數據挖掘是查看大量信息庫以生成新信息的過程。直覺上，你可能認為數據“挖掘”是指提取新數據，但事實并非如此; 相反，數據挖掘是關于從已經收集的數據中推斷出模式和新知識。

數據挖掘專家依靠數據庫管理，統計和機器學習的技術，致力于更好地了解如何處理信息并從大量信息中得出結論。但他們使用什么技術來實現這一目標？

數據挖掘技術

只要采用以下一種或多種技術，數據挖掘就會變得非常有效：

1.跟蹤模式。數據挖掘中最基本的技術之一是學習識別數據集中的模式。這通常是對定期發(fā)生的數據中某些異常的識別，或某個變量隨時間推移的潮起潮落。例如，你可能會看到某個產品的銷售額似乎在節(jié)假日之前飆升，或者注意到溫暖的天氣會讓更多人訪問你的網站。

2.分類。分類是一種更復雜的數據挖掘技術，它迫使你將各種屬性收集到可識別的類別中，然后可以使用這些類別來得出進一步的結論，或者提供某些功能。例如，如果你正在評估有關個人客戶的財務背景和購買歷史的數據，可以將其歸類為“低”，“中等”或“高”信用風險。然后，使用這些分類來了解有關這些客戶的更多信息。

3.關聯。關聯與跟蹤模式有關，但對于依賴關聯的變量更具體。在這種情況下，你將查找與其他事件或屬性高度相關的特定事件或屬性; 例如，可能會注意到，當你的客戶購買特定商品時，他們通常也會購買第二個相關商品。這通常是用于填充“猜你喜歡”在線商店的部分。

4.異常值檢測。在許多情況下，僅僅識別總體模式無法讓的清楚地了解數據集。你還需要能夠識別數據中的異常或異常值。例如，如果購買者幾乎完全是男性，但在7月的一個奇怪的一周，女性購買者的數量激增，需要調查峰值，看看是什么推動了它，以便可以復制或更好地理解你的觀眾在這個過程中的行為和想法。

5.聚類。聚類與分類非常相似，但涉及根據數據的相似性將數據塊分組在一起。例如，你可以選擇根據他們擁有多少可支配收入，或者他們在商店購物的頻率，將不同人群的受眾群體聚類到不同的數據包中。

6.回歸。回歸主要用作規(guī)劃和建模的一種形式，用于在存在其他變量的情況下識別某個變量的可能性。例如，你可以根據可用性，消費者需求和競爭等其他因素，使用它來預測某個價格。更具體地說，回歸的主要焦點是幫助揭示給定數據集中兩個（或更多）變量之間的確切關系。

7.預測。預測是最有價值的數據挖掘技術之一，因為它用于預測將來會看到的數據類型。在許多情況下，僅僅識別和理解歷史趨勢就足以準確預測將來會發(fā)生什么。例如，你可以查看消費者的信用記錄和過去的購買情況，以預測他們將來是否會成為信用風險。

數據挖掘工具

那么是否需要最新最好的機器學習技術才能應用這些技術？不必要。實際上，你可以使用相對適中的數據庫系統完成一些尖端數據挖掘，以及幾乎任何公司都可以使用的簡單工具。如果沒有合適的工具，可以隨時創(chuàng)建自己的工具。

無論如何處理它，數據挖掘都是充分利用已經收集的數據的最佳技術集合。只要應用正確的邏輯并提出正確的問題，你可以獲得有可能徹底改變企業(yè)的結論，指導其正確地走下去。