摘要“:互聯網+”戰略的實施促進了我國信息技術的快速發展,數據挖掘技術能夠實現對海量信息的統計、分析以及利用等,因此數據挖掘技術在生活實踐中得到了廣泛的應用。因此本文希望通過對數據挖掘技術的分析,分析數據挖掘技術在實踐中具體應用的策略,以此更好的促進數據挖掘技術在實踐中的應用。

關鍵詞:數據挖掘;應用;發展

1數據挖掘技術的概述

數據挖掘是通過對各種數據信息進行有選擇的統計、歸類以及分析等挖掘隱含的有用的信息,從而為實踐應用提出有用的決策信息的過程。通俗的說數據挖掘就是一種借助于多種數據分析工具在海量的數據信息中挖掘模數據信息和模型之間關系的技術總裁,通過對這種模型進行認識和理解,分析它們的對應關系,以此來指導各行各業的生產和發展,提供重大決策上的支持。數據挖掘技術是對海量數據信息的統計、分析等因此數據挖掘技術呈現以下特點:一是數據挖掘技術主要是借助各種其它專業學科的知識,從而建立挖掘模型,設計相應的模型算法,從而找出其中的潛在規律等,揭示其中的內在聯系性;二是數據挖掘主要是處理各行數據庫中的信息,因此這些信息是經過預處理的;三是以構建數據模型的方式服務于實踐應用。當然數據挖掘并不是以發現數據理論為目的,而是為了在各行各業的信息中找出有用的數據信息,滿足用戶的需求。

2數據挖掘的功能

結合數據挖掘技術的概述,數據挖掘主要具體以下功能:一是自動預測趨勢和行為。數據挖掘主要是在復雜的數據庫中尋找自己有用的信息,以往的信息搜索需要采取手工分析的方式,如今通過數據挖掘可以快速的將符合數據本身的數據找出來;二是關聯分析。關聯性就是事物之間存在某種的聯系性,這種事物必須要在兩種以上,數據關聯是在復雜的數據中存在一類重要的可被發現的知識;三是概念描述。概念描述分為特征性描述和區別性描述;四是偏差檢測。

[摘要]本文主要介紹了數據挖掘的基本概念，以及數據挖掘的方法。

[關鍵詞]數據挖掘數據挖掘方法

隨著信息技術迅速發展，數據庫的規模不斷擴大，產生了大量的數據。但大量的數據往往無法辨別隱藏在其中的能對決策提供支持的信息，而傳統的查詢、報表工具無法滿足挖掘這些信息的需求。因此，需要一種新的數據分析技術處理大量數據，并從中抽取有價值的潛在知識，數據挖掘（DataMining）技術由此應運而生。

一、數據挖掘的定義

數據挖掘是指從數據集合中自動抽取隱藏在數據中的那些有用信息的非平凡過程，這些信息的表現形式為：規則、概念、規律及模式等。它可幫助決策者分析歷史數據及當前數據，并從中發現隱藏的關系和模式，進而預測未來可能發生的行為。數據挖掘的過程也叫知識發現的過程。

二、數據挖掘的方法

一、數據挖掘相關概念

數據挖掘技術是近些年發展起來的一門新興學科，它涉及到數據庫和人工智能等多個領域。隨著計算機技術的普及數據庫產生大量數據，能夠從這些大量數據中抽取出有價值信息的技術稱之為數據挖掘技術。數據挖掘方法有統計學方法、關聯規則挖掘、決策樹方法、聚類方法等八種方法，關聯規則是其中最常用的研究方法。關聯規則算法是1993年由R.Atal,Inipusqi,Sqtm三人提出的Apriori算法，是指從海量數據中挖掘出有價值的能夠揭示實體和數據項間某些隱藏的聯系的有關知識，其中描述關聯規則的兩個重要概念分別是Suppor（t支持度）和Confi-dence（可信度）。只有當Support和Confidence兩者都較高的關聯規則才是有效的、需要進一步進行分析和應用的規則。

二、使用Weka進行關聯挖掘

Weka的全名是懷卡托智能分析環境（WaikatoEnviron-mentforKnowledgeAnalysis），是一款免費的、非商業化的、基于JAVA環境下開源的機器學習以及數據挖掘軟件[2]。它包含了許多數據挖掘的算法，是目前最完備的數據挖掘軟件之一。Weka軟件提供了Explorer、Experimenter、Knowledge-Flow、SimpleCLI四種模塊[2]。其中Explorer是用來探索數據環境的，Experimenter是對各種實驗計劃進行數據測試，KnowledgeFlow和Explorer類似，但該模塊通過其特殊的接口可以讓使用者通過拖動的形式去創建實驗方案，Simple-CLI為簡單的命令行界面。以下數據挖掘任務主要用Ex-plorer模塊來進行。

（一）數據預處理

數據挖掘所需要的所有數據可以由系統排序模塊生成并進行下載。這里我們下載近兩年的教師科研信息。為了使論文總分、學術著作總分、科研獲獎總分、科研立項總分、科研總得分更有利于數據挖掘計算，在這里我們將以上得分分別確定分類屬性值。

摘要：大數據使現代化信息技術實現了高速發展,利用現代化信息技術建立狀態數據采集系統進行院校評估，是院校管理的發展方向。數據采集系統不應只注重平臺服務而忽視了功能的挖掘與發揮。數據挖掘技術對高職狀態數據采集的應用系統建設方法應注重關聯規則方法和聚類分析方法的構建與使用。

關鍵詞：數據挖掘技術；狀態數據；數據采集；應用系統

數據采集應用系統又被稱之為高職院校人才培養工作狀態數據采集應用系統，該數據采集應用系統在2008年得到教育部門批準并公布實施，這使數據采集應用系統成為高職院校進行方案評估的重要組成部分，并越來越受到各個高職院校的關注與重視。不過，由于數據采集應用系統出現的時間較短，各個高職院校還沒有真正認識到數據采集應用系統的作用，對數據采集應用系統的框架體系與邏輯關系的理解仍舊需要一段時間，對應用系統中相關聯的數據進行聚合，使其成為一種能夠幫助學院進行教學決策與管理的價值信息，更需要探索一種新的數據分析方法，再加上高職院校只注重系統的服務評估功能而忽視了其他功能的挖掘與應用，這就造成許多高職院校只是在填報時才會用到該系統，而在填報過后便成為了擺設，這使數據采集應用系統的作用未得到真正發揮，利用率較低。為此，針對以上問題，通過數據挖掘技術對高職狀態數據采集應用系統進行深化分析。

1數據挖掘技術

大數據具有增長速度快、海量、多樣、真實、價值密度低五大特點，從數據本身進行分析，所謂數據挖掘技術便是通過算法搜索，從海量的大數據中對價值密度低的價值數據進行挖掘與收集的過程。數據挖掘技術和計算機科學有著緊密的聯系，通過數據的統計、處理、機器學習、模式識別、情報檢索等諸多手段來達成價值數據挖掘目的。這些手段能使企業決策者根據價值數據來對策略進行調整，以此降低風險，并做出正確決策。數據挖掘由三個階段構成：數據準備、數據挖掘、結果表達。

2數據挖掘技術在高職狀態數據采集應用系統中的深化基礎

在大數據背景下，許多傳統科學技術的發展達到了新的高度，同時也衍生出一些新興技術，這些推動著互聯網行業的前行。新技術的發展也伴隨著新問題的產生，現有的數據處理技術難以滿足大數據發展的需要，在數據保護等方面依舊存在著一定的風險。因此，進一步完善大數據技術是當下需要攻克的難題。本文主要進行了大數據的簡單引入，介紹數據挖掘技術及其應用，分析了當下的發展進度和面臨的困難。

1大數據的相關引入

1.1大數據的概念。大數據主要指傳統數據處理軟件無法處理的數據集，大數據有海量、多樣、高速和易變四大特點，通過大數據的使用，可以催生出新的信息處理形式，實現信息挖掘的有效性。大數據技術存在的意義不僅在于收集海量的信息，更在于專業化的處理和分析，將信息轉化為數據，從數據中提取有價值的知識。大數據分析與云計算關系密切，數據分析必須依托于云計算的分布式處理、分布式數據庫等。1.2大數據的特點。伴隨著越來越多的學者投入到對大數據的研究當中，其特點也逐漸明晰，都廣泛的提及了這四個特點。（1）海量的數據規模，信息的數據體量明顯區別于以往的GB、TB等計量單位，在大數據領域主要指可以突破IZP的數量級。（2）快速的數據流轉，大數據作用的領域時刻處在數據更新的環境下，高效快速的分析數據是保證信息處理有效的前提。（3）多樣的數據類型，廣泛的數據來源催生出更加多樣的數據結構。（4）價值低密度，也是大數據的核心特征，相較于傳統數據，大數據更加多變、模糊，給數據分析帶來困擾，從而難以從中高密度的取得有價值的信息。1.3大數據的結構。大數據主要分為結構化、半結構化和非結構化三種數據結構。結構化一般指類似于數據庫的數據管理模式。半結構化具有一定的結構性，但相比結構化來說更加靈活多變。目前非結構化數據占據所有數據的70%-80%，原因在于互聯網上的信息內容多種多樣，暫時無法找到有序的存儲歸類方法。1.4大數據技術大數據技術是指如何從各種類型的數據中，獲得有利用價值的信息，其中大數據技術包括數據收集、數據存取、數據架構、數據處理、統計分析、數據挖掘、數據預測和結果呈現。在大數據的生命周期中，數據收集處于第一階段，主要來源有管理信息系統、Web信息系統等。根據數據結構類型不同，大數據的存取采用三種不同的形式，這樣有利于其他技術的應用。數據架構源于谷歌提出的一種基于軟件的可靠文件存儲體系GFS（Google文件系統），相應推出的還有MapReduce計算模型，二者共同解決了當時的文件存儲和運算問題。而后隨著需求的不斷增多，有學者基于谷歌的研究，開發出可以滿足更多需求的Hadoop。

2數據挖掘技術

2.1數據挖掘技術以及云計算。如今全球每年都有數十億人使用著計算機等電子設備，并產生了龐大的數據，各行各業都已經被數據所滲透，在大數據時代，數據挖掘已成為不可或缺的技術。數據挖掘通過統計、在線分析、情報檢索、機器學習、專家系統和模式識別等諸多方法來實現從海量數據中搜索隱藏于其中的信息這一過程。云計算是分布計算的其中一種，通常是指：通過網絡搜集共享計算資源，并以最低的管理代價和最精準的計算方式獲取結果的新型IT運算模式。也就是說云計算技術將龐大的數據計算處理程序拆分為一個個小程序，再通過多個服務器分別計算、處理和分析，最后將結果匯總并返回給用戶。這項技術可以在短時間內迅速完成海量的數據處理，從而為日益更新的互聯網服務。2.2數據挖掘的發展現狀。從最早的數據庫技術，到如今逐漸發展成熟的大數據技術，其目的都是實現數據的高效管理和有效利用。數據在我們身邊無處不在，數據的收集已經不再是困擾我們的難題，如何將隱藏在數據背后的信息高效率的挖掘出來，才是我們需要探索的道路。如今數據挖掘技術已發展為：數據源提供數據，再將預處理的數據整合成適用的模式，由模式分析出這些數據中有用的知識。2.3數據挖掘中的經典算法。2.3.1C4.5算法C4.5算法是在決策樹算法的基礎之上改進的，根據對目標變量產生的效果的不同而構建的分類規則，其原理是根據每次選擇一個特征或分裂點作為當前節點的分類條件。C4.5算法繼承了決策樹算法的優點：過程可見、操作簡便、準確率高，可同時也有難以基于組合的形式發現規律。2.3.2K-Means算法即K均值聚類算法K均值聚類算法顧名思義是一種聚類算法，將n個對象根據屬性分為k個分割，計算出每個對象與各個種子聚類間的距離，然后將每類對象分配給最近的聚類中心，這樣每個聚類中心再不斷重復以上操作以達到某個終止條件。這種算法的優點是容易實現，但在大規模數據的運用上效率較低，一般適用于數值型數據。

3最新數據挖掘技術及其應用

摘要:隨著大數據時代的到來，在大數據觀念不斷提出的今天，加強數據大數據挖掘及時的應用已成為大勢所趨。那么在大數據教學過程中，我們必須掌握大數據與數據挖掘的內涵，并對數據挖掘技術進行分析，從而明確大數據時代下數據挖掘技術的應用領域，促進各項數據的處理，提高大數據處理能力。

關鍵詞:大數據時代；數據挖掘技術；應用

大數據是對全球的數據量較大的一個概括，且每年的數據增長速度較快。而數據挖掘，主要是從多種模糊而又隨機、大量而又復雜且不規則的數據中，獲得有用的信息知識，從數據庫中抽絲剝繭、轉換分析，從而掌握其潛在價值與規律。所以大數據時代下的數據處理技術要求更高，要想確保數據處理成效得到提升，就必須切實加強數據挖掘技術教學工作的開展，才能更好地促進數據處理職能的轉變，提高數據處理效率，優化學生的學習成效。以下就大數據時代下的數據挖掘技術教學做出如下分析。

1大數據時代下數據挖掘技術的基礎教學方法分析

數據挖掘的過程實際就是對數據進行分析和處理，所以其基礎就在于數據的分析方法。要想確保分析方法的科學性，就必須確保所采用算法的科學性和可靠性，獲取數據潛在規律，并采取多元化的分析方法促進問題的解決和優化。以下就幾種常見的數據分析教學方法做出簡要的說明。一是歸類法，主要是將沒有指向和不確定且抽象的數據信息予以集中，并對集中后的數據實施分類整理和編輯處理，從而確保所形成的數據源具有特征一致、表現相同的特點，從而為加強對其的研究提供便利。所以這一分析方法能有效的滿足各種數據信息處理。二是關聯法，由于不同數據間存在的關聯性較為隱蔽，采取人力往往難以找出其信息特征，所以需要預先結合信息關聯的表現，對數據關聯管理方案進行制定，從而完成基于某種目的的前提下對信息進行處理，所以其主要是在一些信息處理要求高和任務較為復雜的信息處理工作之中。三是特征法，由于數據資源的應用范圍較廣，所以需要對其特征進行挖掘。也就是采用某一種技術，將具有相同特征的數據進行集中。例如采用人工神經網絡技術時，主要是對大批量復雜的數據分析，對非常復雜的模式進行抽取或者對其趨勢進行分析。而采取遺傳算法，則主要是對其他評估算法的適合度進行評估，并結合生物進化的原理，對信息數據的成長過程進行虛擬和假設，從而組建出半虛擬、半真實的信息資源。再如可視化技術則是為數據挖掘提供輔助，采取多種方式對數據的挖掘進行指導和表達[1]。

2大數據時代數據挖掘技術教學要點的分析

【摘要】隨著數據科技的飛速發展，管理會計工作已逐步實現電算化。長期的會計處理過程中會積累大量結構化或非結構化數據，這些數據中蘊藏著巨大的價值。本文基于價值創造視角，闡述了大數據挖掘技術在管理會計中的應用。

【關鍵詞】數據挖掘技術；管理會計；應用

數據挖掘指運用決策樹模型、蟻群算法、神經網絡算法、遺傳算法、關聯分析算法、序列模式分析算法、聚類分析算法等對海量結構化或非結構化數據集合進行挖掘與分析，依托模型獲取有價值信息或探求某種發展趨勢，提供有用的數據洞察。數據挖掘結合了統計學、信息管理系統、計算機科學與技術、離散數學、機器學習、數據庫、人工智能、決策理論等多種學科。該項技術可以從繁雜、無規律的數據環境中剝離出重要信息供企業使用，為決策提供參考。

一、大數據挖掘技術概述

（一）大數據挖掘相關技術。1.統計技術。統計分析技術以概率論和統計學主要思想為理論基礎。該技術對數據集合進行挖掘的方式是對給定數據集合假設一個分布或者概率模型（比如正態分布模型），然后根據模型進行相應挖掘。該技術建立在判別分析、因子分析及回歸分析等模型基礎之上，其優勢是對分析結果的描述精確且容易理解，因而應用較為普遍。2.決策樹技術。決策樹技術在數據挖掘的不同操作階段具有不同特點，其遵循的規則較為直觀，容易理解，其優勢是在計算分類時耗費時間較短。決策樹是一種顯示不同條件下會得出哪些數值的規則算法，這種方法在預測結果以及將結果分類的條件下較為適用。決策樹分析方法一般常用C4.5、C5.0、ID3、CHAID、CART等計算方法。3.關聯規則。關聯規則在數據挖掘技術中應用最為廣泛，該技術是將海量數據集中起來，將其中的關聯關系和依賴關系充分挖掘。依托關聯分析，能從用戶行為中分析出潛在的行為模式，挖掘潛在知識以及人們感興趣的模式，同時將總結的概念應用于更大范圍的用戶群體之中。4.神經網絡技術。神經網絡技術類似于人腦部神經元，其功能也有相近之處。它的重點是結合神經測試規則進行計算模擬的開發與設計。在結構上，神經網絡可以劃分為輸入層、隱含層和輸出層三個不同層次。輸入層的不同階段對應著預測變量，輸出層的節點對應的是目標變量，隱含層位于輸入層和輸出層之間，隱含層的具體層數和不同層內的節點數決定了神經網絡的整體復雜程度。該項技術具有承受噪聲數據能力較高、可以處理相對復雜問題等優勢。5.粗糙集技術。粗糙集技術在數據挖掘中應用較為廣泛。這種技術一般能夠較為清晰地分析出噪聲數據以及不精準數據之間的聯系。其最大的優勢是不需要將初始數據或附加信息包含在內，只需利用一些不完整數據或不確定數據即可建立模型。粗糙集技術大大提高了知識發現及數據挖掘效率。6.遺傳算法。遺傳算法1975年由美國D.J.Hol⁃land教授提出，它將計算機科學技術與生物學技術完美融合，是一種優化類算法。大自然最基本的生存法則為適者生存，生物按照一種合理的機制進行遺傳進化，進而成為最適合的種群。遺傳算法對大自然中的生物進化機制進行模擬，遵循合理原則，對各項數據模型執行優化操作。遺傳算法相比于其他算法要求的輸入信息較少，因而具有靈活高效的特點。7.差別分析。差別分析的主要目的是發現數據之中潛藏的異常情況，進而減弱噪音數據干擾，獲取有價值信息。8.概念描述。概念描述主要是對某類對象的特征和內涵進行概括及描述。概念描述具體分為區別描述和特征性描述。前者用于描述某些對象的區別，后者描述某類對象的共性。（二）大數據挖掘技術應用流程。1.選擇、取樣。在實施數據挖掘之前，需要針對數據挖掘預期目標對數據庫進行甄選，依托數據表的形式對數據總體進行抽樣。需要注意的是，在數據庫中抽取的數據要有實際意義，抽取數據數量應適當，不宜過多。2.預處理。具體包括消除噪聲數據、重復記錄，合理處置缺失數據，完成數據類型轉換等。3.轉換、探索。在數據樣本抽取結束之后，需要根據實際情況對數據執行增加、刪除、修改等操作，進而對數據進行深入探索。結合探索過程，找出海量數據中所隱藏的聯系或異常，加深對預期挖掘目標的理解和認識。4.調整、數據開采。在進行初步的取樣及探索之后，確定數據開采任務，從而選擇合適的數據開采算法。5.建模。結合決策樹、回歸分析、時間序列分析、神經網絡等分析工具對所甄選數據進行建模，基于數據構建對目標結果的分析預測模型。6.評價。數據挖掘的最終環節是建立模型測評體系，對數據挖掘中發現的有效結果進行實用性和可靠性評價，對不足之處進行修正。上述過程可以表示為圖1。

二、管理會計是業務及價值的結合體

摘要：通過云計算與物聯網技術的有效結合，能夠實現海量數據的有效挖掘與分析，對于數據處理水平的提升也有著重要意義。因此我國相關技術部門還要加強對該方面工作的重視力度，實現云計算技術跟互聯網技術兩者的有效融合，有助于我國數據挖掘技術的優化與升級，本文主要就云計算與物聯網技術的數據挖掘進行了探究分析。

關鍵詞：云計算；物聯網技術；數據挖掘

1物聯網與云計算概述

1.1物聯網概述

物聯網作為一種新興的網絡技術，其主要是以萬億節點作為表達對象，隨后通過不同的傳感器設備、網絡服務器以及超級計算機集群來進行數據的處理與應用，并且包含了計算機技術以及通信技術等多個學科。物聯網技術手段的應用，能夠在結合物理對象的實際情況進行無縫信息系統的構建，實現對各業務流程的規劃化與動態管理，保障業務流程的順利開展，從而解決用戶們的不同需求[1]。

1.2云計算技術

摘要：信用卡作為商業銀行中較為重要的一項業務，同時在現代人的生活中也具有不可或缺性。當前各商業銀行圍繞信用卡推出了多種不同的業務，為了保證信用卡業務的有序發展，進一步提高商業銀行管理和工作區域性，則需要利用數據挖掘技術來針對信用卡客戶相關信息和信用風險進行分析，為信用卡業務的開展提供重要的信息支持。文中分析了信用卡業務中數據挖掘技術的應用，并進一步對信用卡業務中數據挖掘技術應用的優化措施進行了具體的闡述。

關鍵詞：商業銀行；信用卡業務；數據挖掘技術；應用；優化措施

1信用卡業務中數據挖掘技術的應用

（1）數據挖掘技術在信用卡業務中的應用模型。近年來商業銀行發展速度較快，信用卡發放數量也隨之增加，積累了大量的客戶信息。為了能夠獲得有價值的信息，以此來預測客戶的行為模式，從而為客戶提供更優質的服務，這就需要重視數據挖掘技術在信用卡業務中的應用，在實際應用中主要以客戶細分模型和定向營銷模型為主。在客戶細分模型中，基于客戶屬性對其進行劃分，并針對不同客戶群體特征來為其提供不同的服務和產品。在客戶細化模型中，其主要是針對客戶需求、客戶消費之間的差異作為理論依據，再結合競爭資源的有限性和有效市場競爭的目的性，以此來選擇符合自身發展的客戶群體和市場，從而獲得成功。在定向營銷模型中，其是針對于某個消費群體，基于這個消費群體的消費觀念和習慣來制定具體的活動方案，以此來提高成功的效率。在信用卡業務開展過程中，通過信用卡結算來獲得相應的消費信息，并對客戶消費過程中的數據進行記錄，針對這些數據進行分析和處理，獲得客戶消費的意向，以此來開發產品，促進消費。在定向營銷實施過程中，銀行需要了解客戶信息，并從眾多客戶中識別需要的客戶，以此來構建完善的定向營銷網絡。針對客戶進行劃分，為其提供個性化的服務。銀行通過加強與客戶之間的溝通，更好的了解客戶需求，從而站在客戶立場上完善需求。（2）數據挖掘技術在信用卡管理系統中的應用。信用卡管理系統，在建成數據庫后，則需要應用數據挖掘技術來建立信用卡決策系統。具體要利用數據挖掘技術來對客戶進行分析，通過篩選客戶，針對不同客戶采取不同的營銷方式。針對系統為特約商戶提供服務的基礎數據利用數據挖掘技術進行分析對比，準確掌握市場發展趨勢，做好準確的決策，以此來取得競爭中的優勢。在針對業務分析過程中，通過針對信用卡業務總數據進行分析，明確業務的優勢和劣勢，并針對各項指標中的數據進行處理，以此來分析出業務的走向趨勢，并對發展規律進行總結。通過對信用卡業務數據的處理，對收益構成和貢獻度進行分析。還要針對網點業務進行分析，綜合評價經營情況并提出合理化的建議。（3）數據挖掘技術在信用卡風險管理中的應用。當新客戶向銀行申請信用卡時，銀行會根據客戶填寫的基本信息，系統會對客戶的信用等級進行初始判斷。在實際數據挖掘技術應用過程中，以客戶歷史數據和信息作為預測輸入，并建立數據模型來表現出客戶初始信用等級分布特征，準確預測新客戶初始信用等級。當客戶信用卡辦理成功后，則需要針對客戶信用卡透支情況進行及時分析，以此來掌握客戶透支的具體信息及特征。在該環節中，利用數據挖掘技術分析時，需要輸入信用卡客戶的基本信息及歷史匯總數據信息，以透支類型作為輸出，以此來對客戶一定時間內可能出現的透支情況進行精準預測。通過對客戶信用等級及透支情況進行預測，可以為信用卡風險管理提供重要的信息依據，實現對風險的有效控制。

2數據挖掘技術在信用卡業務中應用的優化措施

（1）掌握中央客戶數據。數據挖掘技術對于銀行的發展非常重要，其重點體現在能夠建立一個集成化的中央客戶數據，從而更好的提升對于客戶使用情況的分析。通過在數據庫中有效的提取客戶的重點消費情況，對數據信息有效的收集、分析和整理，了解到客戶的消費習慣和特征。同時銀行還應該不斷探求與互聯網公司的合作，從而更好的完善中央客戶數據。（2）有效利用決策系統。當決策系統具有較高的靈活性時，才能更好的提高數據挖掘技術的有效性，針對于客戶群體信息進行有效了解，充分的利用銀行掌握的客戶信息。目前大部分銀行都建立了客戶決策信息管理系統，這對于信用卡審批過程、額度確定和欠款催收等自動化功能的運用起到了積極的促進作用，可以實現對客戶的精細化管理。因此對于商業銀行而言，需要重視決策系統的不斷完善，全面提高其功能的自動化水平，從而為客戶提供更加優質、高效和便捷的信用卡服務。（3）強化數據采集和維護功能。常規情況下，數據庫可以從銀行的各系統內進行采集，包括客戶的交易基本情況、記錄等，然后再進一步將采集到的信息加工，從而分析信息內容，為客戶提供更好的、有針對性的服務。在加載客戶基本賬號的信息時，避免出現現有系統中賬號不一致的問題，如果發現一定要做到及時消除，同時將數據連接到中央數據庫中，這樣才能夠準確的了解客戶的消費行為、使用頻率。銀行還要做到盡可能的了解客戶的變化情況，針對客戶的變化及時推出具備針對性的金融產品和服務。這就需要銀行及時了解到客戶每天的交易明細，同樣連接到中央數據庫，便于及時分析客戶的行為。

[摘要]本文主要介紹了數據挖掘的基本概念，以及數據挖掘的方法。

[關鍵詞]數據挖掘數據挖掘方法

隨著信息技術迅速發展，數據庫的規模不斷擴大，產生了大量的數據。但大量的數據往往無法辨別隱藏在其中的能對決策提供支持的信息，而傳統的查詢、報表工具無法滿足挖掘這些信息的需求。因此，需要一種新的數據分析技術處理大量數據，并從中抽取有價值的潛在知識，數據挖掘（DataMining）技術由此應運而生。

一、數據挖掘的定義

數據挖掘是指從數據集合中自動抽取隱藏在數據中的那些有用信息的非平凡過程，這些信息的表現形式為：規則、概念、規律及模式等。它可幫助決策者分析歷史數據及當前數據，并從中發現隱藏的關系和模式，進而預測未來可能發生的行為。數據挖掘的過程也叫知識發現的過程。

二、數據挖掘的方法