幽日

ｊ

ｊ凝：

ｅ巧：

§．珥期：

扦Ｓ、ｏ峙

数据挖掘技术在交叉销售中的应用第一章

１．１课题的研究背景第１章

引言

随着社会科学技术的进步和经济发展脚步的加快，一切市场竞争和市场决策开始围绕信息而展开。

近几年来，企业的信息化风暴席卷全球，给企业的管理经营带来了不少的益处。

但是，对于大部分企业，海量的数据信息都被成本不菲的信息化产品精美的包装搁置起来，只遗憾地发挥着十分局限的作用。

由于缺乏有效的发现手段而使数据库成为“数据坟墓”。

其实，在企业信息化应用过程中所存储积累下来的天量数据背后隐藏着许多重要的信息，更高层次的分析能够更好地利用这些数据，他们具有预测外部环境变化趋势的潜力。

但是，到现在为止，这种潜力还未得到充分的开发利用。

企业的数据库系统虽然可以高效的实现数据录入、查询、统计等功能，但无法发现数据中蕴藏的关系和规则，不能将现有数据来预测未来的发展趋势。

数据挖掘手段的缺乏，导致“我们淹没在数据的海洋中，但却缺乏知识”的悲剧。

数据挖掘是一门交叉学科，它融合了人工智能、数据库、机器学习、统计学等多个领域的理论和技术。

数据挖掘技术是解决企业所面临困境的～种有效手段。

数据挖掘中的关联规则、序列模式挖掘、聚类分析等技术具有发现大量数据中所隐藏的无限商机会的能力。

通过引进数据挖掘的一些模式和方法，使管理决策人员通过对对象的分析，按照既定的目标去寻找～种最佳的解决方案，这样就能够紧紧跟踪甚至超前于市场的需求变化，快速做出决策并执行，抢占先机，增强企业对市场的应变能力，提高企业核心竞争力。

由于市场竞争日趋激烈，导致企业依靠获得新用户的方式开展经营活动越来越困难，因而企业开始将关注点放在现有用户身上，许多企业也纷纷使用关系营销的理论来指导企业的经营活动，而交叉销售正是一种向现有客户销售更多本企业的其他业务的一种营销方式，正好适应了市场竞争环境的变化；另一方面，信息技术在最近十年中有了较大的发展，无论是在信息搜集、储存还是在知识发现方面都出现了更多的理论和方法。

这些理论和方法为交叉销售提供了更多和更好的技术支持，使得如今企业实施交叉销售要比以前更具有可行性。

目前，交叉销售的营销思想已经在国内外得到重视和初步的研究和应用，在有关交叉销售机会识别和实施流程的研究还有待完善。

另外，数据挖掘技术属于前沿课题，其应用领域十分宽泛：

（１）数据挖掘技术在生物医学中的应用。

近年来生物医药的发展，如新药的开发，癌症的治疗等都是建立在数据分析基础上，对分析的研究成果，已经导致了

笙二雯鍪塑丝塑垫查垄銮墨堂笪！

塑窒旦对许多疾病和残疾基因的发现，从而使人类疾病的诊断、预防和治疗达到了一个新的水平，利用数据挖掘技术在数据的分析研究中可以进行序列间的相似搜索和比较；同时出现基因序列的相关分析；致病基因的发现；遗传数据分析等。

（２）数据挖掘技术在金融数据分析中的应用。

储蓄，信用和投资服务是大部分银行和金融机构的主要业务，有些还提供保险和证券服务等利用数据挖掘可以对金融数据仓库进行多维分析，按月，按地区，按部门，或其他因素，查看负债和收入的变化情况，并能够提供最大，最小，总和，平均等统计信息；可以对贷款偿付预测和客户信用政策进行分析；利用分类和聚集的方法对用户群体进行识别和目标市场分析；以及对金融犯罪进行预防和侦破。

（３）数据挖掘技术在商业零售业中的应用。

数据分析中的应用随着电子收款网络的普及，在商业零售业中积累了大量的销售数据，因此商业零售业成为数据挖掘的重要应用领域。

在商业零售业中，利用数据挖掘可以对销售，顾客，产品，时间和地区的多维分析；促销活动的有效性分析；顾客忠诚度的分析；购买推荐分析以及相关商品的参照促销等。

（４）数据挖掘技术在电信业数据分析中的应用。

电信业已经迅速地从单纯的提供市话和长话服务演变成提供如语音，传真，寻呼，移动电话，图像，电子邮件，计算机（数据传输等综合电信服务）等服务。

在激烈的电信市场竞争和迅速的业务扩张中，可以利用数据挖掘技术的帮助来理解商业行为，确定电信模式，捕捉盗用行为，更好地利用资源和提高服务质量。

如对电信数据进行多维分析；盗用模式分析和异常模式识别；多维关联和序列模式分析；电信数据分析中的可视化工具的使用等。

通过本文，试图将这两个实用性很强的工具结合起来，使它们强大的功能在零售、电信、ＣＲＭ等行业或领域得到充分的发挥。

１．２论文的主要工作

交叉销售就是服务人员在向顾客提供某种服务或产品的同时，推销其他产品或服务。

它借助各种分析技术和经验判断，发现现有客户的多种相关需求，通过满足其需求而销售多种相关产品和服务的一种营销理念。

在现代营销意义上，交叉销售不只是一种营销方式，还是一种营销哲学，即充分利用一切可能利用的资源展开营销、服务市场、赢得顾客、与合作伙伴共享市场。

这些资源包括自己现有的，可以开发的或正在开发的，也包括合作伙伴的。

例如，一个高尔夫俱乐部会员卡的购买者，可能也是轿车购买者，还可能是健身器械的购买者。

交叉销售的好处在于可以充分利用企业现有的或获得的客户信息，所以在营２

鍪堡笙塑垫查垄銮墨堂笪皇箜窒旦

苎二童

销时具有成功率高和销售成本低的特点。

以上可见，交叉销售的前提是企业知道顾客是谁、他购买了什么产品或服务、有哪些具体的消费属性；核心是数据库的应用；关键是与特定顾客高效率的沟通；结果则是销售和利润的增加。

所以，这种营销方式在很大程度上是以数据库营销为基础，对客户关系管理（ＣＲＭ）的深度挖掘和应用。

比如一个购买了婴儿车的客户很有可能对你们生产的婴儿尿布或其他婴儿产品感兴趣。

但对企业来说，真正关心的问题在于如何发现这其中内在的微妙关系。

数据挖掘就能够帮助企业发现这其中的关系。

数据挖掘借助ＣＲＭ建立起的数据仓库，通过统计或人工智能等算法分析数据，建立模型，从而发现产品与顾客之间的关系、产品与产品之间的关系。

比如保险公司和银行之间建立交叉销售，保险公司可以通过分析银行的客户信息数据库，发掘出银行中的哪些客户最有可能购买保险，进一步通过客户细分，找出这些客户中哪些适合购买寿险，哪些又适合购买人身保险或车险等。

其次，保险公司可以通过关联分析找到银行不同产品或服务与保险公司不同产品之间的相关性，比如拥有银行信用金卡更需要哪种险种。

本文将交叉销售思想构建在数据仓库基础之上，运用数据挖掘技术手段，探索交叉销售实现的可行性。

第一，通过介绍交叉销售的概念以及理论基础，以及研究其对企业的现实意义，使企业认识到交叉销售对于企业开拓市场，将原有市场深化的重要意义。

第二，并不是所有企业都可以开展交叉销售，也不是对所有客户都适用于交叉销售，本文希望通过对交叉销售实施过程的研究，提出怎样识别交叉销售的机会，怎样选择合适的顾客和恰当的产品开展交叉销售。

另外怎样开展交叉销售的管理以及对交叉销售效果的评估也是企业开展交叉销售的时候需要的步骤，这也是本文的研究方向之一。

交叉销售的基础是数据库，或者从根本上说是数据库存储的知识信息。

交叉销售是一种基于信息处理之上的营销思想，它为消费者提供的解决方案的质量高低取决于数据库中的信息被反映的明朗程度。

无论是数据库还是由数据库而发展来得数据仓库，是企业进行交叉销售的原材料，经过数据挖掘技术的烹制，做出来的美味才能让消费者接受，给企业带来效益。

本文用五部分的内容来阐述数据挖掘技术在交叉销售中的应用，重点介绍数据挖掘技术在交叉销售过程中的应用环节，最后在以实证案例对所研究的实施方法进行实践。

１．３论文的结构

本文主要用五部分的内容来阐述数据挖掘技术在交叉销售中的应用，重点介绍数据挖掘技术在交叉销售过程中的应用环节，最后在以实证案例对所研究的实施方法进行实践。

论文第一章为绪论，阐述了课题的研究背景，指出了课题研究的目的和意义，论文的主要工作和全文的组织结构；第二章阐述了数据挖掘、交叉销售的相关理论。

第三章主要研究了交叉销售的模型设计。

第四章则系统地阐述了系统的设计与实现；第五章通过实际案例研究验证了本文的研究价值；最后一章对全文进行总结，指出了论文存在的不足之处，并对本文所涉及的课题进行展望。

４

第２章数据挖掘、交叉销售理论研究

本章主要介绍数据挖掘和交叉销售的一些基本理论，为后续章节做准备。

本章首先介绍了数据挖掘的基础理论，其余章节分别从三个角度描述了交叉销售概念。

２．１数据挖掘理论

随着计算机技术的发展，各行各业都开始采用计算机及相应的信息技术进行管理和运营，这使得企业生成、收集、存贮和处理数据的能力大大提高，数据量与日俱增。

企业数据实际上是企业的经验积累，当其积累到一定程度时，必然会反映出规律性的东西；对企业来，堆积如山的数据无异于一个巨大的宝库。

在这样的背景下，人们迫切需要新一代的计算技术和工具来开采数据库中蕴藏的宝藏，使其成为有用的知识，指导企业的技术决策和经营决策，使企业在竞争中立于不败之地。

另一方面，近十余年来，计算机和信息技术也有了长足的进展，产生了许多新概念和新技术，如更高性能的计算机和操作系统、因特网、数据仓库、神经网络等等。

在市场需求和技术基础这两个因素都具备的环境下，数据挖掘技术或称ＫＤＤ（ＫｎｏｗｌｅｄｇｅＤｉｓｃｏｖｅｒｙｉｎＤａｔａｂａｓｅｓ；数据库知识发现）的概念和技术就应运而生了。

自从上个世纪６０年代以来，数据库和信息技术已经系统地由原始的文件处理演化到复杂的功能强大的数据库系统。

数据库系统中的数据量也在应用的扩展中不断地积累。

数据的丰富带来了对强有力的数据分析工具的需求，大量的数据被描述为“数据丰富，但信息贫乏”。

快速增长的海量数据收集，存放在大型和大量数据库中，没有强有力的工具，理解他们已经远远超出了人的能力。

这样，重要的决定常常不是基于数据库中信息丰富的数据，而是基于决策者的直接。

但是，如果通过数据挖掘工具进行数据分析，可以发现重要的数据模式，对商务决策、知识库、科学和医学研究等领域都会起到相当大的作用，从而使得数据和信息之间的“鸿沟”不再存在了。

自上个世纪９０年代以来，数据挖掘技术得到了充分的发展，针对不同的领域问题，学术界提出了多种解决的算法，例如分类、聚类、关联规则、孤立点查询等等。

对于如何在一个框架之下合理整合各种算法，历来是各个数据挖掘公司的核心技术。

数据挖掘（ＤａｔａＭｉｎｉｎｇ，ＤＭ）旨在从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的

第二章数据挖掘技术在交叉销售中的应用信息和知识。

还有很多和这一术语相近似的术语，如从数据库中发现知识（ＫＤＤ）、数据分析、数据融合（ＤａｔａＦｕｓｉｏｎ）以及决策支持等。

２．１．１数据挖掘的概念

数据挖掘技术是人们长期对数据库技术进行研究和开发的结果。

起初各种商业数据是存储在计算机的数据库中的，然后发展到可对数据库进行查询和访问，进而发展到对数据库的即时遍历。

数据挖掘使数据库技术进入了一个更高级的阶段，它不仅能对过去的数据进行查询和遍历，并且能够找出过去数据之间的潜在联系，从而促进信息的传递。

从商业层面上讲，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数据。

简而言之，数据挖掘其实是一类深层次的数据分析方法。

数据分析本身已经有很多年的历史，只不过在过去数据收集和分析的目的是用于科学研究，另外，由于当时计算能力的限制，对大数据量进行分析的复杂数据分析方法受到很大限制。

现在，由于各行业业务自动化的实现，商业领域产生了大量的业务数据。

分析这些数据也不再是单纯为了研究的需要，更主要是为商业决策提供真正有价值的信息，进而获得利润。

但所有企业面临的一个共同问题是：

企业数据量非常大，而其中真正有价值的信息却很少，因此从大量的数据中经过深层分析，获得有利于商业运作、提高竞争力的信息，就像从矿石中淘金一样，数据挖掘也因此而得名。

【１】

综上所述，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、未知的或验证已知的规律性，并进一步将其模型化成先进有效的方法。

从技术层面上讲，数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的数据中，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。

作为一种数据处理技术，数据挖掘允许数据处理者从不同的角度去分析数据。

找出数据集中各个数据子集所蕴涵的指示，并能发现这些数据子集间的关系，从而找出隐藏在被处理数据中的数据关系规则。

数据挖掘是一门交叉学科，它把人们对数据的应用从低层次的简单查询，提升到从数据中挖掘知识，提供决策支持。

需要说明的是，数据挖掘并不是一个新兴的技术，许多年前，统计学家就开始手工挖掘数据库，寻找符合统计学规律的有意义的模式。

今天的技术是可以使挖掘过程自动化，把数据挖掘与商业数据仓库相结合，并以适当的形式把结果表示给从事商业活动的用户看。

更好的数据挖掘业务不仅使用强大的算法建模，而６

数据挖掘技术在交叉销售中的应用第二章且还涉及到更广泛的商业和技术方面问题一如把它们集成到当今复杂的信息技术应用环境中去。

２．１．２数据挖掘产生的背景

数据挖掘技术的提出和普遍接受是由于计算机及其相关技术的发展为其提供了研究和应用的技术基础。

归纳数据挖掘产生的背景，下面一些相关技术的发展起到了决定性的作用：

（１）数据库、数据仓库和Ｉｎｔｅｒｎｅｔ等信息技术的发展。

数据库技术从二十世纪８０年代开始，已经得到广泛的普及和应用。

在关系型数据库的研究和产品提升过程中，人们一直在探索组织大型数据和快速访问的相关技术。

高性能关系数据库引擎以及相关的分布式查询、并发控制等技术的使用，已经提升了数据库的应用能力。

在数据的快速访问、集成与抽取等问题的解决上积累了经验。

数据仓库作为一种新型的数据存储和处理手段，被数据库厂商普遍接受并且将相关辅助建模和管理工具快速推向市场，成为多数据源集成的一种有效的技术支撑环境。

另外，Ｉｎｔｅｒｎｅｔ的普及也为人们提供了丰富的数据源。

据说，在美国电视达到５０００万户大约用了１５年，而Ｉｎｔｅｍｅｔ上网达到５０００万户仅用了４年。

而且Ｉｎｔｅｒｎｅｔ技术本身的发展，已经不光是简单的信息浏览，以Ｗ曲计算为核心的信息处理技术可以处理Ｉｎｔｅｒｎｅｔ环境下的多种信息源。

因此，人们已经具备利用多种方式存储海量数据的能力。

只有这样，数据挖掘技术才能有它的用武之地。

这些丰富多彩的数据存储、管理以及访问技术的发展，为数据挖掘技术的研究和应用提供了丰富的土壤。

（２）计算机性能的提高和先进的体系结构的发展。

计算机芯片技术的发展，使计算机的处理和存储能力日益提高。

大家熟知的摩尔定律告诉我们，计算机硬件的关键指标大约以每１８个月翻一番的速度在增长，而且现在看来仍有日益加速的趋势。

随之而来的是硬盘、ＣＰＵ等关键部件的价格大幅度下降，使得人们收集、存储和处理数据的能力和欲望不断提高。

经过几十年的发展，计算机的体系结构，特别是并行处理技术已经逐渐成熟和普遍应用，并成为支持大型数据处理、应用的基础。

计算机性能的提高和先进的体系结构的发展使数据挖掘技术的研究和应用成为可能。

（３）统计学和人工智能等方法在数据分析中的研究和应用。

历经了十几年的发展，包括基于统计学、人工智能等在内的理论与技术性成果已经被成功地应用到商业处理和分析中。

这些应用从某种程度上为数据挖掘技术的提出和发展起到了极大地推动作用。

数据挖掘系统的核心模块技术和算法都离不开这些理论和技术的支持。

从某种意义讲，这些理论本身的发展和应用为数据挖掘提供了有价值的理论和应用积累。

数理统计是一个有几百年发展历史的应用数学学科。

然而

墨三童茎塑丝堡垫查垄銮墨堂堡！

塑查旦它和数据库技术的结合性研究应该说最近十几年才被重视。

以前的基于数理统计方法的应用大多都是通过专用程序来实现的。

我们知道，大多数的统计分析技术是基于严格的数学理论和高超的应用技巧的，这使得一般的用户很难从容地驾驭它。

数据挖掘技术是数理统计分析应用的延伸和发展，假如人们利用数据库的方式从被动地查询变成了主动发现知识的话，那么概率论和数理统计这一古老的学科可以为我们从数据归纳知识一一数据挖掘技术提供理论基础。

【２Ｊ

人工智能是计算机科学研究中争议最多但是仍始终保持强大生命的研究领域。

机器学习应该说是得到了充分的研究和发展，并且数据挖掘技术继承了机器学习解决问题的思想。

专家系统（ＥｘｐｅｒｔＳｙｓｔｅｍ）曾经被认为人工智能向着实用性方向发展的最有希望的技术，但是，这种技术也逐渐表现出投资大、主观性强、应用面窄等致命弱点。

例如，知识获取被普遍认为是专家系统研究中的瓶颈问题。

另外，由于专家系统是主观整理知识，因此这种机制不可避免地带有偏见和错误。

数据挖掘继承了专家系统的高度实用性特点，并且以数据为基本出发点，客观地挖掘知识。

因此，可以说，数据挖掘研究在继承已有的人工智能相关领域的研究成果的基础上，摆脱了以前象牙塔式研究模式，真正开始客观地从数据集中发现蕴藏的知识。

２．１．３数据挖掘的实施流程

数据挖掘的过程就是一个不断探索数据特征、建立和检验模型，发现模型和数据间的关系的过程。

这个过程大体上可以分为：

确定业务对象、数据准备、数据挖掘、结果分析和知识的同化。

数据挖掘是指一个完整的过程，该过程从大型数据库中挖掘先前未知的、有效的、可实用的信息，并使用这些信息做出决策或丰富知识。

【ｌ８】

数据挖掘环境如图２．１所示。

数据挖

可视化掘工具工具

图２．１数据挖掘环境示意图

我们将用流程来表示一个数据挖掘任务。

图２．２就是利用ＵＭＬ语法描绘的用例图。

图中标明了各个步骤之间的流转关系。

８

数据挖掘技术在交叉销售中的应用第二章

Ｑ—＿ｔ一．广＜～用户／

＼

／＼／

图２．２数据挖掘过程图

／

／

／

／

／

过程中各步骤的大体内容如下：

（１）选择数据源

这个数据源可以是数据库的，也可以是文本的数据源。

我们只要搜索所有与业务对象有关的内部和外部数据信息，并从中选择出适用于数据挖掘应用的数据。

（２）数据处理集

用户可以对原始数据源进行一些修改，例如增添字段，检测相关性，对数据集合进行标准化等等。

并研究数据的质量，为进一步的分析作准备。

并确定将要进行的挖掘操作的类型。

（３）设定数据集合属性

这部分的操作包括设定集合的目标字段，取消一些不参与算法的字段。

所有字段均可以看作是产出一个新的数据集合。

（