BI大数据之数据挖掘技术

BI大数据之数据挖掘技术

关联规则分析：

包括频繁模式挖掘、序列模式挖掘，用于发现能够描述数据项之间关系的规则。典型应用是用户购物篮分析，发现用户经常一起购买的商品集合，如购买啤酒的人经常也会顺手购买小孩尿布;及用户购买某商品之后后续最有可能购买的其他商品，如用户购买自行车两个月左右后通常会再购买打气筒。前者可以用来指导商场的商品陈列，将用户最可能在一起购买的商品摆列在一起。后者则可以用来对用户的未来消费行为进行推荐引导。

分类和预测：

分类是按照已知的分类模式找出数据对象的共同特点，并将样本划分到相应的类别中，是最为基本的数据挖掘技术，广泛用于客户喜好分析、满意度分析等场景。如银行根据用户的消费能力和还款记录对其信用评级进行划分等。预测是将样本映射到连续的数值型目标值，发现属性见的依赖关系。如对产品未来一段时间的销售状况进行预测等。

聚类分析：

将一组对象按照相似性和差异程度划分到几个类别，使同一类别中样本的相似性尽可能大。如在金融行业中对不同股票的发展趋势进行归类，找出股价波动趋势相近的股票集合。

推荐技术：

根据用户的兴趣特点和历史的行为，向用户推荐其感兴趣的信息或商品。其最为成功的应用是在电子商务网站中，向用户推荐其可能购买的商品，从而增加商品的销售规模并提高用户粘性。

链接分析：

根据样本或数据对象之间的关联，可以构建对象之间的链接网络。链接分析是指利用图论模型对这些链接网络进行分析挖掘的一系列技术。其中最为知名的当属Google通过分析网页之间的跳转关系对页面权威度进行排序的PageRank算法。

其他相关挖掘技术还包括孤立点分析、数据演变分析等。