1. 數據挖掘的應用領域有哪些
數據挖掘的應用非常廣泛，只要該產業有分析價值與需求的資料庫，皆可利用數據挖掘工具進行有目的的發掘分析。常見的應用案例多發生在零售業、製造業、財務金融保險、通訊及醫療服務：
(1)商場從顧客購買商品中發現一定的關聯規則，提供打折、購物券等促銷手段，提高銷售額；
(2)保險公司通過數據挖掘建立預測模型，辨別出可能的欺詐行為，避免道德風險，減少成本，提高利潤；
(3)在製造業中，半導體的生產和測試中都產生大量的數據，就必須對這些數據進行分析，找出存在的問題，提高質量；
(4)電子商務的作用越來越大，可以用數據挖掘對網站進行分析，識別用戶的行為模式，保留客戶，提供個性化服務，優化網站設計；
一些公司運用數據挖掘的成功案例，顯示了數據挖掘的強大生命力：
美國AutoTrader是世界上最大的汽車銷售站點，每天都會有大量的用戶對網站上的信息點擊，尋求信息，其運用了SAS軟體進行數據挖掘，每天對數據進行分析，找出用戶的訪問模式，對產品的喜歡程度進行判斷，並設特定服務，取得了成功。
Reuteres是世界著名的金融信息服務公司，其利用的數據大都是外部的數據，這樣數據的質量就是公司生存的關鍵所在，必須從數據中檢測出錯誤的成分。Reuteres用SPSS的數據挖掘工具SPSS/Clementine，建立數據挖掘模型，極大地提高了錯誤的檢測，保證了信息的正確和權威性。
Bass Export是世界最大的啤酒進出口商之一，在海外80多個市場從事交易，每個星期傳送23000份定單，這就需要了解每個客戶的習慣，如品牌的喜好等，Bass Export用IBM的Intelligent Miner很好的解決了上述問題。
2. 數據在電子商務中的應用有什麼作用
大數據在電子商務應用中的作用：
第一，對於利用大數據進行商品關聯進行的挖掘營銷來說，通過大數據挖掘技術，保證數據之間得到有效的關聯性，這樣在具體的企業運用過程中，應該保證有效分析原有數據的基礎上，建立起相關的數據聯系。比如，通過相關的啤酒和尿布的關聯營銷的案例，能夠給電商提供有效的解決思路，能夠有效實現電商企業產品信息的相關推薦以及結算界面的互補推薦的內容。利用小型的資料庫進行處理和分析，能夠使得用戶的短期需求得到滿足，但是，通過大數據對於商品關聯度進行關聯，則能夠有效保證界面信息的准確度大大提升，能夠更好保證用戶潛在需求得到一定激發。所以，利用大數據的分析，保證充分對於商品的關聯性進行挖掘，並能能夠保證推薦界面的有效性，這點則是電商應該注重的地方。
第二，對於利用大數據進行的社會網路營銷來說，當前，社會化媒體的高度發展，已經使得海量的人群得到覆蓋，並且社會網路營銷的傳播速度正在呈現飛速的發展，利用大數據，人們可以對於社會化網路的傳播進行充分地了解，能更好地開展電商進行類似於社會網路營銷活動的開展。對於電子商務企業來說，應該充分利用好大數據分析的優勢，能夠有效把握好社會化網路傳播媒介對於消費者的偏好的分析，在相關的社會媒介上進行分享活動的積極開展，使得傳播范圍不斷擴大，有效提高營銷效率。
第三，對於利用大數據進行的地理營銷來說，利用大數據的技術優勢，能夠充分對於網站的交易數據進行有效分析，在進行商品的地理營銷中，能夠根據地理位置區域特定區域中人們的不同喜好，因此有效地開展不同類型的營銷策略活動。對於電子商務企業來說，大部分電商則是在交易最後環節獲得用戶的收貨地址，只有部分的電商則會有效地在開始階段，就能夠獲得用戶地理位置，這樣的情況不利於進行商品的地理銷售。應該通過大數據技術，分析用戶地理位置的有效劃分，保證存在的差異性的確定，應該充分保證用戶地理信息和感興趣商品的關聯度，同時，能夠在對於產品的服務，在細節上更加完善。
第四，對於利用大數據進行用戶行為的分析營銷來說，電商主要分析消費者的歷史記錄以及涉及的購買行為，這樣就能有效獲得用戶的消費習慣，有效可以為企業提供用戶行為分析營銷。比如，用戶的心理、行為軌跡可以通過瀏覽網頁時停留在具體產品上的時間進行判斷，有利於發現潛在的用戶，進行具有針對性的商品廣告的投放，使得廣告轉化率大大增加，另外，電子商務企業來可以通過一定相關的搜索行為，針對潛在用戶的需求進行分析，使得商品種類進一步完善化。
第五，對於利用大數據實現的個性化推薦營銷來說，在實際市場分析過程中，滿足消費者的個性化要求顯得越來越重要，這就要求電子商務企業也能更好滿足個性化的營銷水平。根據大數據環境的發展特點，電子商務企業應該根據用戶的個性化要求來進行商品的推薦活動，以及產品分類等，能夠積極邀請用戶對於感興趣商品進行關注，之後還能夠繼續進行個性化信息的添加和推薦，保證用戶對於喜歡的類別進行有效修改，使得資料庫內容進行有效更新。
3. 求：數據挖掘技術在電子商務中有哪些應用謝謝！
購買推薦,反饋分析,客戶分析等.都在用.
4. 數據挖掘在電子商務中是如何應用的
主要是用在流量統計方面，你夜市做電子商務的嗎，旺我：吳偉玲155771，交流下經驗，一起分享
5. 資料庫技術在電子商務中有哪些應用
太多了，具體而言，像產品資料庫、用戶資料庫、用戶行為追蹤與分析。。。。離開了資料庫，網站就只能是最簡單也沒什麼交互功能的靜態網站了。
6. 數據挖掘技術在客戶關系管理中的應用
數據挖掘技術在客戶關系管理中的應用
隨著計算機技術、網路技術、通訊技術和Internet技術的發展，電子商務中 企業內部會產生了大量業務數據，如何從豐富的客戶數據中挖掘有價值的信息，為企業管理者提供有效的輔助決策，是企業真正關心的問題。其中，客戶分類是分析 型客戶關系管理的重要功能之一。通過客戶分類，區分客戶的霞要程度，並針對不同霞要級別的客戶制定專門的營銷方案和客戶關系管理策略，可以幫助企業降低營 銷成本，提高利潤和企業競爭力。客戶也可從食業制定的專門的營銷方案和客戶關系管理策略中獲得適合的交易體驗。數據挖掘是分析型CRM實現其「分析」功能 的必要手段，也是實現客戶分類的有效工具。
1 客戶關系管理(CRM)
CRM(Customer Relation Managemen)是一種旨在改善企業與客戶之間關系的新型管理機制，它實施於企業的市場營銷、銷售、服務與技術支持等領域，它的目標是提供更優質、更快捷的服務吸引並保持客戶，通過業務流程的全面管理降低倉業成本。
在電子商務環 境下，CRM使網站企業在所有的業務環節下更好地滿足客戶需求以及提供更優質的服務，從而使站點企業在這種不存在時空差異的新型商務環境中保留現有客戶和 發掘潛在客戶。以提高市場競爭力。同時CRM又可以提供客戶需求、市場分布、回饋信息等重要信息，為企業和經營活動提供智能化分析的依據，因此，CRM為 企業帶來了成功實現電子商務的基礎。
個性化服務是增強競爭力的有力武器，CRM就是以客戶為中心並為客戶提供最合適的服務。互聯網成為 實施客戶關系管理應用的理想渠道，記住顧客的名字及他們的偏好，根據顧客的不同而提供不同內容，顧客再次光顧的可能性會大大增加。CRM可以增加客戶忠誠 度，提高購買比率，使每個顧客產生更多的購買需求，及更長時間的需求，並提高顧客滿意度。
2 數據挖掘技術
如何對這些海量的數據進行分析發現，為商業決策提供有價值的信息，使企業獲得利潤，強有力的工具就是數據挖掘。
在分析型CRM系統中，數據挖掘是其中的核心技術，數據挖掘是從大量的數據中，抽取出潛在的、有價值的知識、模型或規則的過程。對於企業而言，數據挖掘 可以有助於發現業務發展的趨勢，揭示已知的事實，預測未知的結果，並幫助企業分析出完成任務所需的關鍵因素，以達到增加收入、降低成本，使企業處於更有利 的競爭位置的目的。
2.1 數據挖掘常用的演算法
(1)決策樹(decision tree)決策演算法。決策樹是一個類似於流程圖的樹結構。其中每個內部節點表示在一個屬性上的測試，每個分枝代表一個測試輸出，而每個樹葉節點代表類或類 分布。決策樹演算法包括樹的構造和樹的剪枝，有兩種常用的剪枝方法：先剪枝和後剪枝。
(2)神經網路(Neural Network)。神經網路是一組連接的輸入，輸出單元，其中每個連接都與一個權相連，在學習階段，通過調整神經網路的權，使得能夠預測輸入樣本的正確類標號來學習。
(3)遺傳演算法(Genetic Algorithms)。遺傳演算法根據適者生存的原則，形成由當前群體巾最適合的規則組成新的群體，以及這些規則的後代。遺傳演算法用於分類和其他優化問題。
(4)粗糙集方法。粗糙集方法基於給定訓練數據內部的等價類的建立。它將知識理解為對數據的劃分，每一被劃分的集合稱為概念，利用已知的知識庫來處理或刻臧不精確或不確定的知識。粗糙集用於特徵歸約和相關分析。
(5)模糊集方法。基於規則的分類系統有一個缺點：對於連續屬性，他們有陡峭的截斷。將模糊邏輯引入，允許定義「模糊」邊界，提供了在高抽象層處理的便利。
其它還有貝葉斯網路、可視化技術、臨近搜索方法和公式發現等方法。
2.2 數據挖掘常用的分析方法
(1)分類和預測。主要用於客戶細分(分群)處理，如價值客戶群的分級，分類和預測是兩種數據分析形式，可以用於提取描述重要數據類的模型或預測未來的 數姑趨勢。數據分類(data elassfication)是一個兩步過程，第一步，建立一個模型，描述預定的數據類集或概念集，通過分析有屬性描述的資料庫元組來構造模型。第二步， 使用模型進行分類。首先評估模犁的預測准確率，如果認為模型的准確率可以接受，就可以用來對類標號未知的數據遠祖或對象進行分類。
預測 技術，主要用於對客戶未來行為的發現，如客戶流失分析中，用神經元網路方法學習各種客戶流失前的行為變化，進而預測(預警)可能出現的存價值客戶的流失。 預測足構造和使用模型評估無標號樣本類，或評估給定樣本可能具有的屬性值或值區間。分類和預測具有廣泛的應用，如信譽證實、醫療診斷、性能預測和選擇購 物。分類和預測常用的演算法包括決策樹歸納、貝葉斯分類、貝葉斯網路、神經網路、K-最臨近分類、遺傳演算法、粗糙集和模糊集技術。
(2) 聚類分析。聚類是將數據對象分組成為多個類或簇(cluster)，在同一個簇中的對象之同具有較高的相似度，而不周簇中的對象差別較大。作為統計學的一 個分支，聚類分析已被廣泛的研究了許多年，現在主要集中在基於距離的聚類分析，基於k-means(k-平均值)、k-medoids(k-中心點)和其 他的一些聚類分析工具也有不少的應用。
(3)關聯規則。關聯規則挖掘給定數據集中項之間的有趣聯系。設I＝{i1，i2，…im}是項 的集合，任務相關的數據D是資料庫事務的集合，其中每個事務T是項的集合，使得T包含於I。關聯規則是形如A=>B的蘊涵式，其中A∈I，B∈I， 並且A∩B為空。關聯規則的挖掘分成兩步：①找出所有頻繁項集，這些項集出現的頻繁性至少和預定義的最小支持計數一樣。②由頻繁項集產生強關聯規則。這些 規則必須滿足最小支持度和最小置信度。
(4)序列模式。序列模式分析和關聯規則分析類似，也是為了挖掘數據項之間的聯系，不過序列模式分析的是數據項在時間維上的先後序列關系，如一個顧客在購買了計算機半年後可能再購買財務分析軟體。
(5)孤立點分析。孤立點是度量錯誤或固有的數據變異性的結果。許多數據挖掘演算法都試圖使孤立點的影響最小，或排除它們。一個人的雜訊可能是另一個人的 信號，在有些時候。孤立點是非常有用的。孤立點挖掘可以描述如下：給定一個n個數據點或對象的集合，以及預期的孤立點的數目k，發現與剩餘的數據相比是顯 著相異的或不一致的頭k個對象。孤立點探測方法可分為三類：統計學方法，基於距離的方法和基於偏移的方法。
3 應用方法
3.1 了解業務
最初的階段，著眼於了解業務特點，並把它還原成為數據分析的條件和參數。例如：在零售行業中，我們的第一個步驟是了解客戶購買的頻率，購買頻率和每次消費金額之間是否有明顯的相關關系。
3.2 分析數據
這個階段著眼於對現有的數據進行規整。我們發現，在不少行業中，可分析的數據和前面提出的分析目標是不匹配的。例如：消費者的月收入水平可能與許多購買 行為相關，但是，原始的數據積累中卻不一定具備這螳數據。對這一問題的解決方法是從其它的相關數據中進行推理，例如，通過抽樣調查，我們發現，一次性購買 大量衛生紙的客戶，其月收入水平集中在1000-3000RMB的檔次，如果這一結論基本成立。我們可以從消費習慣中推理出現有客戶有多大的百分比是月收 入水平在這個檔次中的；另外，可以根據抽樣調查的方法。在問卷調查的基礎上推理整個樣本人群的收入水平曲線。
3.3 數據准備
這個階段的著眼點是轉換、清理和導入數據，可能從多個數據源抽取並加以組合，以形成data cube。對於缺失的少量數據，是用均值補齊，還是忽略，還是按照現有樣本分配，這是在這個階段需要處理的問題之一。
3.4 建模
現在已經有各種各樣的模型方法可以利用。讓最好的一種應用於我們要著眼的主要問題中。是這個階段的主要任務。例如，對於利潤的預測是否應當採用回歸方式預測，預測的基礎是什麼等，這些問題需要行業專家和數據分析專家協商並達成共識。
3.5 評估與應用
優秀的評估方法是利用不同的時間段，讓系統對已經發生的消費情況進行預測，然後比較預測結果和實際狀況，這樣模型的評估就容易進行了。完成了上述的步驟 之後，多數的分析工具都支持保存並重復應用已經建立起來的模型。更為重要的是，在這個過程中，對數據分析的方法和知識應當已經由客戶方的市場分析人員或決 策者所了解，我們提供的，不僅僅是最終結果，而且是獲得這一結果的方法。「要把金針度與人」正是TurboCRM咨詢服務不同於單純的軟體提供商的區別所 在。
最後，在軟體架構方面，分析資料庫與運營資料庫應當是分離的，避免影響運營資料庫在操作方面的的實時響應速度。
4 結束語
數據挖掘可以把大量的客戶分成不同的類，在每個類里的客戶擁有相似的屬性，而不同類里的客戶的屬性也不同，可以給這兩類客戶提供完全不同的服務來提高客戶的滿意度，細致而切實可行的客戶分類對企業的經營策略有很大益處。
7. 目前，數據挖掘技術在我們身邊的具體應用有哪些大家可以在線交流交流......
數據挖掘系統的其它應用還有：
♦ 在對客戶進行分析方面：銀行信用卡和保險行業，利用數據挖掘將市場分
成有意義的群組和部門，從而協助市場經理和業務執行人員更好地集中於
有促進作用的活動和設計新的市場運動。
♦ 在客戶關系管理方面： 數據挖掘能找出產品使用模式或協助了解客戶行為，
從而可以改進通道管理 （如銀行分支和6 等） 。 又如正確時間銷售就是基於顧客生活周期模型來實施的。
♦ 在零售業方面：數據挖掘用於顧客購貨籃的分析可以協助貨架布置，促銷活動時間，促銷商品組合以及了解滯銷和暢銷商品狀況等商業活動。通過
對一種廠家商品在各連鎖店的市場共享分析，客戶統計以及歷史狀況的分
析，可以確定銷售和廣告業務的有效性。
♦ 在產品質量保證方面：數據挖掘協助管理大數量變數之間的相互作用，並
能自動發現出某些不正常的數據分布，揭示製造和裝配操作過程中變化情
況和各種因素，從而協助質量工程師很快地注意到問題發生范圍和採取改
正措施。
♦ 在遠程通訊方面：基於數據挖掘的分析協助組織策略變更以適應外部世界
的變化，確定市場變化模式以指導銷售計劃。在網路容量利用方面，數據
挖掘能提供對客戶聚集服務使用的結構和模式的了解，從而指導容量計劃
人員對網路設施作出最佳投資決策。
♦ 在各個企事業部門，數據挖掘在假偽檢測及險災評估、失誤迴避、資源分
配、市場銷售預測廣告投資等很多方面，起著很重要作用。例如在化學及
制葯行業，將數據挖掘用於巨量生物信息可以發現新的有用化學成分；在遙感領域針對每天從衛星上及其它方面來的巨額數據，對氣象預報、臭氧
層監測等能起很大作用。