二、数据挖掘的方法
1.统计方法。传统的统计学为数据挖掘提供了许多判别和回归分析方法，常用的有贝叶斯推理、回归分析、方差分析等技术。贝叶斯推理是在知道新的信息后修正数据集概率分布的基本工具，处理数据挖掘中的分类问题，回归分析用来找到一个输入变量和输出变量关系的最佳模型，在回归分析中有用来描述一个变量的变化趋势和别的变量值的关系的线性回归，还有用来为某些事件发生的概率建模为预测变量集的对数回归、统计方法中的方差分析一般用于分析估计回归直线的性能和自变量对最终回归的影响，是许多挖掘应用中有力的工具之一。
2.关联规则。关联规则是一种简单，实用的分析规则，它描述了一个事物中某些属性同时出现的规律和模式，是数据挖掘中最成熟的主要技术之一。关联规则在数据挖掘领域应用很广泛适合于在大型数据集中发现数据之间的有意义关系，原因之一是它不受只选择一个因变量的限制。大多数关联规则挖掘算法能够无遗漏发现隐藏在所挖掘数据中的所有关联关系，但是，并不是所有通过关联得到的属性之间的关系都有实际应用价值，要对这些规则要进行有效的评价，筛选有意义的关联规则。
3.聚类分析。聚类分析是根据所选样本间关联的标准将其划分成几个组，同组内的样本具有较高的相似度，不同组的则相异，常用的技术有分裂算法，凝聚算法，划分聚类和增量聚类。聚类方法适合于探讨样本间的内部关系，从而对样本结构做出合理的评价，此外，聚类分析还用于对孤立点的检测。并非由聚类分析算法得到的类对决策都有效，在运用某一个算法之前，一般要先对数据的聚类趋势进行检验。
4.决策树方法。决策树学习是一种通过逼近离散值目标函数的方法，通过把实例从根结点排列到某个叶子结点来分类实例，叶子结点即为实例所属的分类。树上的每个结点说明了对实例的某个属性的测试，该结点的每一个后继分支对应于该属性的一个可能值，分类实例的方法是从这棵树的根结点开始，测试这个结点指定的属性，然后按照给定实例的该属性值对应的树枝向下移动。决策树方法是要应用于数据挖掘的分类方面。
5.神经网络。神经网络建立在自学习的数学模型基础之上，能够对大量复杂的数据进行分析，并可以完成对人脑或其他计算机来说极为复杂的模式抽取及趋势分析，神经网络既可以表现为有指导的学习也可以是无指导聚类，无论哪种，输入到神经网络中的值都是数值型的。人工神经元网络模拟人脑神经元结构，建立三大类多种神经元网络，具有非线形映射特性、信息的分布存储、并行处理和全局集体的作用、高度的自学习、自组织和自适应能力的种种优点。
6.遗传算法。遗传算法是一种受生物进化启发的学习方法，通过变异和重组当前己知的最好假设来生成后续的假设。每一步，通过使用目前适应性最高的假设的后代替代群体的某个部分，来更新当前群体的一组假设，来实现各个个体的适应性的提高。遗传算法由三个基本过程组成:繁殖(选择)是从一个旧种群(父代)选出生命力强的个体，产生新种群(后代)的过程；交叉〔重组)选择两个不同个体〔染色体)的部分(基因)进行交换，形成新个体的过程；变异(突变)是对某些个体的某些基因进行变异的过程。在数据挖掘中，可以被用作评估其他算法的适合度。
7.粗糙集。粗糙集能够在缺少关于数据先验知识的情况下，只以考察数据的分类能力为基础，解决模糊或不确定数据的分析和处理问题。粗糙集用于从数据库中发现分类规则的基本思想是将数据库中的属性分为条件属性和结论属性，对数据库中的元组根据各个属性不同的属性值分成相应的子集，然后对条件属性划分的子集与结论属性划分的子集之间上下近似关系生成判定规则。所有相似对象的集合称为初等集合，形成知识的基本成分。任何初等集合的并集称为精确集，否则，一个集合就是粗糙的(不精确的)。每个粗糙集都具有边界元素，也就是那些既不能确定为集合元素，也不能确定为集合补集元素的元素。粗糙集理论可以应用于数据挖掘中的分类、发现不准确数据或噪声数据内在的结构联系。
8.支持向量机。支持向量机(SVM)是在统计学习理论的基础上发展出来的一种新的机器学习方法。它基于结构风险最小化原则上的，尽量提高学习机的泛化能力，具有良好的推广性能和较好的分类精确性，能有效的解决过学习问题，现已成为训练多层感知器、RBF神经网络和多项式神经元网络的替代性方法。另外，支持向量机算法是一个凸优化问题，局部最优解一定是全局最优解，这些特点都是包括神经元网络在内的其他算法所不能及的。支持向量机可以应用于数据挖掘的分类、回归、对未知事物的探索等方面。
事实上，任何一种挖掘工具往往是根据具体问题来选择合适挖掘方法，很难说哪种方法好，那种方法劣，而是视具体问题而定。
三、结束语
目前，数据挖掘技术虽然得到了一定程度的应用，并取得了显著成效，但仍存在着许多尚未解决的问题。随着人们对数据挖掘技术的深人研究，数据挖掘技术必将在更加广泛的领域得到应用，并取得更加显著的效果。
参考文献:
根据波特的影响企业的利益相关者理论，企业有五个利益相关者，分别是客户、竞争对手、供应商、分销商和政府等其他利益相关者。其中，最重要的利益相关者就是客户。现代企业的竞争优势不仅体现在产品上，还体现在市场上，谁能获得更大的市场份额，谁就能在竞争中占据优势和主动。而对市场份额的争夺实质上是对客户的争夺，因此，企业必须完成从“产品”导向向“客户”导向的转变，对企业与客户发生的各种关系进行管理。进行有效的客户关系管理，就要通过有效的途径，从储存大量客户信息的数据仓库中经过深层分析，获得有利于商业运作，提高企业市场竞争力的有效信息。而实现这些有效性的关键技术支持就是数据挖掘，即从海量数据中挖掘出更有价值的潜在信息。正是有了数据挖掘技术的支持，才使得客户关系管理的理念和目标得以实现，满足现代电子商务时代的需求和挑战。
一、客户关系管理（CRM）
CRM是一种旨在改善企业与客户之间关系的新型管理方法。它是企业通过富有意义的交流和沟通,理解并影响客户行为,最终实现提高客户获取、客户保留、客户忠诚和客户创利的目的。它包括的主要内容有客户识别、客户关系的建立、客户保持、客户流失控制和客户挽留。通过客户关系管理能够提高企业销售收入，改善企业的服务，提高客户满意度，同时能提高员工的生产能力。
二、数据挖掘（DM）
数据挖掘（DataMining，简称DM），简单的讲就是从大量数据中挖掘或抽取出知识。数据挖掘概念的定义描述有若干版本。一个通用的定义是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中提取人们感兴趣的知识，这些知识是隐讳的、事先未知的、潜在有用的信息。
常用的数据挖掘方法有：（1）关联分析。即从给定的数据集中发现频繁出现的项集模式知识。例如，某商场通过关联分析，可以找出若干个客户在本商场购买商品时，哪些商品被购置率较高，进而可以发现数据库中不同商品的联系，进而反映客户的购买习惯。（2）序列模式分析。它与关联分析相似，其目的也是为了控制挖掘出的数据间的联系。但序列模式分析的侧重点在于分析数据间的前后（因果）关系。例如，可以通过分析客户在购买A商品后，必定（或大部分情况下）随着购买B商品，来发现客户潜在的购买模式。（3）分类分析。是找出一组能够描述数据集合典型特征的模型，以便能够分类识别未知数据的归属或类别。例如，银行可以根据客户的债务水平、收入水平和工作情况，可对给定用户进行信用风险分析。（4）聚类分析。是从给定的数据集中搜索数据对象之间所存在的有价值联系。在商业上，聚类可以通过顾客数据将顾客信息分组，并对顾客的购买模式进行描述，找出他们的特征，制定针对性的营销方案。（5）孤立点分析。孤立点是数据库中与数据的一般模式不一致的数据对象，它可能是收集数据的设备出现故障、人为输入时的输入错误等。孤立点分析就是专门挖掘这些特殊信息的方法。例如，银行可以利用孤立点分析发现信用卡诈骗，电信部门可以利用孤立点分析发现电话盗用等。
三、数据挖掘在客户关系管理中的应用
1.进行客户分类
客户分类是将大量的客户分成不同的类别，在每一类别里的客户具有相似的属性，而不同类别里的客户的属性不同。数据挖掘可以帮助企业进行客户分类，针对不同类别的客户，提供个性化的服务来提高客户的满意度，提高现有客户的价值。细致而可行的客户分类对企业的经营策略有很大益处。例如，保险公司在长期的保险服务中，积累了很多的数据信息，包括对客户的服务历史、对客户的销售历史和收入，以及客户的人口统计学资料和生活方式等。保险公司必须将这些众多的信息资源综合起来，以便在数据库里建立起一个完整的客户背景。在客户背景信息中，大批客户可能在保险种类、保险年份和保险金额上具有极高的相似性，因而形成了具有共性的客户群体。经过数据挖掘的聚类分析，可以发现他们的共性，掌握他们的保险理念，提供有针对性的服务，提高保险公司的综合服务水平，并可以降低业务服务成本，取得更高的收益。
2.进行客户识别和保留
(1)在CRM中,首先应识别潜在客户,然后将他们转化为客户
这时可以采用DM中的分类方法。首先是通过对数据库中各数据进行分析，从而建立一个描述已知数据集类别或概念的模型，然后对每一个测试样本，用其已知的类别与学习所获模型的预测类别做比较，如果一个学习所获模型的准确率经测试被认可，就可以用这个模型对未来对象进行分类。例如，图书发行公司利用顾客邮件地址数据库，给潜在顾客发送用于促销的新书宣传册。该数据库内容有客户情况的描述，包括年龄、收入、职业、阅读偏好、订购习惯、购书资金、计划等属性的描述，顾客被分类为“是”或“否”会成为购买书籍的顾客。当新顾客的信息被输入到数据库中时，就对该新顾客的购买倾向进行分类，以决定是否给该顾客发送相应书籍的宣传手册。
(2)在客户保留中的应用
客户识别是获取新客户的过程，而客户保留则是留住老顾客、防止客户流失的过程。对企业来说，获取一个新顾客的成本要比保留一个老顾客的成本高。在保留客户的过程中，非常重要的一个工作就是要找出顾客流失的原因。例如，某专科学校的招生人数在逐渐减少，那么就要找出减少的原因，经过广泛的搜集信息，发现原因在于本学校对技能培训不够重视，学生只能学到书本知识，没有实际的技能，在就业市场上找工作很难。针对这种情况，学校应果断的抽取资金，购买先进的、有针对性的实验实训设备，同时修改教学计划，加大实验实训课时和考核力度，培训相关专业的教师。
(3)对客户忠诚度进行分析
客户的忠诚意味着客户不断地购买公司的产品或服务。数据挖掘在客户忠诚度分析中主要是对客户持久性、牢固性和稳定性进行分析。比如大型超市通过会员的消费信息，如最近一次消费、消费频率、消费金额三个指标对数据进行分析,可以预测出顾客忠诚度的变化，据此对价格、商品的种类以及销售策略加以调整和更新，以便留住老顾客，吸引新顾客。
(4)对客户盈利能力分析和预测
对于一个企业而言，如果不知道客户的价值，就很难做出合适的市场策略。不同的客户对于企业而言，其价值是不同的。研究表明，一个企业的80%的利润是由只占客户总数的20%的客户创造的，这部分客户就是有价值的优质客户。为了弄清谁才是有价值的客户，就需要按照客户的创利能力来划分客户，进而改进客户关系管理。数据挖掘技术可以用来分析和预测不同市场活动情况下客户盈利能力的变化，帮助企业制定合适的市场策略。商业银行一般会利用数据挖掘技术对客户的资料进行分析，找出对提高企业盈利能力最重要的客户，进而进行针对性的服务和营销。
(5)交叉销售和增量销售
交叉销售是促使客户购买尚未使用的产品和服务的营销手段，目的是可以拓宽企业和客户间的关系。增量销售是促使客户将现有产品和服务升级的销售活动，目的在于增强企业和客户的关系。这两种销售都是建立在双赢的基础上的，客户因得到更多更好符合其需求的服务而获益，公司也因销售增长而获益。数据挖掘可以采用关联性模型或预测性模型来预测什么时间会发生什么事件，判断哪些客户对交叉销售和增量销售很有意向，以达到交叉销售和增量销售的目的。例如，保险公司的交叉营销策略：保险公司对已经购买某险种的客户推荐其它保险产品和服务。这种策略成功的关键是要确保推销的保险险种是用户所感兴趣的，否则会造成用户的反感。
四、客户关系管理应用数据挖掘的步骤
1.需求分析
只有确定需求，才有分析和预测的目标，然后才能提取数据、选择方法，因此，需求分析是数据挖掘的基础条件。数据挖掘的实施过程也是围绕着这个目标进行的。在确定用户的需求后,应该明确所要解决的问题属于哪种应用类型,是属于关联分析、分类、聚类及预测，还是其他应用。应对现有资源如已有的历史数据进行评估，确定是否能够通过数据挖掘技术来解决用户的需求，然后将进一步确定数据挖掘的目标和制定数据挖掘的计划。
2.建立数据库
这是数据挖掘中非常重要也非常复杂的一步。首先,要进行数据收集和集成，其次,要对数据进行描述和整合。数据主要有四个方面的来源：客户信息、客户行为、生产系统和其他相关数据。这些数据通过抽取、转换和装载，形成数据仓库，并通过OLAP和报表，将客户的整体行为结果分析等数据传递给数据库用户。
3.选择合适的数据挖掘工具
如果从上一步的分析中发现，所要解决的问题能用数据挖掘比较好地完成，那么需要做的第三步就是选择合适的数据挖掘技术与方法。将所要解决的问题转化成一系列数据挖掘的任务。数据挖掘主要有五种任务：分类，估值预测，关联规则，聚集，描述。前三种属于直接的数据挖掘。在直接数据挖掘中，目标是应用可得到的数据建立模型，用其它可得到的数据来描述感兴趣的变量。后两种属于间接数据挖掘。在间接数据挖掘中，没有单一的目标变量，目标是在所有变量中发现某些联系。
4.建立模型
建立模型是选择合适的方法和算法对数据进行分析，得到一个数据挖掘模型的过程。一个好的模型没必要与已有数据完全相符，但模型对未来的数据应有较好的预测。需要仔细考察不同的模型以判断哪个模型对所需解决的问题最有用。如决策树模型、聚类模型都是分类模型，它们将一个事件或对象归类。回归是通过具有已知值的变量来预测其它变量的值。时间序列是用变量过去的值来预测未来的值。这一步是数据挖掘的核心环节。建立模型是一个反复进行的过程，它需要不断地改进或更换算法以寻找对目标分析作用最明显的模型，最后得到一个最合理、最适用的模型。
5.模型评估
为了验证模型的有效性、可信性和可用性，从而选择最优的模型，需要对模型进行评估。我们可以将数据中的一部分用于模型评估，来测试模型的准确性，模型是否容易被理解模型的运行速度、输入结果的速度、实现代价、复杂度等。模型的建立和检验是一个反复的过程，通过这个阶段阶段的工作，能使数据以用户能理解的方式出现，直至找到最优或较优的模型。
6.部署和应用
将数据挖掘的知识归档和报告给需要的群体，根据数据挖掘发现的知识采取必要的行动，以及消除与先前知识可能存在的冲突，并将挖掘的知识应用于应用系统。在模型的应用过程中，也需要不断地对模型进行评估和检验，并做出适当的调整，以使模型适应不断变化的环境。
参考文献:
[1]罗纳德．S．史威福特．客户关系管理[M]．杨东龙译．北京：中国经济出版社，2002
[2]马刚:客户关系管理[M]大连：东北财经大学出版社，2008
[3]朱美珍:以数据挖掘提升客户关系管理[J]．高科技产业技术与创新管理，2006，（27）
金融部门每天的业务都会产生大量数据，利用目前的数据库系统可以有效地实现数据的录入、查询、统计等功能，但无法发现数据中存在的关系和规则，无法根据现有的数据预测未来的发展趋势。缺乏挖掘数据背后隐藏的知识的手段，导致了数据爆炸但知识贫乏”的现象。与此同时，金融机构的运作必然存在金融风险，风险管理是每一个金融机构的重要工作。利用数据挖掘技术不但可以从这海量的数据中发现隐藏在其后的规律，而且可以很好地降低金融机构存在的风险。学习和应用数扼挖掘技术对我国的金融机构有重要意义。
一、数据挖掘概述
1.数据挖掘的定义对于数据挖掘，一种比较公认的定义是W.J.Frawley，G.PiatetskShapiro等人提出的。数据挖掘就是从大型数据库的数据中提取人们感兴趣的知识、这些知识是隐含的、事先未知的、潜在有用的信息，提取的知识表示为概念(Concepts)，规则(Rules)、规律(Regularities)、模式(Patterns)等形式。这个定义把数据挖掘的对象定义为数据库。
随着数据挖掘技术的不断发展，其应用领域也不断拓广。数据挖掘的对象已不再仅是数据库，也可以是文件系统，或组织在一起的数据集合，还可以是数据仓库。与此同时，数据挖掘也有了越来越多不同的定义，但这些定义尽管表达方式不同，其本质都是近似的，概括起来主要是从技术角度和商业角度给出数据挖掘的定义。
从技术角度看，数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在的和有用的信息和知识的过程。它是一门广义的交叉学科，涉及数据库技术、人工智能、机器学习、神经网络、统计学、模式识别、知识库系统、知识获取、信息检索、高性能计算和数据可视化等多学科领域且本身还在不断发展。目前有许多富有挑战的领域如文本数据挖掘、Web信息挖掘、空间数据挖掘等。
从商业角度看，数据挖掘是一种深层次的商业信息分析技术。它按照企业既定业务目标，对大量的企业数据进行探索和分析，揭示隐藏的、未知的或验证已知的规律性并进一步将其模型化，从而自动地提取出用以辅助商业决策的相关商业模式。
2.数据挖掘方法
数据挖掘技术是数据库技术、统计技术和人工智能技术发展的产物。从使用的技术角度，主要的数据挖掘方法包括：
2.1决策树方法：利用树形结构来表示决策集合，这些决策集合通过对数据集的分类产生规则。国际上最有影响和最早的决策树方法是ID3方法，后来又发展了其它的决策树方法。
2.2规则归纳方法：通过统计方法归纳，提取有价值的if-then规则。规则归纳技术在数据挖掘中被广泛使用，其中以关联规则挖掘的研究开展得较为积极和深入。
2.3神经网络方法：从结构上模拟生物神经网络，以模型和学习规则为基础，建立3种神经网络模型：前馈式网络、反馈式网络和自组织网络。这种方法通过训练来学习的非线性预测模型，可以完成分类、聚类和特征挖掘等多种数据挖掘任务。
2.4遗传算法：模拟生物进化过程的算法，由繁殖(选择)、交叉(重组)、变异(突变)三个基本算子组成。为了应用遗传算法，需要将数据挖掘任务表达为一种搜索问题，从而发挥遗传算法的优化搜索能力。
2.5粗糙集(RoughSet)方法：Rough集理论是由波兰数学家Pawlak在八十年代初提出的一种处理模糊和不精确性问题的新型数学工具。它特别适合于数据简化，数据相关性的发现，发现数据意义，发现数据的相似或差别，发现数据模式和数据的近似分类等，近年来已被成功地应用在数据挖掘和知识发现研究领域中。
2.6K2最邻近技术：这种技术通过K个最相近的历史记录的组合来辨别新的记录。这种技术可以作为聚类和偏差分析等挖掘任务。
2.7可视化技术：将信息模式、数据的关联或趋势等以直观的图形方式表示，决策者可以通过可视化技术交互地分析数据关系。可视化数据分析技术拓宽了传统的图表功能，使用户对数据的剖析更清楚。
二、数据挖掘在金融行业中的应用数据挖掘已经被广泛应用于银行和商业中，有以下的典型应用：
1.对目标市场(targetedmarketing)客户的分类与聚类。例如，可以将具有相同储蓄和货款偿还行为的客户分为一组。有效的聚类和协同过滤(collaborativefiltering)方法有助于识别客户组，以及推动目标市场。
2..客户价值分析。
在客户价值分析之前一般先使用客户分类，在实施分类之后根据“二八原则”，找出重点客户，即对给银行创造了80%价值的20%客户实施最优质的服务。重点客户的发现通常采用一系列数据处理、转换过程、AI人工智能等数据挖掘技术来实现。通过分析客户对金融产品的应用频率、持续性等指标来判别客户的忠诚度；通过对交易数据的详细分析来鉴别哪些是银行希望保持的客户；通过挖掘找到流失的客户的共同特征，就可以在那些具有相似特征的客户还未流失之前进行针对性的弥补。
3.客户行为分析。
找到重点客户之后，可对其进行客户行为分析，发现客户的行为偏好，为客户贴身定制特色服务。客户行为分析又分为整体行为分析和群体行为分析。整体行为分析用来发现企业现有客户的行为规律。同时，通过对不同客户群组之间的交叉挖掘分析，可以发现客户群体间的变化规律，并可通过数据仓库的数据清洁与集中过程，将客户对市场的反馈自动输人到数据仓库中。通过对客户的理解和客户行为规律的发现，企业可以制定相应的市场策略。
4.为多维数据分析和数据挖掘设计和构造数据仓库。例如，人们可能希望按月、按地区、按部门、以及按其他因素查看负债和收入的变化情况，同时希望能提供诸如最大、最小、总和、平均和其他等统计信息。数据仓库、数据立方体、多特征和发现驱动数据立方体，特征和比较分析，以及孤立点分析等，都会在金融数据分析和挖掘中发挥重要作用。
5.货款偿还预测和客户信用政策分析。有很多因素会对货款偿还效能和客户信用等级计算产生不同程度的影响。数据挖掘的方法，如特征选择和属性相关性计算，有助于识别重要的因素，别除非相关因素。例如，与货款偿还风险相关的因素包括货款率、资款期限、负债率、偿还与收入(payment——to——income)比率、客户收入水平、受教育程度、居住地区、信用历史，等等。而其中偿还与收入比率是主导因素，受教育水平和负债率则不是。银行可以据此调整货款发放政策，以便将货款发放给那些以前曾被拒绝，但根据关键因素分析，其基本信息显示是相对低风险的申请。
6.业务关联分析。通过关联分析可找出数据库中隐藏的关联网，银行存储了大量的客户交易信息，可对客户的收人水平、消费习惯、购买物种等指标进行挖掘分析，找出客户的潜在需求;通过挖掘对公客户信息，银行可以作为厂商和消费者之间的中介，与厂商联手，在掌握消费者需求的基础上，发展中间业务，更好地为客户服务。
7.洗黑钱和其他金融犯罪的侦破。要侦破洗黑钱和其他金融犯罪，重要的一点是要把多个数据库的信息集成起来，然后采用多种数据分析工具找出异常模式，如在某段时间内，通过某一组人发生大量现金流量等，再运用数据可视化工具、分类工具、联接工具、孤立点分析工具、序列模式分析工具等，发现可疑线索，做出进一步的处理。
数据挖掘技术可以用来发现数据库中对象演变特征或对象变化趋势，这些信息对于决策或规划是有用的，金融
行业数据的挖掘有助于根据顾客的流量安排工作人员。可以挖掘股票交易数据，发现可能帮助你制定投资策略的趋势数据。挖掘给企业带来的潜在的投资回报几乎是无止境的。当然，数据挖掘中得到的模式必须要在现实生活中进行验证。
参考文献：
丁秋林，力士奇.客户关系管理.第1版.北京：清华人学出版社，2002
2.综合应用性强数据挖掘技术已经被广泛地应用在统计工作中的多个领域，并且发挥着重要的作用。数据挖掘技术不仅是一种综合应用性强的技术手段，同时又能满足统计数据使用者的特定数据需要。因此，数据挖掘技术能够对经济统计数据进行定向的整理和开发，为数据使用者提供更好的服务。
3.宏观型的数据库有利于数据挖掘技术的应用当前，我国的经济统计大多还是采用传统的经济统计方法，统计收集的数据信息不能形成有机整体，在对数据进行管理过程中，出现了很多问题。因此。经济统计工作需要能够提供数据整理开发的新技术。宏观经济统计数据库，为数据挖掘技术的开展提供了平台。数据管理系统的经济统计信息要正确无误，然后经过数据挖掘技术的整合，就能得到更丰富的数据资源。
二、数据挖掘技术的运用
数据挖掘技术的特性决定了其对经济统计数据整理的重要性，经济统计所得到的数据信息要求必须有实用性和真实性，数据挖掘技术的特性正好满足了经济统计工作的需要。数据挖掘的过程主要包括以下四种方法：
1.预处理方法首先，要对统计数据进行预处理。由于经济统计信息在收集过程中存在一些问题，导致收集到的数据存在缺失和模糊现象，这种有缺憾的数据信息不能作为数据挖掘的基础，因此一定要对数据挖掘对象进行事先的处理。其中包括对基础数据中不正确、不真实、不准确和偏差较大的数据进行甄别。
2.集成化处理方法其次，要对统计数据进行集成化处理。经济统计过程中，会出现对多个数据源进行重叠统计的现象，这就要求对数据进行挖掘之前，要有一个统一整理的过程，即数据的集成化处理。数据集成在统计中被广泛的使用。经过数据集成处理的统计信息更加全面，更加真实，可以作为数据挖掘基础信息。
3.转换方法再有，要对统计数据根据需要进行转换。经济统计数据的描述形式比较单一，为了满足数据信息使用者的需要，就要对数据进行转换，使其的表现形式具有泛化或是更加规范。这里所说的泛化指的是利用更深层次和更加抽象的定义来代替原有的低层数据。
4.决策树方法除却上述四种处理方法外，还有决策树方法，指的是对庞杂的经济数据进行分类，把有利用价值的统计数据提炼出来，这种数据挖掘形式能够对分析对象进行体现，并能快速的对信息进行分类处理，能够解决在经济统计过程中出现的各种问题。
Web使用的挖掘一般情况下指的是对web日志的挖掘。其挖掘的对象是用户与互联网交互过程中所抽取出来的各种信息，例如访问记录、用户名、用户注册信息以及用户所进行的操作等。在这一方面的研究已经比较成熟，同时也有很多较为成熟的产品例如NETPERCERPION公司的Netpercerptions，Accrue公司的AccrueInsight和AccrueHitList等都是技术较为成熟的产品。
二、Web数据挖掘技术的工作流程
Web数据挖掘技术的主要工作流程可以分为以下几个步骤：第一步，确立目标样本，这一步是用户选取目标文本，以此来作为提取用户的特征信息；第二步，提取特征信息，这一步就是根据第一步得到的目标样本的词频分布，从现有的统计词典中获取所要挖掘的目标的特征向量，并计算出其相应的权值；第三步，从网络上获取信息，这一步是利用通过搜索引擎站点选择采集站点，然后通过Robot程序采集静态的web页面，最后再获取这些被访问站点的网络数据库中的动态信息，然后生成www资源库索引；第四步，进行信息特征匹配，通过提取源信息的特征向量，去和目标样本的特征向量进行匹配，最后将符合阈值条件的信息返回个用户。
三、Web数据挖掘技术在高校数字图书馆中的应用
1、为开发网络信息资源提供了工具
数字图书馆需要的是一种可以有效的将信息进行组织管理，同时还能够对信息进行深层的加工管理，提供多层次的、智能化的信息服务和全方位的知识服务，提供经过加工、分析综合等处理的高附加值的信息产品和知识产品的工具。目前许多高校数字图书馆的查询手段还只局限于一些基本的数据操作，对数据只能进行初步的加工，不具有从这些数据中归纳出所隐含的有用信息的功能，也使得这些信息不为人知，从而得不到更好的使用，这些都是对网络信息资源的一种浪费。而通过web数据挖掘技术科研有效的解决这一问题。这种技术可以用于挖掘文档的隐含的有用的内容，或者可以在其他工具搜索的基础上进一步进行处理，得到更为有用和精确的信息。通过web数据挖掘技术科研对数字图书关注中的信息进行更加有效地整合。
2、为以用户为中心的服务提供帮助
通过浏览器访问数字图书馆后，可被记载下来的数据有两类，一类是用户信息，另一类是用户访问记录。其中用户信息包括了用户名，用户访问IP地址，用户的职业、年龄、爱好等。用户名师用户登录图书馆时输入，用户访问IP地址通过程序获得，其他的信息都是用户在注册时所填写的，访问记录则是在用户登录时所记录的，也是由程序获得。对这些用户信息进行分析可以更加有效的了解用户的需求通过分析服务器中用户请求失败的数据，结合聚集算法，可以发现信息资源的缺漏，从而指导对信息资源采集的改进，让高校数字图书馆的信息资源体系建设的更加合理。对数字图书馆系统的在线调查、留言簿、荐书条等的数据进行收集整理，并使之转化为标准的结构化数据库，然后在通过数据挖掘，皆可以发现用户所感兴趣的模式，同时还可以预先发现用户群体兴趣的变迁，调整馆藏方向，提前做好信息资源的采集计划。通过web数据挖掘，可以对用户的信息需求和行为规律进行总结，从而为优化网络站点的结构提供参考，还可以适当各种资源的配置更加的合理，让用户可以用更少的时间找到自己所需要的资源。例如可以通过路径分析模式采掘捕捉确定用户频繁浏览访问的路径，调整站点结构，并在适当处加上广告或荐书条。
3、web数据挖掘技术在图书馆采访工作中的应用
在图书馆的工作中有一步十分的重要，这就是采访工作，采访工作的做的好坏程度会直接的对图书馆的服务质量产生影响。通常情况图书馆的工作人员会根据图书馆的性质、服务对象及其任务来决定采访的内容。但是这种采访局限性很大，很多时候会受采访人员的主观意识的影响，同时这种方式也会显得死板不灵活。很多时候会出现应该购进的文献没有买，不应该买的文献却买了很多等与读者的需求不符的现象。这些现象的产生都是因为缺乏对读者需求的了解和分析。要解决这些问题就必须对读者的需求进行全面的了解和分析，而web数据挖掘则为解决该问题提供了一种较好的方法。通过对各种日志文件和采访时获得的数据进行分析，可以很清楚的得到读者需要的是什么样的书籍、不需要的又是什么样的书籍，从而为采购提供各种科学合理的分析报告和预测报告。根据对分析还能帮组图书馆管理人员确定各种所需书籍的比例，从而确定哪些文献应该及时的进行补充，哪些文献应该进行剔除，对馆藏机构进行优化，真正的为高校里的师生提供所需要的文献和资料。
4、使用web数据挖掘技术提供个性化服务
中图分类号：TP311 文献标识码：A 文章编号：1007-9416（2015）11-0000-00
随着我国网络技术的快速发展，大数据挖掘技术越来越成为影响影响网络信息发展的重要因素，而大数据挖掘技术的主要内容以及经常采用的主要方法直接影响了我国未来网络技术的发展方向。因此，这一技术的发展直接影响了网络的发展。本文从大数据挖掘技术的角度出发，研究大数据挖掘技术的应用情况。
1大数据挖掘技术的概念分析
大数据挖掘及时是KDD的一个重要的过程，这种技术是从许多数据中还有一些不完整的应用中，以及一些比较纯净的应用或者是模糊不清的应用中随机抽取出来的。这些抽取出来的数据都是潜在存在的，但是不为人所发现的信息内容。那么什么叫做KDD（Knowledge Discovery In Database）呢？KDD是发现知识的一个过程。
通常情况下，大数据挖掘系统主要包含七方面的内容：用户图形界面接口、模式评估、数据挖掘引擎、数据库或数据仓库服务器、数据基地、数据仓库以及知识储备库（如图1所示）。由图1可知，数据库还有数据仓库服务器有大量的信息和数据，这些数据对很多用户都有着吸引力。图1中的知识储存库是一个简单的应用，用这个知识储存库来进行知识的探索和评价，从而确定总体的模式是不是有意义。数据挖掘引擎是整个大数据挖掘系统中十分重要的组成内容。它能够对数据的特征、关联、类别、价值等进行分类。模式评估的主要功能是在对数据进行评价的同时还要和大数据挖掘技术相互联系，从而把大数据挖掘的技术全面的应用到系统中。模型的进口是用户图形界面的接口。能够方便使用者使用这一模型。并且利用大数据挖掘技术进行信息的查询和分析。
2大数据挖掘技术的应用与挑战
2.1挖掘对象
大数据的挖掘技术面对的主要对象为大的数据库。这样一来能够有效的进行信息的搜索和查询。
2.2大数据挖掘技术体现形式局限性
当前，大数据挖掘技术在处理数据以及信息的时候所使用的方法比较有限，具有一定的局限性。通常情况下，这种技术能够分析数值型的数据，数据内容比较简单，可是仍然不能够对文本文件、公式、图片等这种没有结构或者是无结构的数据形式开展数据挖掘的工作。
2.3使用人员参加的过程和相关领域的信息
通常情况下，大数据挖掘技术的过程常常要进行信息和数据的交流。当前，所实用的数据挖掘系统很难让使用者参与到信息以及数据的筛选过程中。使用人员自身的知识能力以及经验对挖掘的开展速度有着直接的影响。而且能够顺利的获取大量的利用度十分高的数据信息等。
2.4进行知识的表现和内容的解析
很多应用程序中主要的内容都是用户自己发现并分析出来的知识。这就需要大数据技术在挖掘信息的时候不但要有分析数字还有符号的能力还需要对图片、语言等理解分析的技术。
2.5帮助保护知识内容和信息的更新换代
伴随着知识量的增多，以往旧的知识会逐渐的失去自己的作用，被新的知识内容所取代。所以知识需要不断的保护和进行及时的更新换代。当前采取的主要更新知识的方法包括维护关联规则的增量算法等。
2.6支持局限性的系统发展
当前的大数据挖掘系统还不能够在广大的系统平台上进行推广使用。一些应用程序是应用在PC上面的，还有一些应用是针对大型的主机系统中的。除此之外，还有一些是专门针对用户的。
3结语
数据挖掘技术是近几年新产生的网络技术，可是它的广泛应用性受到了很多公司以及研究人员的喜爱。这些年来，伴随着时间的推移以及网络技术的不断发展大数据挖掘技术不断的被更新，开发，而且在金融、管理、教学等行业中都得到了广泛的应用。我相信随着网络技术的不断发展，大数据挖掘技术的应用面将会越来越广。
参考文献
[1]吕竹筠，张兴旺，李晨晖 等.信息资源管理与云服务融合的内涵即共性技术体系研究[J].情报理论与实践，2012，35（09）：26-32.
[2]《中国电子科学研究院学报》编辑部.大数据时代[J].中国电子科技研究院学报，2013（01）：41-43.
[3]淮晓永，熊范伦，赵星.一种基于粗集理论的增量式分类规则知识挖掘方法.南京大学学报（自然科学版，计算机专辑），2000，（11）：203～209.
[分类号]TP391
[文本挖掘概述
文本挖掘(text mining)是一个跨学科的交叉研究领域，涉及到数据挖掘、机器学习、统计学、自然语言处理、可视化技术、数据库技术等多个学科领域的知识和技术。目前关于文本挖掘并没有统一的定义，关于文本挖掘的名称亦有“文本数据挖掘(text data mining)”或“文本知识发现(knowledge discovery in text)”等不同说法。一个比较广泛使用的定义是：文本挖掘是指为了发现知识，从文本数据中抽取隐含的、以前未知的、潜在有用的模式的过程。它是一个分析文本数据，抽取文本信息，进而发现文本知识的过程。
一个完整的文本挖掘过程一般包括预处理、模式挖掘、模式评价等多个步骤，其中包含了多种文本处理与挖掘技术，如数据预处理技术中的分词、特征表示、特征提取技术，挖掘分析技术中的文本结构分析、文本摘要、文本分类、文本聚类、关联规则、分布分析与趋势预测等技术以及信息展示中的可视化技术等。
文本挖掘技术拓展了现有的数据挖掘技术，把挖掘的对象从结构化的数值数据扩展到非结构化的文本数据，因此可以帮助我们从海量的文本数据中发现新的模式、模型、规则、趋势等知识，目前在很多领域得到了广泛应用。文献计量的结果表明，近年来国际上文本挖掘的研究论文呈迅猛上升势头。以“text mining”为主题词在Web of Knowledge(WoK)中检索可得与文本挖掘相关的论文3 049篇(截至2010年)，且呈逐年上升的趋势。从WoK学科统计来看，目前文本挖掘技术的研究主要集中于计算机科学、计算生物学、数学、医药信息学、生物化学与分子化学、信息科学、医学等自然科学领域，论文总数占文献总量的82％。相比而言，人文社会科学领域的论文则较少，两者之和为18％，其中人文科学仅为1％。
由于互联网时代学术资源生产与传递方式的变化，以新的方法和技术从海量文本中发现隐含的知识和模式，成为情报学中最有前景的领域之一。由于人文社科文献的非结构化特征更加明显，文献中包含的隐性内容更多，能否在人文社科领域成功运用文本挖掘就成为了检验文本挖掘的方法论优势的试金石。本文以文本挖掘的几个关键技术——信息抽取、文本分类、文本聚类、关联规则、模式发现与可视化技术为主要线索，分析发现文本挖掘技术在人文社科研究中的应用特点，以便为人文社科研究中更加自觉地应用文本挖掘方法提供新的思路。
2、信息抽取应用
信息抽取(information extraction)是文本挖掘的前-端技术，它从文本对象中抽取预先指定的实体、关系、事件等信息，形成结构化的数据并输入数据库。信息抽取所获得的结构化信息片段从一个角度反映了文本内容的内在特征，因此通过机器学习等方法可以从中发现知识、挖掘知识，为科学研究提供有力的支持。
信息抽取作为一门独立的内容处理技术，其本身在商业、情报分析、数字图书馆等领域有着广泛的应用，已有较多专门的信息抽取系统投入商用。在人文社科研究中，信息抽取常常作为文本挖掘的一个重要步骤，作为知识发现技术的前端和基础。文献构建了基于信息抽取的文本挖掘模型，均把信息抽取作为文本挖掘的一个重要组成部分，是提高文本挖掘效率的一个手段。不仅讨论了信息抽取对文本挖掘的作用，而且证实了通过文本挖掘得出的规则对信息抽取系统具有指导作用。除了作为文本挖掘的前端技术，信息抽取技术在改善信息检索、辅助知识发现方面在人文社科研究中有着较多的应用。
2.1 改善信息检索
传统的信息检索只能通过关键词与文档的匹配返回与用户需求相关的文档，而信息抽取则可以帮助用户直接定位所需的信息，无需阅读文档的全部内容。由于在处理海量数据时具有出色表现，信息抽取在多个人文社科领域得到了应用。在古典文学研究领域，德国莱比锡大学承担的eAQUA项目从古典文献资料(公元前3000年一公元600年)中抽取特定领域的知识，并通过eAQUA门户免费提供这些知识。在文献中，英国伦敦国王学院的Matteo(2010)介绍了一个信息抽取在古典文学中的应用研究项目，该项目旨在对当代关于古希腊和拉丁文学作品进行研究的二手文献进行实体抽取，并提供与原始文献之间的关联，从而提供更高级的信息展示和检索功能。在社会学领域，英国联合信息系统委员会(JISC)资助的ASSERT E’’项目综合利用信息抽取、文本聚类等技术提供了一个自动生成文献综述的系统。信息抽取技术与信息检索技术互相融合渗透，为人文社科领域海量信息资源的获取提供了极大的便利。
前 言
数据挖掘从一开始的简单查询已提升到从数据中挖掘知识，提供决策支持，它属于一门交叉学科。近年来，国内外许多研究机构都进行了数据挖掘技术的研究和探索。可以说，从大量数据中提取潜在的有用的知识和信息的数据挖掘技术，将在更多的领域得到研究和广泛应用。
一、数据挖掘的关键技术
数据挖掘可以说是一种决策支持过程，分析各组织原有的数据，做出归纳和推理，从中挖掘出潜在有用的、有效的模式，为管理人员决策提供支持。为了有效地挖掘出数据中潜在的信息，需要对数据挖掘技术进行深入研究。由此，下面就对数据挖掘的可视化技术、决策树、遗传算法、模糊技术、最近邻技术这五个关键技术进行详实的论述和分析。
1.可视化技术
数据可视化技术（也称为图形显示技术），就是使用可视化的图形描绘信息模型，然后将显示出的数据趋势很直观的呈现给决策者。和其他的数据挖掘技术，使用这种技术时通常是一个组合，它可以交互地分析数据，我们应该说，这种技术的实用性不容低估。例如，在数据库中的多维数据成各种图形显示数据固有的性质和分布数据的特点发挥了重要作用。总之，将数据挖掘过程可视化，更容易找到数据之间可能存在的模式、关系和异常情况等。
2.决策树
决策树可以说是按照一系列规则导出类值的一种挖掘方法，它可以依靠计算条件概率来构造。具体而言，决策树的基本思想是通过一个树状结构的数据进行分类记录，树的叶节点表示了在一定条件下的一组记录，根据记录建立树枝分支；在每个较低的节点和分支子集中，成立重复的分支子集，从而生成一个决策树。每个决策树都表述了一种树型结构，可以依靠对源数据库的分割进行数据测试。总之，这种挖掘方法可以有效地处理非数值数据，并允许独立的变量，在固有的神经网络以尽量减少组合爆炸，可取得理想的效果。
3.遗传算法
这是一种基于生物进化理论的优化方法，其基本思想是“适者生存”：随着时间的更替，只有最适合的物种才得以进化。它借用了生物遗传学的角度点，通过模仿自然选择、基因突变，改善个体适应的机制。遗传信息通常被称为基因，该基因包含正确的权值，其中包含了该模型的参数。当该基因包含一个隐藏层时，包含每一层的节点数量。例如，创建一个神经网络，遗传算法可以恰当的调整权值，在一定条件下更可以代替反向传播方法。同时，遗传算法还可以用来找到最佳的结构。总之，遗传算法可以处理多种数据类型、并行处理各种数据，能够解决许多其它技术难以解决的问题；但需要的参数较多，算法较复杂，计算量较大。
4.模糊技术
模糊技术一般包含模糊评判、模糊模式识别、模糊决策和模糊聚类分析这几个步骤，多是利用模糊集理论对实际问题进行系统的研究，往往能够取得很好的效果。这种模糊性属于客观现实，与数据挖掘系统存在一种关系，即系统越复杂，模糊性就越强。关于传统的模糊理论和概率统计，在定性定量转换模型不确定性的基础上，李德毅教授提出了云模型，并依据此形成了云理论。而事实上，模糊集理论通常都是用来描述模糊事物的随机性、复杂性。为了表达定性概念，将概念的模糊性和复杂性很好地结合，云模型要充分利用期望值、熵和超熵，在概率模型中寻找参数。可以说，模糊技术是为数据挖掘提供一个概念的形成和知识表达、概念综合和概念层次划分、定性概念和定量表示转换的一个新方法。
5.最近邻技术
数据最近邻技术（也称为K-最近邻方法），就是先利用K个最与之相近的历史记录，然后将这些历史记录组合起来，以确定新的记录的一种数据挖掘方法，它是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。一般情况下，这种技术可用于多种数据挖掘任务，例如，数据聚类、数据偏差分析等。
除上述之外，数据挖掘的关键技术还包括人工神经网络、规则归纳等。经过不断的实践和应用，数据挖掘过程越来越标准化、规范化。可以说，随着新的数据挖掘技术的不断增多，数据挖掘工具的不断推陈出新，数据挖掘技术也越来越显示出其广阔的应用前景。
二、数据挖掘的实际应用
与传统分析方法相比，数据挖掘技术可以发现更有用的信息，这是应用传统分析方法时所不能发现的，因此数据挖掘具有重要的理论意义和实用价值。当前，数据挖掘在人们的实际生活中十分常见，主要是应用于一些需要处理海量数据的重要部门。比如：用于大型零售组织的数据挖掘系统，可以在决策支持过程为制定市场策略、提供决策支持给予有力的技术和工具保证；用于银行金融方面的数据挖掘系统，可以预测存款趋势，帮助相关执行人员更好地进行有促进作用的活动，帮助他们设计新的市场运行方案；用于远程通讯部门的数据挖掘系统，可以了解客户服务使用的结构和模式，便于工作人员作出最佳的投资决策；用于质量监督保证方面的数据挖掘系统，可以自动找出一些不正常的数据分布，并分析出各种影响因素，以帮助质量工程师在最短时间内找出问题的范围，从而能够及时采取相应的解决措施等等。总之，数据挖掘技术已经广泛应用于零售与批发、运输、银行金融、制造、软件开发等多个企事业单位及国防科研上。随着信息技术的不断发展和数据挖掘工具的不断完善，数据挖掘技术将在更多的领域得到应用。
结束语
总的来讲，数据挖掘技术在现实中的应用越来越广泛，能够为用户提供更好的服务。可以说，数据挖掘的研究和应用是一个长期而艰苦的工作。随着数据挖掘技术的不断发展，其必将在更多的领域得到更为广泛的应用，而利用数据挖掘所得的知识帮助人们作出决策，将是一项非常有实际应用前景的工作。参考文献
中图分类号：TP311 文献标识码：A 文章编号：1009-914X（2015）05-0265-01
近些年来，数据挖掘引起了信息产业界的极大关注，其主要原因是存在大量数据，可以广泛使用，并且迫切需要将这些数据转换成有用的信息和知识。获取的信息和知识可以广泛用于各种应用，包括商务管理，生产控制，市场分析，工程设计和科学探索等。
数据挖掘利用了来自如下一些领域的思想：（1）来自统计学的抽样、估计和假设检验；（2）人工智能、模式识别和机器学习的搜索算法、建模技术和学习理论。数据挖掘也迅速地接纳了来自其他领域的思想，这些领域包括最优化、进化计算、信息论、信号处理、可视化和信息检索。在一些其他领域也起到重要的支撑作用，特别是需要数据库系统提供有效的存储、索引和查询处理支持，源于高性能（并行）计算的技术在处理海量数据集方面常常是重要的。分布式技术也能帮助处理海量数据，并且当数据不能集中到一起处理时更是至关重要。
1 数据挖掘技术简介
数据挖掘（Data Mining，DM），又称数据库中的知识发现（Knowledge Discover in Database，KDD），是目前人工智能和数据库领域研究的热点问题，所谓数据挖掘是指从数据库的大量数据中揭示出隐含的、先前未知的并有潜在价值的信息的非平凡过程[1]。因此，可以说数据挖掘是一个从数据到知识的过程。
数据挖掘是一种决策支持过程，它主要基于人工智能、机器学习、模式识别、统计学、数据库、可视化技术等，高度自动化地分析企业的数据，做出归纳性的推理，从中挖掘出潜在的模式，帮助决策者调整市场策略，减少风险，做出正确的决策。
2 数据挖掘运用的理论与技术
随着信息科技超乎想象的进展，许多新的计算机分析工具问世，例如关系型数据库、模糊计算理论、基因算法则以及类神经网络等，使得从数据中发掘宝藏成为一种系统性且可实行的程序。
数据挖掘的技术有很多种，按照不同的分类有不同的分类法。数据挖掘中常用的一些技术：统计技术，关联规则，基于历史的分析，遗传算法，聚集检测，连接分析，决策树，神经网络，粗糙集，模糊集，回归分析，差别分析，概念描述等十三种常用的数据挖掘的技术[2]。下面，作者将就关联规则做以介绍。
3.关联规则概念
关联规则（Association Rules）挖掘就是从大量的数据中挖掘出有价值描述数据项之间相互联系的有关知识。数据关联是数据库中存在的一类重要的可被发现的知识。若两个或多个变量的取值之间存在某种规律性，就称为关联。关联可分为简单关联、时序关联、因果关联。一个关联规则[3]是形如的蕴含式，这里A、B为项集，AR，BR，并且AB=Φ。
关联规则挖掘的目的就是从事务数据库中挖掘出满足最小支持度（min_sup）和最小置信度（min_conf）的关联规则，挖掘一般分为以下2个过程：1.在事务数据库中找出所有大于最小支持度（min_sup）的频繁项集。2.由第一步找出的频繁项集产生期望的关联规则，即所产生的每条关联规则的置信度必须不小于最小置信度Apifori算法。
4.数据挖掘技术在设备管理中的应用
本文将利用关联规则算法对某公司售后服务部门所使用的设备管理数据进行挖掘。
结合一年来该公司现场执法取证类设备在使用过程中暴露出现的故障问题及设备维护保障等情况的统计数据，应用数据挖掘技术进行分析。原始数据集由该公司设备维护管理系统中的设备名称、使用单位、维护记录、更换部件、故障排查方法等有关数据字段抽取并汇总。
根据实际情况，假设支持度为0.2，采用Apriofi算法，产生的最大频繁项目集见表3。由试验结果可以看出，D：电容失效；F：数据端出错；G：调频键失效；J：电压过载；K：插脚脱焊。发生故障的概率比较高（在20组数据中，发生故障的概率达到20%以上）。
依据产生的频繁项生成关联规则，结果见表4。如果设定最小信任度为0.6，那么从表4可以得出3条关联规则，分别为：D-->F；D-->G；F-->G。
对应到该取证设备故障为：电容失效-->数据端出错；电容失效-->调频键失效；数据端出错-->调频键失效。
2014年7月，该单位要执行一项任务，按公司领导要求调用该现场取证执法仪类设备12套。为证明上述结论的有效性，将这12套设备分为2组，每组6套，分别为A组和B组。其中A组在投入使用前，根据结论对相关的部位进行预防性维护，而对B组则按常规维护，不做任何维护。经过1天24小时不间断使用，结果发现，A组中6套设备全部正常运行，且状态良好；而B组中则有2套设备出现调频键失效故障，1套设备相继出现电容失效、数据端出错故障，影响了取证的工作。由此得出，应用关联规则对设备的系统数据进行挖掘，对于优化设备的性能，提高设备在实战中的稳定性，确保任务顺利完成具有重大意义。
5.结语
数据挖掘现在越来越为更多的人们所关注，被认为是未来最有发展前景和广阔市场潜力的新兴学科之一。随着信息技术和数据库技术的不断发展，各行各业的人们掌握了大量的数据，在竞争日益激烈的现今社会里，如何迅速有效的获得隐藏在数据之后的有用的知识信息，成为众多企业决策者和管理者的当务之急。
数据挖掘是一门综合性的学科，其中用到了数据仓库、数理统计[4]。计算机技术等很多知识，不同的主题需要选择不同的方法进行分析，经过十多年的研究，每一种方法都踊跃出大量的算法，这些算法中也各有利弊，在不同的问题上要选择不同的算法，才能最大限度的发挥数据挖掘的潜能。
此外，数据挖掘除了发展和完善自己的理论和方法，也要充分借鉴和汲取数据挖掘和知识发现、数据库、机器学习、人工智能、数理统计、医疗、分子生物学等学科领域的成熟的理论和方法。
参考文献
[1] 韩家炜，堪博著，范明，孟小峰译数据挖掘概念与技术（第2版）[M]北京：机械工业出版社，2007.
一、数量经济学与数据挖掘基本概念
（一）数量经济学
随着我国经济的发展，国家经济的高效运转越来越离不开数学，例如就当前惨淡的股票市场来说，数学在其中发挥着巨大的作用。数学应用到经济学中，经济学领域内产生了数量经济学。在我国数量经济学的发展以1979年中国数量经济研究会成立为标志，历经近四十年的发展，具有鲜明的中国特色。数量经济学是在对理论经济学进行研究的基础上，通过不断更新的数学方法和计算技术对经济关系进行定量分析，总结其经济事实背后的规律，其中通过建立数学模型的方式对经济关系进行定量研究是数量经济学的主要特征。
当前数量经济学在我国学术界的地位模糊不清，其既是一门方法论，又是一门计量学科，同时还是一门组织管理科学。然而毫无疑问的是数量经济学是将理论经济学的抽象固化的理论概念进行外在的定量分析，使得经济事件背后的经验公式得以在实际生产生活实际中被有效利用，进行转化为措施、方案等，显然数量经济学是联系理论与实践的纽带。
（二）数据挖掘
数据挖掘（Date Mining），其是多学科的综合产物，始于20世纪90年代。随着信息技术的进步和大数据时代的到来，特别是数据库技术的更新换代使得当下信息数据呈现爆炸式增长。数据挖掘简单来讲，便是将大量不完整嘈杂的数据中整理分析出客户所感兴趣的信息，数据挖掘包括数据库准备、数据有效开采、结论表示和解释三个层面。数据挖掘技术主要由数理统计、人工智能以及数据库技术作为支撑，其主要功能有分类、发现关联规则以及序列模式、聚类、预测以及偏差预测等。当前关于数据挖掘方法的研究主要有基于统计方法的复杂数据挖掘、基于支持向量机的数据挖掘、基于神经网络的数据挖掘以及基于遗传算法的数据挖掘等。
二、数量经济学与数据挖掘的联系
（一）应用数学作为研究基础
就数量经济学与数据挖掘的联系来说，首先两者均将应用数学作为其研究的基础：在数量经济学中，建立经济数学模型的形式将外在客观的经济事件间隐藏的相互联系进行定量分析，而在数据挖掘中应用数学为其提供了普适性的方法论，例如数据挖掘的方法中的统计学方法，其可以简单分为回归分析、非判断分析等均需要通过大量的数学分析来实现。
（二）反映客观规律与联系
总体上来说，无论是数量经济学还是数据挖掘技术均是为了服务人们更好的进行生产实践来服务的，均是用来分析和判断事实背后的客观规律和相互联系。数据挖掘的目的便是为了深层次的挖掘数据中所隐藏的“知识”，例如在股票市场，先进的交易软件能够更快的处理和分析当前的股票市场，能够短期内进行市场预测，数据挖掘技术通过数据库分析和处理技术展现出来。数量经济学作用在现实生活中，其可以进行投入产出分析、费用效益分析以及电子计算数据模拟等。
（三）数据库作为主要研究对象
毫无疑问的是，在当前信息大爆炸的时代，数据库技术作为存取信息的最为高效的模式在数量经济学和数据挖掘中占有极为重要的地位。数据挖掘其通过对存储于数据库中的大量繁冗嘈杂的信息进行组合分解等方法获得有用的信息，数量经济学虽然仅仅是作为经济学的一部分，但显然其需要大量的统计数据作为研究支撑，为此数据库技术的更新换代与数量经济学和数据挖掘的发展相互促进、相互影响。
三、数量经济学与数据挖掘的区别500
（一）理论基础各异
数量经济学的理论基础为理论经济，数量经济学是将理论经济的理论概念进行外在的具象化，从外在的经济事实背后的数据分析得出经验公式与模型，其显然属于经济学的一部分，一定程度上来说，其经验公式仅仅适用于经济领域；数据挖掘技术其理论基础为单纯的应用数学，具有适用对象的普适性、大众性。
（二）实现机理各异
数量经济学其实现机理可以简单描述为在已有经济数学模型的基础上进行外在客观经济事实的分析，其主要需要通过大量的人力分析来完成，无法通过数据分析来发现新的数据模型；数据挖掘技术其最重要的特征在于对数据库中大量不完整的信息的推理关联分析，其能够发现存在在整个数据库中的事实未曾发现的模式，例如在每日的天气预报中，对每日天气的预测分析中将包含多种不同的影响因素，需要大量的数据库分析。
（三）对象领域各异
数量经济学的适用对象主要为经济学中存在的问题，显然具有一定的区域局限性，其通过数据分析得出的经济数学模型也仅仅适用于经济领域，而数据挖掘技术其理论基础为普适性的应用数学，范围实用性更广。
四、数量经济学与数据挖掘的技术应用
（一）数量经济学应用
数量经济学是量化了的经济学，其包含计量经济学和数理统计学。随着市场经济的发展，数量经济学影响着我们日常生活的方法面面，例如老龄化经济效应数理分析模型用来分析人口结构因素以及人口老龄化对我国经济成长潜力的影响，经济发展的灰色预测与模糊评价用来对于我国与世界各国的经济增长以及所面临的威胁机遇进行预测分析等。
（二）数据挖掘技术应用
数据挖掘技术所要处理的问题更广，显然其能够应用到的涉及面更大。例如数据挖掘技术主要被用在商业领域，尤其是在银行以及保险销售领域，例如在客户群体划分、客户流失分析以及客户信用记录分析等方面，其次在市场营销方面，数据挖掘技术更是大放异彩，例如著名的Bass Export利用IBM数据挖掘技术进行客户分析。
参考文献：
[引言]随着我国信息技术的进步，数据挖掘技术得到广泛应用，在软件工程中需要对数据信息进行搜集、分类与整理，通过数据挖掘技术的应用可以有效提高工作效率，推动软件工程的有序发展。我国对数据挖掘技术的应用与研究虽然处于初级阶段，但通过不断的经验积累也能够发挥技术的更多价值。
1数据挖掘技术概述
数据挖掘技术指的是在信息技术发展背景下，对信息数据展开处理的技术。与过去的信息处理技术相比，数据挖掘技术功能更加强大，可以应用在各个领域，无论是数据处理、数据转换还是数据分析，都能够完成相互之间的联系，并对数据进行最终评估。将数据挖掘技术应用在软件工程中，能够提高企业处理信息数据的效率，避免操作失误，保护企业数据准确[1]。
2数据挖掘技术在软件工程中的重要性分析
2.1高效整合多样化信息数据
由于数据挖掘技术的功能比较多，其中包含了传统处理技术的功能，实现多样化信息的收集与分类，并将数据按照类别存储与整理。数据挖掘技术可以在多样化数据中实现数据的系统化管理，为人们进行数据查阅工作带来方便。在软件工程中应用该技术，方便信息数据的高效整合，帮助企业全方位了解信息与数据[2]。
2.2保证信息数据的准确率
数据挖掘技术拥有强大数据运算功能，以往的数据信息系统运算数据时需要耗费大量时间与成本。如果信息数据体系庞大，系统运算时会面临瘫痪问题。在软件工程中，一旦系统发生瘫痪，系统将无法正常使用，数据也会受到破坏。应用数据挖掘技术之后可以有效解决以上问题，实现系统的优化，使系统可以在最短时间内处理数据，防止信息数据发生丢失现象，提高数据处理的时效性。面对大量的信息数据，有的数据得不到利用，但长期处于系统中会影响系统运行效率，应用数据挖掘技术可以将无价值的数据剔除，留下有用的信息数据，保证系统的运行效率和数据质量。
2.3缩短信息数据处理时间
在软件工程中应用数据挖掘技术可以分类处理杂乱无章的数据，实现数据的转换与调用。对数据进行深入挖掘处理时也可以应用数据挖掘技术进行数据的分类，并对模糊数据及时清理，提高系统内现存数据的实用价值。人们获取到的信息数据需要进行反复核对，以此保证数据真实性，通过数据挖掘技术的应用减少时间浪费，提高数据核对效率。
3数据挖掘技术在软件工程中的应用分析
3.1系统结构
数据挖掘技术应用流程主要分为三个阶段：数据预处理、数据挖掘、模式评估与知识表示。在数据预处理阶段中，高效得到原始数据的根本原因在于确定任务处理对象，得到符合软件工程需求的数据。通过数据清洗弥补原始数据存在的缺陷，确保数据的完整性。数据抽取需要从数据库中选择与软件工程任务相符合的信息。数据转换需要将数据格式加以转化，实现数据的适用性。在数据挖掘中需要制定一定的挖掘任务，通过对数据的分类与评价总结，合理应用运算方法进行数据推敲。在模式评估与知识表示中，其实际用途在于挖掘成功的表达，将兴趣度作为衡量标准，提高数据表达的识别能力。
针对软件工程中数据挖掘技术的优化应用，可以从系统结构方面入手，具体如下：（1）检测软件工程中的克隆代码。以软件工程为标准，将一部分代码复制，结合实际情况更改一部分代码，并对这些代码进行检测，代码检测与更改可以同时进行，能有效提高检测效率，实现系统的维护工作。当前应用数据挖掘技术进行克隆代码检测的方式一共有四种，具体为比较标识符、对比文本、检测系统程序结构与度量圈。在实际操作中，要求人们结合实际情况选择相应的克隆代码检测方法。（2）数据信息挖掘法。这是以横切关注点为主的挖掘方法，在软件工程中应用该方法可以改造系统，对数据信息达到良好的处理效果[3]。
3.2软件管理
为了让数据挖掘技术更好地应用在软件工程中，需要从软件管理角度入手，采用以下两方面举措。一方面，深入挖掘数据的组织关系，另一方面，挖掘版本控制信息。软件工程系统比较繁琐，挖掘组织关系时较为困难，人们需要合理调配各项信息，以此作为挖掘的依据。如果以软件工程管理流程作为主题，对电子邮件与共享文件展开组织关系挖掘，可以有效避免系统流程发生混乱，保护软件管理的秩序。当信息数据发生变化时，应用数据挖掘技术进行软件管理，将版本控制作为重要依据，将数据挖掘技术与版本控制相联系，降低系统运行成本，并达到警示的效果，提高软件工程的管理水平。
3.3软件开发
在软件工程初期阶段，人们将数据挖掘技术看成数据库，随着技术的发展，软件工程发展到现实应用，系统和现实共同发展。软件工程将各项指标与要求紧密结合，研发出最新产品，以往的软件工程中软件开发十分困难，而如今应用数据挖掘技术，可以将其与数据库相融合，发挥数据库内信息的最大价值，有效推动软件开发的进步。不仅如此，软件工程可以对信息进行更深层次的挖掘，充分发挥软件工程的价值，利用数据挖掘技术实现数据的更新，保证软件开发质量，优化软件操作流程。在技术的支持下，人们可以合理划分软件内部，方便及时发现问题，并展开积极有效的问题处理。利用数据挖掘技术可以进行网站设计，对网站内容进行挖掘，特别是对文本内容的挖掘，随后整合网站信息，通过自动归类技术实现信息的层次性组织。在软件或网站管理中，应用数据挖掘技术可以根据用户对网站的访问记录，进行记录信息挖掘，从中了解用户对该网站内容的兴趣，进而对用户提供信息推送服务和定制服务，以此吸引更多用户访问该网站。
在软件开发阶段，可以使用DataAnalytics轻量级业务数据可视化分析平台，这是数据挖掘技术的一项成果。该平台能够实现异构数据源的高效整合，可以兼容各种数据源类型，支持海量数据。可接入Excel/CSV等数据文件、企业各种业务系统、第三方互联网数据、公共数据服务平台等来源，轻松整合所有相关业务数据，帮助企业消灭数据孤岛。企业利用该平台可以完成数据的深度交互分析，DataAnalytics基于探索式分析，支持智能推荐图形与图表，二者可以协同过滤，帮助用户快速定位，通过数据挖掘找出问题，以拖拽式操作方法解决问题。
3.4聚类
在数据挖掘技术中聚类指的是对各个环节数据加以分析，结合软件工程的具体要求实现数据细化，以类型细化作为基础，为原始数据类型做出保障。通过聚类可以让同种类型数据具有相似性特点，在存在相似性的同时，也存在一定的差异，突出各自的特点。应用数据挖掘技术实现聚类划分时，面对的对象无法预测，与其他算法相比，聚类拥有更加广泛的应用范围，进行数据分析时更加独特，挖掘信息数据时可以确保检测结果的有效性与真实性。
4结论
总而言之，随着信息技术的深入发展，人们已经步入信息时代，数据挖掘技术也成为对信息数据展开处理和存储的有效方式。在软件工程中应用数据挖掘技术，有利于提高软件开发效率，提升软件管理质量，加强数据挖掘力度，使数据挖掘技术发挥巨大效果，人们可以应用数据挖掘技术完成数据的聚类和网站设计，为人们的生活带来便利。
[软件工程硕士论文参考文献]
[1]张立鉴.数据挖掘技术在软件工程中的应用研究[J].网络安全技术与应用，2019（6）：47-48.
