共计 2348 个字符，预计需要花费 6 分钟才能阅读完成。
一、为什么须要数据挖掘？
咱们晓得，BI 能够辅助决策，BI 利用依照不同的水平可分为现状剖析、起因剖析、预测剖析。
现状剖析洞察产生了什么？例如企业经营好了还是坏了？经营指标实现状况？业务形成？各项业务形成、倒退及变动等。
起因剖析进一步洞察为什么会产生？例如去年利润环比降落 10% 什么起因导致的？年度的销售量指标为什么未达成？
预测剖析洞察未来要产生什么？例如明年公司业绩将会是多少？哪些客户可能散失？
不论是现状剖析，还是起因剖析，通过 OLAP 都能够实现。然而，OLAP 实现不了预测剖析，而预测恰好就是数据挖掘最善于的。
二、什么是数据挖掘？
数据挖掘是依照预约的规定对数据库和数据仓库中已有的数据进行信息开采、开掘和剖析，从中辨认和抽取隐含的模式和乏味常识，为决策者提供决策依据。 数据挖掘的工作是从数据中发现模式。模式有很多种，按性能可分为两大类：预测型（Predictive）模式和形容型（Descriptive）模式。
预测型模式是能够依据数据项的值精准确定某种后果的模式。开掘预测型模式所应用的数据也都是能够明确晓得后果的。形容型模式是对数据中存在的规定做一种形容，或者依据数据的相似性把数据分组。形容型模式不能间接用于预测。在理论利用中，依据模式的理论作用，可细分为分类模式、回归模式、工夫序列模式、聚类模式、关联模式和序列模式 6 种。其中蕴含的具体算法有货篮剖析（Market Analysis）、聚类检测（Clustering Detection）、神经网络（Neural Networks）、决策树办法（Decision Trees)、遗传算法（Genetic Analysis）、连贯剖析（Link Analysis）、基于范例的推理（Case Based Reasoning）和粗集（RoughSet）以及各种统计模型。
三、OLAP 与数据挖掘的区别？
OLAP 与数据挖掘的区别是：OLAP 侧重于与用户的交互、疾速的响应速度及提供数据的多维视图，而数据挖掘则重视主动发现暗藏在数据中的模式和有用信息，只管容许用户领导这一过程。OLAP 的剖析后果能够给数据挖掘提供剖析信息作为开掘的根据，数据挖掘能够拓展 OLAP 剖析的深度，能够发现 OLAP 所不能发现的更为简单、粗疏的信息。数据挖掘的钻研重点则偏差数据挖掘算法以及数据挖掘技术在新的数据类型、应用环境中应用时所呈现新问题的解决上，如对各种非结构化数据的开掘、数据挖掘语言的标准化以及可视化数据挖掘等。
简略来说，OLAP 揭示的是已知的、过来的数据关系，数据挖掘揭示的是未知的、未来的数据关系。 所以，数据挖掘能够用来做预测！
四、为什么须要数据挖掘？
数据挖掘是如何做到预测的？因为数据挖掘有一套规范的流程，能够对数据进行各种迷信的解决和测试，从而发现数据自身暗藏的法则。这套流程概括起来包含业务了解、数据筹备、建设模型和评估模型 4 个步骤，咱们以“预测银行批发客户散失”这个利用场景为例进行阐明：
第 1 步：业务了解
确定指标，明确剖析需要
预测哪些银行批发客户将会散失，提前做好营销挽留。
第 2 步：数据筹备
收集原始数据、测验数据品质、整合数据、格式化数据
初步判断客户可能会散失的状况，如银行卡交易量逐月降落、客户投诉继续一直，对跟这些状况无关的数据进行采集、格式化。
第 3 步：建设模型
抉择建模技术、参数调优、生成测试计划、构建模型
客户是否会散失，是一个分类问题，所以抉择分类算法建设模型并进行训练。
第 4 步：评估模型
对模型进行全面的评估，评估后果、重审过程
对建设好的模型进行评估，并且要依据预测后果一直调整模型参数，实现模型的最优化。
五、数据挖掘工具的应用
整个数据挖掘流程最要害是模型的迭代优化 ，模型算法有分类算法、回归算法、聚类算法等，每种算法类型又蕴含多种不同的算法，例如分类算法，就蕴含逻辑回归、奢侈贝叶斯、决策树等，应用的编程语言有 Java 语言、Python 语言、R 语言。开掘开掘不仅须要扎实的计算机常识，而且还波及到统计学、模型算法等技术，学习门槛很高，个别是业余技术人员在应用。
然而，借助市场上提供的数据挖掘工具，能够把数据挖掘的流程大大简化，让一般的剖析人员也能够疾速把握。例如，由思迈特软件推出的数据挖掘工具 Smartbi Mining，以互联网式用户体验为设计指标，极简格调的流式建模，疾速实现各种类型的数据挖掘利用，为集体、团队和企业所做的决策提供预测性剖析。
Smartbi Mining 具备流程化、可视化的建模界面，内置实用的、经典的统计开掘算法和深度学习算法，这些算法配置简略升高了机器学习的应用门槛，大大节俭了老本，业务人员可通过轻松利落拽组件的操作，进行可视化建模，实现模型流程的搭建，并能将模型公布治理。
六、数据挖掘的利用场景
数据挖掘可广泛应用于各个领域，包含企业经营、生产管制、市场剖析、工程设计、城市规划和迷信摸索等，上面是几个在企业经营畛域的典型利用场景：
1、精准营销
剖析客户的属性和消费行为，为客户举荐最合适的产品信息，进步营销的成果。
2、客户保留
剖析客户在购买产品方面的行为变动和满意度状况，预测可能会散失的客户，提前做好挽留工作。
3、销量预测
剖析产品的历史销售数据，预测将来一段时间的产品销量，为生产、库存提前做好筹备。
4、价格预测
收集市场上影响产品价格的各种数据进行剖析，预测产品价格的发展趋势，抢占市场先机。
5、信用评分
剖析客户的根本信息和生产、还贷等记录，对客户信用进行评分，防备信用风险，缩小损失。
不论是 OLAP，还是数据挖掘，数据分析技术始终都在翻新倒退。将来随着 BI 交融 AI 的不断深入，数据分析也将变得更加智能，更加易用。咱们须要依据理论的利用场景，抉择最适宜的剖析工具来进步工作效率，从而更好地领导业务决策，让 BI 施展出更多的效益！