列存储在数据挖掘中的应用

数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的数据中提取隐含在其中的、人们事先不知道、但又潜在有用信息和知识的过程。随着信息技术的高速发展,信息系统积聚的数据量急剧增长,为数据挖掘提供了良好的数据基础。     

浅谈数据预处理理论

没有高质量的数据就没有高质量的挖掘,在数据挖掘过程中数据预处理至关重要.初步采集来的数据大体上都存在不完整,不一致等问题,无法直接进行数据挖掘,或挖掘结果差强人意.因此,数据预处理技术至关重要.根据统计,在一个完整的数据挖掘过程中,数据预处理要花费60%左右的时间,而后的挖掘工作仅占总工作量的10%左右.     

数据挖掘技术

本文介绍了数据挖掘的特点和功能,以及数据挖掘的方法,并扼要地介绍了空间数据库的数据挖掘、数据挖掘工具的种类和作用。     

BI：文化建设重于系统建设

贾凤军（以下简称贾）：一谈到商业智能（BI），人们就会想到数据仓库，似乎两者是不可分的。我个人认为，BI与数据仓库没有必然的联系。认为没有数据挖掘就没有BI，是一个认识的误区。理论上讲，数据挖掘技术能够为企业提供需要的数据，但这些数据能否成为决策的依据，关键还是取决于决策者或执行者本身。数据挖掘如同给导弹提供了制导数据，但如果导弹的推进系统、爆破系统技术跟不上，即使发射出去也不具有威力。BI应用的关键是业务与技术要找到结合点，     

数据挖掘浅析

本文根据作者开发数据挖掘系统的经验,针对数据挖掘系统过程中的实际情况,对数据挖掘系统的分类、数据挖掘的应用及当前的发展趋势作了浅显的探讨。     

数据挖掘：应用与技术

数据挖掘是什么？数据挖掘能给银行带来什么？数据挖掘怎么实施？编者选编的此组文章，试图从多个角度介绍数据挖掘的理论、主要技术、发展趋势，以及在银行业的实际应用。     

浅析数据挖掘技术在现代物流管理中的应用

数据挖掘技术就是利用机器学习统计数学和可视化技术,挖掘蕴藏在海量数据中大量未知的、有价值的信息,为企业物流管理提供各种决策信息.基于数据挖掘的现代物流管理信息系统的关键技术主要包括数据仓库技术、数据挖掘技术、数据分析工具等.数据挖掘技术将成为深化物流信息管理的最有效方法,在解决选址、仓储和配送等基础物流问题方面可以发挥出很大的作用.沃尔玛公司就是一个成功应用数据挖掘技术的例证.     

Unica Model面向市场营销和客户服务的数据挖掘与数学建模的集成应用软件

为了在当今竞争激烈的市场上取得成功,大多数公司都需要一个工具帮助他们将客户的历史数据（与消费,交易、购买,使用等有关的数据）转变为公司的市场,销售和客户服务部门所能利用的高效的知识和策略。美国Unica公司（NASDAQ上市公司）的Unica Affinium Model（简称Unica Model）正是这样一个享有行业声誉、面向市场营销和客户服务的数据挖掘与数学建模的集成应用软件。其主要优点是最大限度地将数学建模过程自动化。使得那些数学基础较差的业务人员可以方便地使用这个工具。这从根本上解决了数据挖掘应用的一个重大瓶颈、需要应用数据挖掘的业务人员一般不太懂相关的数学知识,而懂得数据挖掘所需要的数学知识的人往往又不是业务专家。Unica Model同时还为那些服务性信息技术公司与专业的数据挖掘建模者提供了一个“生产商业数学模型”的生产线。此外,该产品还提供了数据挖掘应用开发平台,并可以将产生的模型变成C语言程序,从而方便了IT服务公司开发脱离unica Model平台的具有自主产权的行业应用,     

数据挖掘技术在银行监管工作中的应用

数据挖掘是一项新兴的技术研究领域,在金融行业有着较为广泛的应用.本文介绍了数据挖掘的概念、主要功能、实施步骤、在国外银行业中的应用;将数据挖掘技术引入到银行监管领域,结合实例进行分析,对数据可视化查询进行初步探索;并对数据挖掘技术在银行监管的应用做了展望.     

数据挖掘及其在商业银行中的应用

本文对数据挖掘的基本原理作了阐述,分析了数据挖掘的流程及主要功能,介绍了数据挖掘工具的算法和特点,并结合具体实例说明了数据挖掘在商业银行的应用。     

浅谈数据挖掘技术在金融业中的应用

数据挖掘技术是一门最新的交叉学科，数据挖掘的发展必将带来许多领域的变革。本文主要介绍了数据挖掘的概念，并对数据挖掘在金融业中的应用作了进一步的探讨。     

数据挖掘及在金融领域的应用

什么是"数据挖掘" 数据挖掘(Data Mining,DM)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、但又是潜在有用的信息和知识的过程.这个定义包括几层含义:数据源必须是真实的、大量的、含噪声的;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;并不要求发现放之四海皆准的知识,仅支持特定的问题.     

基于XML的Web数据挖掘系统的研究与设计

本文主要研究了XML(EXtensible Markup Language)和数据挖掘两项技术的结合点,提出了基于XML的数据挖掘系统模型。在该模型中对数据挖掘的各个环节提出了采用XML技术的解决途径;研究了XML用于异构数据集成、数据预处理和XML数据集上的数据挖掘等问题;提出一个面向电子商务站点的Web挖掘原型系统。     

数据挖掘在信用卡客户营销中的运用

数据挖掘也叫数据库中的知识发现（KDD,Knowledge Discovery in Database）,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、潜在有用的信息和知识的过程。     

数据挖掘在信用卡经营管理中的实际应用

数据挖掘是20世纪末期诞生的信息处理技术，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，抽取隐含在其中的有用信息的方法和过程，其最终目的是发现和推导出有价值的信息，包括概念、规则、模式和模型等，为管理和决策提供参考和支持。目前，数据挖掘技术在很多领域中得到了很好的应用。[第一段]     

Insightful Miner（简称S＋Miner）——数据清洗、统计分析和数据挖掘集成平台

S＋Miner是世界排名前三位的著名统计分析与数据挖掘软件厂商InsightfuI公司数据挖掘产品。它是集数据获取、探索性分析、数据操纵、数据清洗、统计分析（集成了著名的S—PLUS统计分析平台的所有分析函数）、机器学习、模型评估和预测发布等功能于一身的新一代数据挖掘工具。     

数据挖掘的实施流程

数据挖掘在商业银行的应用实际．上早已存在,商业银行在经营管理的过程中所使用到的资产负债表、现金流量表、利率风险分析报表等都体现了数据挖掘的思想,其实质就是从大量的账务数据中获取整体营运情况的信息及其趋势用于决策。有效地利用海量数据进行数据挖掘,形成科学的、完备的数据挖掘体系,既是商业银行自身发展的必然要求,也是发展过程中所遇到的机遇和挑战。     

数据挖掘中聚类方法研究

数据挖掘是近年来是计算机和信息产业等领域非常热门的研究方向。聚类分析是数据挖掘中的核心技术,并得到广泛深入地研究。其间产生了许多不同的适用于数据挖掘的聚类方法。对数据挖掘领域的聚类分析方法进行了分析,以便于人们更容易、更快速地选择一种适用于具体问题的聚类方法。     

数据挖掘技术在银行的应用

数据挖掘技术源于20世纪80年代末,金融,保险、电信等行业首先受益。20世纪90年代末,随着客户关系管理的兴起,数据挖掘逐步成为银行、保险业的宠儿。21世纪,数据仓库技术的广泛应用为数据挖掘的深度普及奠定基础。在金融数据海量集中的年代,对数据的整合、挖掘势在必行。本期技术与应用栏目以数据仓库、数据挖掘技术在银行、保险业的应用为例,与金融科技工作者共同探讨其最新价值。     

数据挖掘技术在银行的应用

数据挖掘技术源于20世纪80年代末，金融、保险、电信等行业首先受益。20世纪90年代末，随着客户关系管理的兴起，数据挖掘逐步成为银行、保险业的宠儿。21世纪，数据仓库技术的广泛应用为数据挖掘的深度普及奠定基础。在金融数据海量集中的年代，对数据的整合、挖掘势在必行。本期技术与应用栏目以数据仓库、数据挖掘技术在银行、保险业的应用为例，与金融科技工作者共同探讨其最新价值。