数据互联

数据挖掘可以认为是商业智能(BI)实现的最深层次，在商业智能解决方案的体系内占据重要的位置。随着数据处理技术发展，数据挖掘技术不再只属于数据专家们所有，经过技术的发展提炼，现有主流数据库系统如sql server2008已经集成了数据挖掘技术。

数据挖掘是干什么用的？存储的快速发展，导致存储能力大大超过了数据的处理能力。大量的数据被存储于数据库中，而这些数据大多都来自于商业平台系统或者专用的软件。收集如此多的数据，而实际的数据利用率并不高。

由此数据挖掘应运而生，数据挖掘的主要目的就是从已有的大量数据中提炼知识，提高已有数据的内在价值，使得数据成为有价值的东西。

一、数据挖掘几乎可以应用到任何的场景，只要有数据存在。比如以下的场景：

1、分析客户行为的精准信息推送。

2、某场景客户流失分析。

3、数据异常的检测

4、金融行业的风险管理

5、广告定位，类似于阿里的千人千面

6、决策支持，提供预测。

二、数据挖掘的任务

1、分类

分类是数据挖掘最常见的任务，比如广告定位、风险管理等就会涉及到分类。

分类，是指把事例分成多个类别的行为。每个事例包含一组属性，其中有一个属性是类别属性。分类任务需要找到一个模型，该模型将类别属性定义为输入属性的函数。分类模型将使用事例的输入属性来确定类别的输出属性。

2、聚类

也就是细分，基于一组属性对事例机型分组。同一聚类中的事例或多或少有相似的属性值。聚类分析是一种无监督的数据挖掘任务。大多数聚类算法通过多次迭代来建模，当模型收敛时算法停止。

3、关联

关联用于分析常见的物品集和规则集，主要有两个目标：一是找出经常出现的物品，二是确定关联规则。

4、回归

类似于分类任务，它的目的是查找模式以确定数据。回归能解决很多商业问题，根据温度、湿度、气压等预测风速。

5、预测

采用数列作为输入，表示一系列时间值，然后运用各种能处理数据周期性分析、趋势分析等计算技术和统计技术来估算数列未来的值。

6、序列分析

用来发现一系列事件中的模式，这一系列事件就是序列。比如DNA序列是由四种碱基对组成的序列。序列数据和时间序列数据的相似性之处在于他们都包含连续的观察值，这些观察值是有次序的。

7、偏差分析

为了从一堆的事例中找出特殊的事例，这些特殊事例于其他的有明显的不同。常见的应用场景包括劣质产品检测等。常用的算法包括：决策树算法、聚类算法、神经网络算法。