1. 数据挖掘的应用领域有哪些
数据挖掘的应用非常广泛，只要该产业有分析价值与需求的数据库，皆可利用数据挖掘工具进行有目的的发掘分析。常见的应用案例多发生在零售业、制造业、财务金融保险、通讯及医疗服务：
(1)商场从顾客购买商品中发现一定的关联规则，提供打折、购物券等促销手段，提高销售额；
(2)保险公司通过数据挖掘建立预测模型，辨别出可能的欺诈行为，避免道德风险，减少成本，提高利润；
(3)在制造业中，半导体的生产和测试中都产生大量的数据，就必须对这些数据进行分析，找出存在的问题，提高质量；
(4)电子商务的作用越来越大，可以用数据挖掘对网站进行分析，识别用户的行为模式，保留客户，提供个性化服务，优化网站设计；
一些公司运用数据挖掘的成功案例，显示了数据挖掘的强大生命力：
美国AutoTrader是世界上最大的汽车销售站点，每天都会有大量的用户对网站上的信息点击，寻求信息，其运用了SAS软件进行数据挖掘，每天对数据进行分析，找出用户的访问模式，对产品的喜欢程度进行判断，并设特定服务，取得了成功。
Reuteres是世界著名的金融信息服务公司，其利用的数据大都是外部的数据，这样数据的质量就是公司生存的关键所在，必须从数据中检测出错误的成分。Reuteres用SPSS的数据挖掘工具SPSS/Clementine，建立数据挖掘模型，极大地提高了错误的检测，保证了信息的正确和权威性。
Bass Export是世界最大的啤酒进出口商之一，在海外80多个市场从事交易，每个星期传送23000份定单，这就需要了解每个客户的习惯，如品牌的喜好等，Bass Export用IBM的Intelligent Miner很好的解决了上述问题。
2. 数据在电子商务中的应用有什么作用
大数据在电子商务应用中的作用：
第一，对于利用大数据进行商品关联进行的挖掘营销来说，通过大数据挖掘技术，保证数据之间得到有效的关联性，这样在具体的企业运用过程中，应该保证有效分析原有数据的基础上，建立起相关的数据联系。比如，通过相关的啤酒和尿布的关联营销的案例，能够给电商提供有效的解决思路，能够有效实现电商企业产品信息的相关推荐以及结算界面的互补推荐的内容。利用小型的数据库进行处理和分析，能够使得用户的短期需求得到满足，但是，通过大数据对于商品关联度进行关联，则能够有效保证界面信息的准确度大大提升，能够更好保证用户潜在需求得到一定激发。所以，利用大数据的分析，保证充分对于商品的关联性进行挖掘，并能能够保证推荐界面的有效性，这点则是电商应该注重的地方。
第二，对于利用大数据进行的社会网络营销来说，当前，社会化媒体的高度发展，已经使得海量的人群得到覆盖，并且社会网络营销的传播速度正在呈现飞速的发展，利用大数据，人们可以对于社会化网络的传播进行充分地了解，能更好地开展电商进行类似于社会网络营销活动的开展。对于电子商务企业来说，应该充分利用好大数据分析的优势，能够有效把握好社会化网络传播媒介对于消费者的偏好的分析，在相关的社会媒介上进行分享活动的积极开展，使得传播范围不断扩大，有效提高营销效率。
第三，对于利用大数据进行的地理营销来说，利用大数据的技术优势，能够充分对于网站的交易数据进行有效分析，在进行商品的地理营销中，能够根据地理位置区域特定区域中人们的不同喜好，因此有效地开展不同类型的营销策略活动。对于电子商务企业来说，大部分电商则是在交易最后环节获得用户的收货地址，只有部分的电商则会有效地在开始阶段，就能够获得用户地理位置，这样的情况不利于进行商品的地理销售。应该通过大数据技术，分析用户地理位置的有效划分，保证存在的差异性的确定，应该充分保证用户地理信息和感兴趣商品的关联度，同时，能够在对于产品的服务，在细节上更加完善。
第四，对于利用大数据进行用户行为的分析营销来说，电商主要分析消费者的历史记录以及涉及的购买行为，这样就能有效获得用户的消费习惯，有效可以为企业提供用户行为分析营销。比如，用户的心理、行为轨迹可以通过浏览网页时停留在具体产品上的时间进行判断，有利于发现潜在的用户，进行具有针对性的商品广告的投放，使得广告转化率大大增加，另外，电子商务企业来可以通过一定相关的搜索行为，针对潜在用户的需求进行分析，使得商品种类进一步完善化。
第五，对于利用大数据实现的个性化推荐营销来说，在实际市场分析过程中，满足消费者的个性化要求显得越来越重要，这就要求电子商务企业也能更好满足个性化的营销水平。根据大数据环境的发展特点，电子商务企业应该根据用户的个性化要求来进行商品的推荐活动，以及产品分类等，能够积极邀请用户对于感兴趣商品进行关注，之后还能够继续进行个性化信息的添加和推荐，保证用户对于喜欢的类别进行有效修改，使得数据库内容进行有效更新。
3. 求：数据挖掘技术在电子商务中有哪些应用谢谢！
购买推荐,反馈分析,客户分析等.都在用.
4. 数据挖掘在电子商务中是如何应用的
主要是用在流量统计方面，你夜市做电子商务的吗，旺我：吴伟玲155771，交流下经验，一起分享
5. 数据库技术在电子商务中有哪些应用
太多了，具体而言，像产品数据库、用户数据库、用户行为追踪与分析。。。。离开了数据库，网站就只能是最简单也没什么交互功能的静态网站了。
6. 数据挖掘技术在客户关系管理中的应用
数据挖掘技术在客户关系管理中的应用
随着计算机技术、网络技术、通讯技术和Internet技术的发展，电子商务中 企业内部会产生了大量业务数据，如何从丰富的客户数据中挖掘有价值的信息，为企业管理者提供有效的辅助决策，是企业真正关心的问题。其中，客户分类是分析 型客户关系管理的重要功能之一。通过客户分类，区分客户的霞要程度，并针对不同霞要级别的客户制定专门的营销方案和客户关系管理策略，可以帮助企业降低营 销成本，提高利润和企业竞争力。客户也可从食业制定的专门的营销方案和客户关系管理策略中获得适合的交易体验。数据挖掘是分析型CRM实现其“分析”功能 的必要手段，也是实现客户分类的有效工具。
1 客户关系管理(CRM)
CRM(Customer Relation Managemen)是一种旨在改善企业与客户之间关系的新型管理机制，它实施于企业的市场营销、销售、服务与技术支持等领域，它的目标是提供更优质、更快捷的服务吸引并保持客户，通过业务流程的全面管理降低仓业成本。
在电子商务环 境下，CRM使网站企业在所有的业务环节下更好地满足客户需求以及提供更优质的服务，从而使站点企业在这种不存在时空差异的新型商务环境中保留现有客户和 发掘潜在客户。以提高市场竞争力。同时CRM又可以提供客户需求、市场分布、回馈信息等重要信息，为企业和经营活动提供智能化分析的依据，因此，CRM为 企业带来了成功实现电子商务的基础。
个性化服务是增强竞争力的有力武器，CRM就是以客户为中心并为客户提供最合适的服务。互联网成为 实施客户关系管理应用的理想渠道，记住顾客的名字及他们的偏好，根据顾客的不同而提供不同内容，顾客再次光顾的可能性会大大增加。CRM可以增加客户忠诚 度，提高购买比率，使每个顾客产生更多的购买需求，及更长时间的需求，并提高顾客满意度。
2 数据挖掘技术
如何对这些海量的数据进行分析发现，为商业决策提供有价值的信息，使企业获得利润，强有力的工具就是数据挖掘。
在分析型CRM系统中，数据挖掘是其中的核心技术，数据挖掘是从大量的数据中，抽取出潜在的、有价值的知识、模型或规则的过程。对于企业而言，数据挖掘 可以有助于发现业务发展的趋势，揭示已知的事实，预测未知的结果，并帮助企业分析出完成任务所需的关键因素，以达到增加收入、降低成本，使企业处于更有利 的竞争位置的目的。
2.1 数据挖掘常用的算法
(1)决策树(decision tree)决策算法。决策树是一个类似于流程图的树结构。其中每个内部节点表示在一个属性上的测试，每个分枝代表一个测试输出，而每个树叶节点代表类或类 分布。决策树算法包括树的构造和树的剪枝，有两种常用的剪枝方法：先剪枝和后剪枝。
(2)神经网络(Neural Network)。神经网络是一组连接的输入，输出单元，其中每个连接都与一个权相连，在学习阶段，通过调整神经网络的权，使得能够预测输入样本的正确类标号来学习。
(3)遗传算法(Genetic Algorithms)。遗传算法根据适者生存的原则，形成由当前群体巾最适合的规则组成新的群体，以及这些规则的后代。遗传算法用于分类和其他优化问题。
(4)粗糙集方法。粗糙集方法基于给定训练数据内部的等价类的建立。它将知识理解为对数据的划分，每一被划分的集合称为概念，利用已知的知识库来处理或刻臧不精确或不确定的知识。粗糙集用于特征归约和相关分析。
(5)模糊集方法。基于规则的分类系统有一个缺点：对于连续属性，他们有陡峭的截断。将模糊逻辑引入，允许定义“模糊”边界，提供了在高抽象层处理的便利。
其它还有贝叶斯网络、可视化技术、临近搜索方法和公式发现等方法。
2.2 数据挖掘常用的分析方法
(1)分类和预测。主要用于客户细分(分群)处理，如价值客户群的分级，分类和预测是两种数据分析形式，可以用于提取描述重要数据类的模型或预测未来的 数姑趋势。数据分类(data elassfication)是一个两步过程，第一步，建立一个模型，描述预定的数据类集或概念集，通过分析有属性描述的数据库元组来构造模型。第二步， 使用模型进行分类。首先评估模犁的预测准确率，如果认为模型的准确率可以接受，就可以用来对类标号未知的数据远祖或对象进行分类。
预测 技术，主要用于对客户未来行为的发现，如客户流失分析中，用神经元网络方法学习各种客户流失前的行为变化，进而预测(预警)可能出现的存价值客户的流失。 预测足构造和使用模型评估无标号样本类，或评估给定样本可能具有的属性值或值区间。分类和预测具有广泛的应用，如信誉证实、医疗诊断、性能预测和选择购 物。分类和预测常用的算法包括决策树归纳、贝叶斯分类、贝叶斯网络、神经网络、K-最临近分类、遗传算法、粗糙集和模糊集技术。
(2) 聚类分析。聚类是将数据对象分组成为多个类或簇(cluster)，在同一个簇中的对象之同具有较高的相似度，而不周簇中的对象差别较大。作为统计学的一 个分支，聚类分析已被广泛的研究了许多年，现在主要集中在基于距离的聚类分析，基于k-means(k-平均值)、k-medoids(k-中心点)和其 他的一些聚类分析工具也有不少的应用。
(3)关联规则。关联规则挖掘给定数据集中项之间的有趣联系。设I＝{i1，i2，…im}是项 的集合，任务相关的数据D是数据库事务的集合，其中每个事务T是项的集合，使得T包含于I。关联规则是形如A=>B的蕴涵式，其中A∈I，B∈I， 并且A∩B为空。关联规则的挖掘分成两步：①找出所有频繁项集，这些项集出现的频繁性至少和预定义的最小支持计数一样。②由频繁项集产生强关联规则。这些 规则必须满足最小支持度和最小置信度。
(4)序列模式。序列模式分析和关联规则分析类似，也是为了挖掘数据项之间的联系，不过序列模式分析的是数据项在时间维上的先后序列关系，如一个顾客在购买了计算机半年后可能再购买财务分析软件。
(5)孤立点分析。孤立点是度量错误或固有的数据变异性的结果。许多数据挖掘算法都试图使孤立点的影响最小，或排除它们。一个人的噪声可能是另一个人的 信号，在有些时候。孤立点是非常有用的。孤立点挖掘可以描述如下：给定一个n个数据点或对象的集合，以及预期的孤立点的数目k，发现与剩余的数据相比是显 著相异的或不一致的头k个对象。孤立点探测方法可分为三类：统计学方法，基于距离的方法和基于偏移的方法。
3 应用方法
3.1 了解业务
最初的阶段，着眼于了解业务特点，并把它还原成为数据分析的条件和参数。例如：在零售行业中，我们的第一个步骤是了解客户购买的频率，购买频率和每次消费金额之间是否有明显的相关关系。
3.2 分析数据
这个阶段着眼于对现有的数据进行规整。我们发现，在不少行业中，可分析的数据和前面提出的分析目标是不匹配的。例如：消费者的月收入水平可能与许多购买 行为相关，但是，原始的数据积累中却不一定具备这螳数据。对这一问题的解决方法是从其它的相关数据中进行推理，例如，通过抽样调查，我们发现，一次性购买 大量卫生纸的客户，其月收入水平集中在1000-3000RMB的档次，如果这一结论基本成立。我们可以从消费习惯中推理出现有客户有多大的百分比是月收 入水平在这个档次中的；另外，可以根据抽样调查的方法。在问卷调查的基础上推理整个样本人群的收入水平曲线。
3.3 数据准备
这个阶段的着眼点是转换、清理和导入数据，可能从多个数据源抽取并加以组合，以形成data cube。对于缺失的少量数据，是用均值补齐，还是忽略，还是按照现有样本分配，这是在这个阶段需要处理的问题之一。
3.4 建模
现在已经有各种各样的模型方法可以利用。让最好的一种应用于我们要着眼的主要问题中。是这个阶段的主要任务。例如，对于利润的预测是否应当采用回归方式预测，预测的基础是什么等，这些问题需要行业专家和数据分析专家协商并达成共识。
3.5 评估与应用
优秀的评估方法是利用不同的时间段，让系统对已经发生的消费情况进行预测，然后比较预测结果和实际状况，这样模型的评估就容易进行了。完成了上述的步骤 之后，多数的分析工具都支持保存并重复应用已经建立起来的模型。更为重要的是，在这个过程中，对数据分析的方法和知识应当已经由客户方的市场分析人员或决 策者所了解，我们提供的，不仅仅是最终结果，而且是获得这一结果的方法。“要把金针度与人”正是TurboCRM咨询服务不同于单纯的软件提供商的区别所 在。
最后，在软件架构方面，分析数据库与运营数据库应当是分离的，避免影响运营数据库在操作方面的的实时响应速度。
4 结束语
数据挖掘可以把大量的客户分成不同的类，在每个类里的客户拥有相似的属性，而不同类里的客户的属性也不同，可以给这两类客户提供完全不同的服务来提高客户的满意度，细致而切实可行的客户分类对企业的经营策略有很大益处。
7. 目前，数据挖掘技术在我们身边的具体应用有哪些大家可以在线交流交流......
数据挖掘系统的其它应用还有：
♦ 在对客户进行分析方面：银行信用卡和保险行业，利用数据挖掘将市场分
成有意义的群组和部门，从而协助市场经理和业务执行人员更好地集中于
有促进作用的活动和设计新的市场运动。
♦ 在客户关系管理方面： 数据挖掘能找出产品使用模式或协助了解客户行为，
从而可以改进通道管理 （如银行分支和6 等） 。 又如正确时间销售就是基于顾客生活周期模型来实施的。
♦ 在零售业方面：数据挖掘用于顾客购货篮的分析可以协助货架布置，促销活动时间，促销商品组合以及了解滞销和畅销商品状况等商业活动。通过
对一种厂家商品在各连锁店的市场共享分析，客户统计以及历史状况的分
析，可以确定销售和广告业务的有效性。
♦ 在产品质量保证方面：数据挖掘协助管理大数量变量之间的相互作用，并
能自动发现出某些不正常的数据分布，揭示制造和装配操作过程中变化情
况和各种因素，从而协助质量工程师很快地注意到问题发生范围和采取改
正措施。
♦ 在远程通讯方面：基于数据挖掘的分析协助组织策略变更以适应外部世界
的变化，确定市场变化模式以指导销售计划。在网络容量利用方面，数据
挖掘能提供对客户聚集服务使用的结构和模式的了解，从而指导容量计划
人员对网络设施作出最佳投资决策。
♦ 在各个企事业部门，数据挖掘在假伪检测及险灾评估、失误回避、资源分
配、市场销售预测广告投资等很多方面，起着很重要作用。例如在化学及
制药行业，将数据挖掘用于巨量生物信息可以发现新的有用化学成分；在遥感领域针对每天从卫星上及其它方面来的巨额数据，对气象预报、臭氧
层监测等能起很大作用。