数据挖掘的数据分析方法

       利用 数据挖掘 进行 数据分析 常用的方法主要有分类、 回归分析 、聚类、 关联规则 、特征、变化和偏差分析、Web页挖掘等， 它们分别从不同的角度对数据进行挖掘。 
　　①分类。分类是找出 数据库 中一组数据对象的共同特点并按照分类模式将其划分为不同的类，其目的是通过分类模型，将数据库中的 数据项 映射到某个给定的类别。它可以应用到客户的分类、客户的属性和特征分析、 客户满意度 分析、客户的购买趋势预测等，如一个 汽车 零售商将客户按照对汽车的喜好划分成不同的类，这样 营销人员 就可以将新型汽车的广告手册直接邮寄到有这种喜好的客户手中，从而大大增加了 商业机会 。 
　　②回归分析。回归分析方法反映的是事务数据库中属性值在时间上的特征，产生一个将数据项映射到一个实值预测变量的函数，发现变量或属性间的依赖关系，其主要研究问题包括数据序列的趋势特征、数据序列的预测以及数据间的 相关关系 等。它可以应用到 市场营销 的各个方面，如客户寻求、保持和预防 客户流失 活动、 产品生命周期 分析、销售趋势预测及有针对性的促销活动等。 
　　③聚类。 聚类分析 是把一组数据按照相似性和差异性分为几个类别，其目的是使得属于同一类别的数据间的相似性尽可能大，不同类别中的数据间的相似性尽可能小。它可以应用到客户群体的分类、客户背景分析、客户购买趋势预测、市场的细分等。 
　　④关联规则。关联规则是描述数据库中数据项之间所存在的关系的规则，即根据一个事务中某些项的出现可导出另一些项在同一事务中也出现，即隐藏在数据间的关联或相互关系。在 客户关系管理 中，通过对企业的 客户数据库 里的大量数据进行挖掘，可以从大量的记录中发现有趣的 关联关系 ，找出影响市场 营销效果 的关键因素，为 产品定位 、定价与定制客户群，客户寻求、细分与保持，市场营销与推销，营销 风险评估 和诈骗预测等 决策支持 提供参考依据。 
　　⑤特征。特征分析是从数据库中的一组数据中提取出关于这些数据的特征式，这些特征式表达了该 数据集 的总体特征。如营销人员通过对客户流失因素的特征提取，可以得到导致客户流失的一系列原因和主要特征，利用这些特征可以有效地预防客户的流失。 
　　⑥变化和偏差分析。偏差包括很大一类潜在有趣的知识，如分类中的反常实例，模式的例外， 观察结果 对期望的偏差等，其目的是寻找观察结果与参照量之间有意义的差别。在 企业危机 管理及其预警中， 管理者 更感兴趣的是那些意外规则。意外规则的挖掘可以应用到各种异常信息的发现、分析、识别、评价和预警等方面。 
　　⑦Web页挖掘。随着Internet的迅速发展及Web 的全球普及， 使得Web上的信息量无比丰富，通过对Web的挖掘，可以利用Web 的 海量数据 进行分析，收集政治、经济、政策、科技、金融、各种市场、竞争对手、 供求信息 、客户等有关的信息，集中精力分析和处理那些对企业有重大或潜在重大影响的外部 环境信息 和内部经营信息，并根据分析结果找出 企业管理 过程中出现的各种问题和可能引起危机的先兆，对这些信息进行分析和处理，以便识别、分析、评价和管理危机。