20年前查询不到数据是因为数据太少了；今天查询不到数据是因为数据太多了。
• 数据挖掘又称为数据库中的知识发现。
• 数据挖掘是自动分析企业数据，做出归纳性推理，从中挖掘出潜在模式，帮劣决策者调整市场策略，做出正确决策。
数据挖掘的特征：
• 数据源是真实的、大量的、含有噪声的；
• 发现的是用户感兴趣的知识；
• 发现的知识要可接受、可理解、可运用；
• 不要求发现普及知识，仅要求发现特定知识。
数据挖掘相关技术：
数据融合，人工智能（AI），商务智能（BI），模式识别，机器学习，知识发现，
数据分析，决策支持等。
常用数据挖掘技术：
• 分类、回归分析、聚类分析、关联规则、特征分析、偏差分析、Web网页挖掘等。
（1）分类
• 找出数据对象的共同特点；
• 按模式划分为不同的类；
• 将数据顷映射到某个给定的类别。
（2）回归分析
• 反映事务在时间上的特征，収现事务之间的依赖关系。
• 研究问题： 数据序列的趋势特征，数据序列的预测，数据之间的相互关系等。
• 应用：市场营销的各个方面。如，客户寻求，产品生命周期分析，销售趋势预测，针对性促销活劢等。
（3）聚类分析
• 把一组个体按照相似性归成若干类别。
• 目的：使同一类别的数据相似性尽可能大，不同类别中的数据相似性尽可能小。
• 聚类是反映同类事物的共同性质和不同事物的差异性。
（4）关联分析
• 多个变量的叏值之间存在某种规律性称为关联。
• 关联类型： 简单关联，时序关联，因果关联等。
• 目的：找出数据中隐藏的关联网。
• 应用：产品定位，定制客户群，客户细分，营销风险评估，诈骗预测等。
（5）特征分析
• 从一组数据中提取出这些数据的特征。
（6）偏差分析
• 数据常有一些异常记录，不满足规则的特例等。
• 目的：寻找观察结果不参照量之间有意义的差别。
（7）决策树
• 决策树在解决归类与预测问题上有极强的能力。
• 决策树顶端是树根，底部有许多的树叶，它将纪录分解成不同的子集，每个子集中的字段可能包含一个简单的法则。
数据挖掘流程：
商业理解，数据准备，模型建立，数据挖掘，结果评估，应用部署。