数据挖掘范例

数据挖掘

数据挖掘范文1

关键词:大数据时代;数据挖掘;应用

当前社会高速发展,借助计算机技术使得信息流通速度更快,人与人之间的交流和交往越发密切,这使得人们的生活更加便利,大数据便是基于这样的时代背景而产生。随着云时代来临,大数据引起了人们更多的关注,大数据通常被用来形容为企业创造的大量非结构化或者半结构化的数据。2012年以来,大数据被越来越多的提及,展现了信息时代来临海量的数据,反映出了时代的特征。当前,数据开始迅速膨胀,在大数据体量在不断增长的过程中,数据也开始逐渐影响企业和社会的未来发展。因此,在大数据时代背景下针对数据进行挖掘和应用能够展现出更多的经济效益和社会价值。

1大数据以及大数据时代相关概述

(1)大数据相关概述。大数据早先是IT行业的专用术语,主要是指无法在一定时间和一定范围内使用常规软件工具进行捕捉、管理和处理的数据集合。为了更好处理这些数据,处理者需要一种新的管理模式,并且使之具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。在大数据时代,大数据具有更多的战略意义,其战略意义不仅仅体现在庞大的数据信息中,还在于对这些数据进行专业化的处理,发掘出大数据的更多功用。从技术上来看,大数据和云计算一样,顾名思义大数据无法用单台处理设备对数据进行处理,需要借助分布式构架才能对海量的信息数据进行收集、分析和存储,最终为大数据的应用提供保障。在当前的大数据时代背景下,大数据的价值主要体现在以下几个方面。一是借助大数据能够对消费者所需要的产品或服务进行精准营销;二是借助大数据可以帮助小微企业进行服务转型,明确小微企业转型发展的方向;三是借助大数据,能够使企业在互联网的压力下进行转型时充分挖掘大数据的价值,为企业的进一步发展提供良好的参考依据。

(2)大数据时代相关概述。全球知名咨询公司麦肯锡咨询公司最早提出的“大数据”的概念。进入大数据时代以来,社会生活和生产发生着巨大变化。总体上来说,大数据时代互联网中的信息呈现出了全新的特征,这些特征表现在数据体量庞大,大数据的起始计量单位至少是P,如此庞大的数据,为数据赋予了更多的价值。其次,数据的类型繁多,包括网络日志、音视频、图片、地理位置等各种信息。再次,数据呈现出价值密度低的特点,随着互联网和信息技术的广泛应用,价值物联网的不断普及,信息感知无处不在海量的信息随时都在被收集,这些海量的信息需要经过处理才能得到相应的价值。最后,大数据时代的数据信息具有速度快和实效高的特点,这样的特征是大数据挖掘区别于传统数据挖掘的特征。

2数据挖掘技术的分析方法

(1)聚类。聚类分析是在数据处理的过程中,根据数据的类型将其划分为多个类似的组别。这样能够最大程度提高相同类型数据之间的关联性,再通过不同类型数据之间的关联性找到可用的数据集。通过这样的聚类方式,能够应用于客户群体、客户分类、背景分析等各个方面。从应用领域来看,数据挖掘的聚类方式被广泛应用于心理学、医学、销售等各个领域。

(2)分类以及事先推测。分类是根据数据类型的不同预先对数据库中的数据从数据形式、数据特点一一对应分类,结合不同的目的进行统计和划分。通过这样的方式能够根据不同类型的某一特点,反映出数据项目的需求。这种应用方式可以被应用于客户分类、客户特征、客户满意度调查、消费者消费行为的趋势预测等等。

(3)关联分析。自然界中的事物具有一定得联系,借助这一特征在数据挖掘的过程中借助不同数据之间的联系区别,能够更好查找数据集合与对象集合之间的因果结构。这样的数据挖掘技术能够应用于交易数据中不同商品的关联性,从而进一步避免商品交易过程中可能会出现的各种问题。或者借助这一方式,寻找市场对消费产生的各种影响,帮助企业不断改良自身的产品,不断优化自身的服务,使之达到利益的最大化。

(4)特征分析方法。特征分析方法是在数据库内部的其中一组数据中提取关键数据,通过对关键数据的分析显示出整个数据的特点。这样的方式能够减轻数据处理和分析人员的工作压力和内容,使得数据分析和处理工作更加高效。对于企业来说,建筑特征分析方法能够在数据挖掘时,借助分析过的数据找到出现问题的原因,能够使企业开发出更多的消费者,也能够使企业更好留住客户。

3数据挖掘技术的应用

(1)应用于市场营销领域。从大数据支撑的特点以及社会发展经济的形势来看,市场营销领域是大数据应用最广最多的领域。在实际运用的过程中借助大数据挖掘技术能够帮助企业分析不同消费者和不同客户的消费习惯和特点,在此基础上能够预测消费者的消费行为,以这样的方式对消费者进行精准营销从而提高企业的商品销售业绩。除此之外,在市场营销的过程中还能根据消费者的不同需求,为消费者推送精准的内容,以此增强商品对于消费者的吸引力,从而获取更多的客源。同时,通过优化自身的售后服务或者其他服务,能够帮助相关企业维持稳定和长期的客户资源,使企业能够在激烈的市场环境中处于良好的竞争地位。当前,大数据挖掘技术的应用领域,在市场营销方面不仅仅被应用于商品销售和超市购物等等,已经开始普及到各个金融领域之中。在银行业、保险业、电子商务领军、电信零售等各个行业中都可以借助数据挖掘技术收取消费者信息分析消费者行为,使得本行业能够拥有更多的潜在客户,从而为企业带来更多的经济效益。

数据挖掘范文2

关键词:大数据时代;数据挖掘技术;聚类分析;关联分析

1数据挖掘技术及其意义

数据挖掘技术是依托于大数据技术所诞生和发展的新技术,它隶属于人工智能技术,主要应用于商业领域。数据挖掘技术的诞生源自原始数据具有不规则性、复杂性、多样性等特点,运用数据挖掘技术可以将原始数据中具有价值的信息提取出来,使其发挥出更多的作用。从商业层面上看,原始数据虽然数量庞大,但通过数据挖掘技术对其抽取、转换、分析后,就可以为商业决策提供参考依据,从而促进相关行业及企业的健康发展。

2数据挖掘技术的常见类型

2.1聚类分析。聚类分析分为硬聚类和模糊聚类两种主要类型。硬聚类是在指向距离最短的聚类中划拨事物,且该项事物只属于某一类。模糊聚类则不归属于某一类,极有可能存在多种类型。总体来说,聚类分析是对数据库或对象库进行抽选后,在每一组类当中放置一个相同或者相类似的数据,由此生成多个组类,这一过程就是聚类分析过程。聚类分析过程无须知识基础,也无须监督管控,只需要找到数据中有价值的部分并对其进行相应的分类即可。聚类分析与“分类”之间既存在着一定的相似之处又存在着差异性,比如聚类分析无法知道相应的属性,但可以分析出相间类聚的某些规律。因此,聚类分析技术在心理学领域、医学领域具有较为广泛的应用。

2.2分类和预测。预测过程主要包括分类和预测两种类型。分类指的是预估分类标号,也可以将分类视为数据挖掘技术中的一个基础性步骤,在训练数据可以预计的情况下,分类可以很好地呈现出其相应的特性,只要完成一个类别描述,便可以进行下一步的分类构建。在分类的过程中,不仅存在着监督的必要,还需要来源于训练数据的确定性描述。目前的分类存在多种方法,决策树和神经网络是其中比较常用的两种方法。在神经网络系统当中存在着众多具有分布式存储信息、可大规模并行处理、自组织自学习能力良好的神经单元。也可以将神经网络视为多个神经单元的集合,从而使轴突连接的生物神经元大群集问题得以有效解决。但事实上,每个神经单元还可以同时连接多个其它神经单元,特别是将相应的数值输入以后,神经单元之间便可以重新进行数值组合,也可以对其进行求和。预测是指通过连续值函数模型的构建再借助分类、回归、回归分析法、局势外推法等方法对数据规律进行预估。以回归分析法为例,它可以根据数据库当中某一数据的函数关系体现出数据之间的联系与区别,最终分析出数据信息特质的依赖程度。

2.3关联分析。从理论的角度上分析,世界上所有事物都不是独立存在的,一旦其中某一方发生变化,就会导致另外一方或者多方受到不同程度的影响,从而衍生出更多的变化。数据挖掘技术中的关联分析就是依据这一项理论,以大数据技术作为支撑分析出事物之间的数据规律,再依据该规律开展预估工作。例如某电商企业针对购物篮进行分析时,需要先通过数据挖掘技术找到购物篮中各商品的排列规律及其内在联系,进而分析出消费者的消费层次、消费心理、消费行为特征,最终推出具有较强针对性的营销策略,推动销量的提升。在现实世界当中并不存在信息“非黑即白”的情况,所以灰色关联分析是所有关联分析当中最为常见的方法之一。该方法主要以各因素的发展趋势、相互之间的差异性或者相似度作为分析的依据,对各项数据进行归纳与评价,最终分析出各因素间的关联性。当通过灰色关联分析来描述数据信息之间的过渡阶段时,包含已知和未知两部分信息。由于未知信息的存在,导致分析结果存在较强的不确定性,而灰色分析则可以对解决方案进行优化,最终得出最佳解决方案,使数据分析中的各项问题得到妥善解决。

3数据挖掘技术在各领域中的应用

3.1市场营销领域。在目前所有的数据挖掘技术应用领域中,应用得最广泛、效果最显著的当属市场营销领域。企业在开展市场营销的过程中通过应用数据挖掘技术,可以更加全面细致地分析出消费者的消费行为习惯。这样一来,市场营销人员便可以制定出极具针对性的营销方案,促进销售量的显著提升。伴随着数据挖掘技术的不断发展,它在保险行业、电子商务行业中的应用价值也大幅提升。通过聚类分析方法可针对消费者无意识的、不规律的消费行为进行分析,从中识别出消费习惯和消费动机,赋予原本无效的数据信息新的应用价值,从而帮助企业制定出更加精准的营销策略,促进企业的健康发展。

3.2制造业领域。数据挖掘技术应用于制造业领域与应用于其他社会领域相比有所不同。数据挖掘技术在制造业的应用价值主要体现在检查产品质量,如通过对产品数据进行研究分析找出其中的规律,或者通过对生产流程进行分析找出影响生产效率及产品质量的主要因素。分析后再有针对性地提出解决方案,使生产流程更加科学合理,使产品的生产成本得到有效控制。在制造业企业决策中,数据挖掘技术同样可以发挥非常重要的作用,利用相关技术能够获取具备使用价值的数据信息,再通过决策树算法确保决策的准确性与科学性。

3.3电信领域。近年来,我国的电信行业实现了快速发展,用户规模也在不断扩大。在这种情况下,电信企业必须采取有效措施提高自身的技术水平及服务质量,以此来保证客户满意度与忠诚度。但是,对于整个电信行业来说,技术服务属于非常庞大的混合载体,唯有通过应用数据挖掘技术方可对各种复杂数据进行全面、深入的分析,找到其中的规律,进一步帮助电信企业对以往的技术服务体系作出优化调整,为用户提供更优质的服务。

3.4教育领域。随着我国教育体制的全面改革,数据挖掘技术在教育领域内也得到了很好的应用。教育管理者可利用数据挖掘技术对学生心理、行为习惯进行系统化的分析,并依据分析结果对学校的教育管理方式进行优化改革,帮助教师找到更加科学有效的管理方法,从而促进教学成效的提升。数据挖掘技术还可以针对学生的成绩进行分析,找到大多数学生在学习中的薄弱之处,使教师为其提供有针对性的教学指导,促进教学质量的显著提升。

4结语

伴随着我国数据挖掘技术的整体发展,该项技术在科研领域、生物制药领域、航空航天领域中也得到了大范围的应用,并且取得了较为理想的应用成效。数据挖掘技术使大数据信息变得更加实用,使大数据技术的优势在各行各业都得到了有效发挥。

参考文献:

[1]石静静,王书真,王艳佩.基于大数据的数据挖掘技术探讨[J].数字技术与应用,2016,(03):96-99.

[2]孙勤红,沈凤仙.大数据时代的数据挖掘及应用[J].电子技术与软件工程,2016,(06):86-88.

[3]杨华昆.大数据时代数据挖掘技术探讨[J].电脑编程技巧与维护,2015,(24):155-157.

数据挖掘范文3

现在,很多营销站点建设了他们自己的数据仓库系统,但是他们之间彼此是独立的,不相关的,为了解决信息孤岛问题,需要整合每一个不相关的数据仓库系统来建立一个统一的网络营销信息平台。该文将根据各个网络数据仓库的特点将其进行无缝整合,建立基于数据仓库的网络营销系统。该系统能够满足各级电子商务网络的应用需求,在一定程度上提高了网络营销企业的运营效率。

关键词:

数据仓库;网络营销;信息孤岛;数据挖掘;数据整合;OLAP

1概述

目前,随着电子商务的不断深入,网络营销企业需要从电子商务积累的数据中快速准确地提取出用于指导网络营销决策的信息。参考文献[1]为制造企业提出了市场营销决策支持系统的解决方案,此方案是在数据库基础上产生的,包括数据库,OLAP,数据挖掘。其中,数据库用于集成、存储、决策主体的数据管理;OLAP用于多维数据分析;数据挖掘用于预测、聚类和统计分析,以达到发现知识和潜力模型的目的。但是,这种方法只适用于单一的网络营销企业,而目前的电子商务网络则是由全国各地甚至海外的广阔的营销网站组成的。因此,有必要建立一个统一的网络营销信息平台,有效地消除信息孤岛问题。由于各个网络营销节点的数据库建立在各个地方,为了充分利用数据仓库和网络[2]中的原始数据,网络数据仓库的建设成为一个重要的研究课题。目前,研究人员已经在一定程度上对网络数据仓库技术进行了研究。文献[3]~[5]介绍了将网络数据(HTML,XML,等等)综合到网络数据库的方法。文献[6][7]介绍了基于原始数据库的网络数据库解决方案。文献[8]研究了技术在网络服务器中的应用,提出了构建网络数据仓库系统的关键技术。文献[9]提出并实现了从网络中提取数据的包装算法。但这些文件不能生成完整的框架,用于网络数据仓库系统设计。综合对各文献进行深入分析和研究之后,提出了完整的网络数据仓库解决方案,并对网络数据库营销系统的构建方法进行了深入的探讨。

2网络数据库整体解决方案

一个完整的网络数据库应该有2个特点:现有的数据库和网络数据库。本文提出的网络数据仓库的解决方案具有两个方面的优势,即网络信息的综合利用问题和分布式环境下的数据查询问题[11]。

2.1将现有的数据库导入网络

数据库是一个企业数据资源的地方。但是传统的数据库是无法满足电子商务规模不断扩大的需要,它受限于C/S结构及复杂、昂贵、且集中化的设计。随着网络技术的引入,大型分布式数据库逐渐实现。将现有的数据库导到网页,需要下面的三个步骤.1)数据集成:将源数据整合到数据库中。2)服务器处理:DM(数据挖掘)、EIS(管理信息系统)和应用服务器提供OLAP(联机分析处理)应用,这些应用程序被称为数据处理,其结果可以通过Web服务器。3)结果显示:客户端浏览器显示数据处理结果。

2.2将网络导入数据库

这一阶段主要包括以下几个部分:1)基于Web的数据主要是半结构化数据,如HTML,XML等,可通过搜索引擎查询。但为了使其能够适合结构化查询的数据库查询,必须将这些数据整合到网络数据库中,满足结构化查询的要求。2)网络技术的进步促进了电子商务的发展,互联网技术中通常用点击流的概念来记录网站的浏览行为,最终以Web日志文件的形式进行保存。点击流可以作为数据库的数据源,用于构建相应的数据库。使用点击流可以捕获和分析用户的行为,以支持决策。

3基于数据库的网络营销系统

3.1数据整合

从电子商务企业信息系统建设的现状来看,各企业迫切需要一个工具来执行总部公布的标准和政策,以确保迅速下达到所属子公司,并得到快速响应,同时更新和纠正。随着信息化的不断发展,一定程度上能够解决数据整合问题,由于目前的信息化只是一种分布式的模式[11],数据的整合和集中非常低效。在这种情况下,可以考虑将上层总部数据从“总部”转移到“集体化”。数据整合是指将多个分散的数据源进行整合,最终实现企业数据的集中存储和处理。电子商务企业通常有以下三种模式的数据集成[10]。1)县级数据整合模式。电子商务企业只需建立一个数据中心,企业总部和下属公司的业务数据都存储在这个中心。2)区域级数据集成模式。电子商务企业区域网络节点作为中心收集其领域内商业数据,通过整合总部的数据交换中心来组成二次数据存储结构3)全省数据整合模式。以省级数据为中心,由总部、区域数据处理中心以及二者数据交换中心的数据,形成三级数据存储结构[11]。在这种情况下,网络营销系统还需要整合他们的数据。但不同层次的电子商务网络节点的需求也不同。部级的网络需要详细的业务数据,处理所有用户信息。省、地区网络往往更关心一些汇总数据,如下属县市的网络营销绩效。电子商务是一种金字塔式结构,总部属于高层管理者,为了更全面更可靠的给高层决策支持提供有效数据,其所涉及的数据强度也是最大的,数据具有广泛的分布特征,因此采用数据库作为网络营销系统的数据基础。因此,我们如何对数据仓库的进行设计,可以充分考虑不同层次的电子商务网站,并通过网络方式形成大型分布式网络数据库。

3.2通用数据库的设计

网络营销系统的核心包括网络购物、商业交易、现金管理、库存管理和网络推广等,此外,还提供了各种业务的服务模块和分析模块。服务模块包括电话服务、互联网服务和客户服务中心。综合业务分析模块包括基于历史数据统计的查询、分析和决策支持,重点研究为企业提供及时、准确的决策依据[11]。此数据库不同于二维结构的关系数据库,它是多维数据集的载体。针对网络营销系统的特点和用户需求,采用建模方法构建数据库,包括:销售、供应、销售利润、市场需求等。例如,销售主题包括以下2个事实表和六维表:实际销售事实表、计划销售事实表、日期维度表、客户维度表、产品类别维度表、产品级维度表、客户分类维度表和客户区域维度表。实际销售事实表的各项指标包括:销售增长量、销售增长率、销售份额增长量、销售份额增长率。预期的销售事实表的指标包括预期销售增长量,预期销售增长率,以及预期销售量市场份额增长量,预期的销售份额增长率。

3.3网络库的设计

与一般的数据仓库相比,该系统具有数据整合的要求,因此我们采用了分层结构的设计模式。这一战略的含义包括两个方面:层次数据仓库(县、市、省、国家)、网络出版分层(数据层、应用层和表示层)。1)部级数据库要建立部级数据仓库首先要确定数据源。所有的基础数据源来源于电子商务企业的管理信息系统和外部环境,通过录入、提取,过滤,合并后存储在数据库中。2)省、市县级信息库建立省级或市、县级的数据库也需要确定数据来源。该数据库通常是根据实际需要,在较低的数据库中进行数据提取、转换和加载的数据组成的。例如,该省、地区数据库是由一个下属县和市数据仓库衍生的。所以,数据仓库无论是在不同的层次上还是在同一层次上必须能够互相通信,而且任何级别数据库都可以通过网络服务器与外部环境进行连接。3)应用服务器网络营销系统一般包括两大模块:服务模块和分析模块。一般而言,不同层次的系统需要建立在数据库的基础上,以满足业务、服务和分析模块的需求。低层次的系统一般只需要业务模块,随着系统水平的增加分析模块的需求也会随之有所增加[11]。在网络营销系统,功能模块部署在不同的应用服务器,用户可以通过网络使用由企业提供的应用服务器,如基于EIS应用技术上的OLAP和DM。

3.4决策支持

构建基于数据库的网络营销体系可以分析并组合各级电子商务网络节点的营销数据,满足各级电子商务网络节点的数据需求。省级、区域性网络节点和总部的关注点是基于基础业务的信息汇总,这可以指导企业的业务调整和政策制定。数据分析技术简单而言是一种数学分析方法,该方法主要是基于数据库的商业应用分析,包括联机分析处理(OLAP)、数据挖掘等。OLAP的可以在用户界面的前端进行显示。更加直观清晰,同时OLAP的具有两项主要功能:不仅能够满足决策支持,同时还可以支持多维环境的特定查询需求。OLAP的应用功能也包含两项内容:分析用户的当前数据和历史数据,方便提供决策支持。通过关键多维度数据操作,如查询、相关延伸、深度延伸、切片等,相应的报告就可产生并被分析。OLAP可以根据从用户那里提取出的相关问题或假设的详细信息,将多个问题或假设进行合并,从而生成可视化的结果提供给用户。数据挖掘可以为企业管理者、营销总监等相关人员提供多总分析数据,如供应分析、销售分析、客户识别分析、成本分析、需求分析等。让企业管理者、营销总监把握客户的特点,特别是客户价值、经营风险和成本等信息,促使管理人员从事务型转变为思维型,通过后处理来预测。

4结论

针对目前网络营销企业存在的问题,本文提出了一种基于数据库的网络营销系统。在电子商务环境下,对有效的信息交换和知识管理的需求日益迫切[12],数据库可以为网络营销企业提供一个良好的数据环境。在实践中,各级营销网络节点的数据库缺乏统一的规划,容易形成数据孤岛。在本质上,基于数据库的大型分布式网络营销系统可以有效地解决这一问题。通过合理的规划构建金字塔式的网络营销体系,能够满足不同层次的电子商务网络节点的不同应用需求,并在一定程度上提高其运作效率。

作者:孟彩霞 单位:铁道警察学院公安技术系

参考文献:

数据挖掘范文4

随着我国科学技术的不断进步,数字时代也逐渐到来,我国的石油工程在发展的过程中也与数字相结合,这也意味着油田工程技术中“大数据”的到来。但是面对着庞大的数据量,还有构成数据的复杂情况,传统的石油工程技术和传统的数据库技术、分析数据、预测方法都已经无法应对现阶段庞大的数据量,因此这样的情况也就推动了我国石油工程数据挖掘技术的快速发展。本文根据石油工程中挖掘技术的发展情况,阐述了数据在石油工程领域中的应用现状,并且分析其发展的状况,预测数据挖掘技术在石油工程中的未来发展前景。

关键词:

数据;挖掘技术;石油工程

前言:

随着我国计算机技术的不断发展,各行各业中的信息量和数据量也在迅速增长,想要在大量的数据中,以不同的形式和存储的数据资料中寻找到非常具有价值的信息或者知识量,这些都成了目前石油工程中数据挖掘的一项艰巨的任务,下面本文针对现阶段石油工程中数据挖掘技术的发展现状展开分析,并且对于石油工程领域中数据挖掘技术的发展前景进行评价,提出相关建议,以期我国石油工程能够提高发展速度,为我国提高经济和科技水平做出贡献。

1大数据时代下的油田技术

大数据这一名词早在1980年就已经被人们所察觉,但是一直是因为科学水平有所制约,因此才直到2009年左右,数据才逐渐受到各个国家中信息技术行业的重视。再到2012年,美国的政府对于数据的发展情况给与了近2个亿的美元,这样的做法很大程度的拉动了大数据的相关产业,并且使大数据的发展战略发展到国家的发展战略中,甚至把大数据定义成为未来行业中最新的投资产业。根据以往的经历,很多的知名石油公司也开始力争能够使用大数据技术进行石油工程中的挖掘技术,以期为石油企业创造出更高的经济效益。同时在石油公司的数据管理问题上,国际石油公司中的数据技术已经有所转变,同时很多石油公司凭借着科学技术的提高,大量的便携磁盘和高速光纤网络,因此在石油工程现场的数据传输速度也得到很大的提高[1]。随着我国石油勘探技术的工作不断提高,因此石油数据也一直呈现出增长的趋势,其中还包括石油工程中地质、物探、测井等各个环节,特别是在近年来智能油田和互联网之间的建设,使石油产业中的信息化现象带到了大数据的时代,其中主要的特点就是其数据量非常庞大、数据构成的结构也相对比较复杂、数据形式也变得多种多样,因此在大数据之下的石油挖掘技术对于油田生产实践工作也有相关的优势,这一点对于提高石油生产决策的科学性具有重要的意义。

2数据挖掘技术在石油工程中应用现状

所谓的数据挖掘,指的就是在大量缺失、模糊的信息数据中提炼出隐含在其中,不为人们所知的,具有潜在价值的信息的主要过程。在油田的工程中数据的挖掘任务一般情况下被分成两种类型:其一就是描述、其二就是预测。在油田挖掘过程中描述性任务就是采用简单便捷的表达数据方式的一般特点;预测性的任务值得就是以当前数据中的可利用数据作为基础,通过推断,给予最新的预测[2]。为了实现渗透效率和有效的厚度,以及生产的压差,其中含气的饱和程度等各个参数,都是油田生产中具有关联度的挖掘,因此要建立所需要的分析和参数为最终的输入情况,还需要以油田中的产量作为预测过程中主要的变量,还有其挖掘的结构和最终模型。在分析关联情况的就此沪指上,用户还能够根据自己的喜欢和自己感兴趣的情况对影响油田产能的因素选定最优的预测模型,以期预测油田的产量,还有在特定的影响因素中的具体发展趋势。

3数据挖掘技术在石油工程中的应用前景

随着我国石油产业的不断发展,石油工程中的产业发展情况基本上实现了其自动化、信息化的生产情况,并且石油在生产的过程中还存在大量的数据,其中包括采用的过程中和地面工程中生产和作业中多种类型的大数据。通过对大数据的挖掘和使用,还可以分析和利用所能够采集到的信息,便于处理更加庞大规模的数据,这一点具有能够及时查看、准确一处预测过程中的优点,还有企业在完成大数据挖掘之后,使用这一数据过程中所发现的知识点以及发展趋势,并且还需要适时的调整油田的生产方式和生产策略,这样能够提升油田的最终产量[3]。在石油的生产和开发的领域中,预测和检查数据的挖掘活动能够具有多种多样的因素影响,还有复杂的油田开发问题。因为较常使用的工程预测方式中还存在一定的局现性,这一点知识为了反映所预测的生产指标是否随着时间或者是其他变量的变化情况,这些数据中间还存在着非常复杂和隐蔽的关系,并且在石油产量下降的时候,呈现出的指数和模式都是具有一定的波动性的,因此数据的变化会对油田产量变化产生一定的影响。由此可见数据挖掘的变化情况会影响到石油产业中产量的变化,数据挖掘在未来石油工程发展过程中具有良好的发展前景。

结论:

综上所述,在科学日益进步的今天,我国的石油工程行业想要拥有良好的发展前景,还需要掌握并且利用好现阶段的数据使用情况,这也是我国石油企业和石油公司提高自身核心竞争力的重要手段之一。利用良好的科学技术来谋划石油工程中大数据的发展战略,重点使用数据技术对石油工程进行跟踪、深化系统集成的最终使用方式。同时在石油工程中开展数据处理技术中的重点研究,并且突破其中技术的障碍,为我国油田技术能够更好的开展管理和挖掘工作做贡献,力争能够把“数据”转化为油田工程的重点发展对象和发展过程中的有力支柱。

作者:李小宁 单位:中国石油长庆油田分公司水电厂

参考文献:

[1]赵金海,杨传书.专家决策支持系统在石油工业中的应用与发展展望[J].中外能源,2010,11:40-45.

数据挖掘范文5

1、软件漏洞检测

软件漏洞检测是数据挖掘技术在软件工程领域中需要协助的软件工程目标之一。软件漏洞检测的目的就是要找出软件系统在开发过程中存在的错误与漏洞问题,对存在的问题进行及时的修改与修复,确保软件系统的质量与安全运行。通常情况下应用数据挖掘技术进行软件漏洞检测主要有五个部分:①要确立软件测试的项目。从用户的角度出发,了解用户都有哪些需求,然后决定软件要进行哪些方面的测试与怎样进行软件测试,制定出软件测试的计划与实施方案;②进行软件系统漏洞库数据信息的收集、清理与转换。采集软件系统的信息与数据,抽取出软件系统中存在漏洞缺陷的数据信息,清理掉系统中无用与多余的数据信息,补充系统中丢掉与缺少的项目数据信息,将系统数据信息转化成信息与知识方式;③选择合适的软件系统数据挖掘信息,然后进行数据信息的验证与训练。通过数据挖掘技术对软件系统数据的训练与测试结果,结合软件工程项目的需求,选择合理的数据挖掘方法;④对软件系统中存在的缺陷漏洞进行分类、定位与描述。将找出的软件系统漏洞运用数据挖掘技术,根据一定的规则进行软件系统漏洞的分类、定位与描述;⑤数据挖掘技术在软件测试项目中的应用。运行数据挖掘技术将挖掘出来的数据信息转化成知识,并将转化后的知识保存到数据库当中,然后对软件系统进行重新测试,确认漏洞现象是否存在,然后将测试后的结果应用到软件开发项目当中。

2、执行记录挖掘

执行记录挖掘属于软件工程领域中的挖掘技术领域。执行记录挖掘目的就是通过对软件系统的程序执行路径进行分析,发现软件系统程序模块代码之间的相互关联。其运行实质是就通过跟踪软件系统的执行路径实现逆向建模,有利于软件系统程序的理解、跟踪、维护与以及验证。

3、开源软件挖掘

开源软件挖掘属于软件工程领域中的挖掘对象领域。克隆代码检测是开源软件挖掘技术中常用的方法之一,普遍应用在大多数软件开发源文件当中,进行数据的拷贝与粘贴。采用克隆代码技术可以有效进行代码的拷贝与粘贴,然后运用克隆代码检测技术对代码进行检测,避免软件系统中出现漏洞代码,有利于软件系统的后期维护。

二、结语

数据挖掘范文6

关键词:数据挖掘;软件工程

在信息化背景下,我国传统的数据信息技术已经难以满足现代企业发展的需求。而数据挖掘的发展与普及,能够有效实现数据信息的即时保存与精准传送,推动我国现代企业信息化建设的步伐。现阶段,作为我国产业发展最快的软件功能,往往与数字信息技术存在紧密的联系,而将数据挖掘应用到软件工程产业体系中,不仅能够激发数据挖掘的全部潜能,更能提高软件工程的发展质量,降低软件工程的成本投放,规避相应的风险出现。因此软件工程企业应用数据挖掘,不仅具有重要的现实意义,更有显著的时代意义。

1数据挖掘的基本内涵及内容

数据挖掘具体指现代信息技术,与传统数据技术相比,具有强大的信息处理、传送、存储等功能。在我国社会各领域中得到广泛的应用。然而现阶段,我国部分企业对该技术的应用价值了解甚少,依旧采用传统的数据信息处理手段,导致信息处理质量与效率相对低下。而数据挖掘具体包括了数据分析、数据转换以及数据处理等功能,不同功能间具有紧密的联系,可以有效实现对数据信息的综合评估。对于软件工程产业来讲,应用数据挖掘技术,不仅能够有效增强数据信息的处理质量,防止失误出现,更对企业的全面发展具有重要的推进作用。在具体的数据挖掘环节层面,软件工程公司首先应“界定”商业问题,进行相应的数据准备,进而以数学建模的方式理解数据,并对比既定的商业问题,对数学模型进行评估。最后,将模型应用与商业问题中,明确数学模型的时效性,以此彻底解决原有的商业问题。其中,在模型评估的过程中,需要围绕数据源对商业问题的具体内容进行二次界定,以此保障模型评估的准确性与科学性。

2软件工程应用数据挖掘的意义

2.1深化对信息的理解

基于数据挖掘含有传统数据信息技术的各项功能,在将大量数据信息进行集中采集后,企业能够根据数据信息的基本类型进行自动化分类管理。而在此种数据采集模式下,数据采集所涉及的范畴广泛,内容丰富,可以根据不同数据信息的基本体系展开针对性分析,建立出体系完善的管理平台,方便企业快速查询及获取所需的信息资源。而在软件研发阶段,数据挖掘可以将大量零散的数据资源进行集约化的整合处理,使企业能够多角度、全方位的了解并掌握不同数据信息的内涵。简而言之,数据挖掘能够以类似大数据技术的手段对大量信息进行针对性分析及识别,并根据既定程序命令,将不同信息以属性、类型、内容等多种方式进行分类,以便于软件工程企业在全面理解各项信息资源的同时,提升信息资源的利用效率。

2.2提升信息录入准确性

数据挖掘拥有强悍的运算功能。传统的数据信息处理系统在具体运算过程中,需要消耗大量的时间成本,甚至因数据规模的庞大,导致运算系统崩溃。而在数据挖掘的支持下,软件工程企业能够在有限时间内提升数据信息的运算速度,规避数据信息混乱与丢失问题的发生,能够有效提高信息的完整性。而在规模庞大的数据运算过程中,存在部分不具备研发价值的垃圾数据,如果不对此类数据进行处理,将会使其滞留在处理系统中,影响系统的稳定性与运行效率。因此应用数据挖掘手段,能够有效识别并筛选无用数据,提升数据处理系统的整体质量,

2.3提升数据处理的实效性

软件工程企业能够通过数据挖掘切实实现信息转换,能够将杂乱无序的数据信息进行整理,因而以“试用的方式”调用各项数据信息,能够有效提升数据信息的利用率。尤其在数据挖掘的过程中,企业能够利用该技术自主选择恰当的分析策略,并对不同模糊数据实现针对性清理,使模糊数据得到充分利用。随后根据已获得的数据信息,从不同角度出发,对数据的真实性、有效性、准确性进行评价,从而将真实信息进行集约化整合,使数据变成可以解读的信息资源。简而言之,企业通过将分析结果作为新信息传递给决策者,以此作为依据,可以提升软件开发的质量。此外,数据分析是一项比较繁杂的流程,不同的研发环节需要进行大量的反复计算,直到企业获得理想的运算结果。而将数据挖掘应用到数据分析中,不仅能够缩减运算求证的时间,更能提升数据分析的准确性与时效性。

3数据挖掘的应用策略

3.1挖掘结构

数据挖掘在流程代码及结构层面的应用如下,首先克隆代码的检测技巧,克隆代码具体指企业根据软件工程的操作标准,复制部分代码的过程及方法。而在特殊情形下,企业还需要结合实际情况,修改并完善流程代码,以此实现维护系统的目标。而通过克隆代码,企业能够有效保障软件系统的稳定运行。现阶段,克隆代码的检测技巧具体有以下四种,分别是程序结构、文本对比、比较标识符以及度量程序。不同的检测技巧都有着独特的评估与诊断方式,能够在实际应用中,根据具体需求进行合理选择与应用。其次是Aspect法。Aspect法具体指企业借助横切点获取数据的挖掘形式。在实际的软件工程运作中,企业借助Aspect法可以有效实现对系统的结构改造,提升问题处理的效率及质量。

3.2项目管理

软件工程企业如果想将数据挖掘应用在管理活动中,需要从以下两个层面入手,其一是版本数据控制中有关组织关系的信息挖掘;其二是版本数据控制挖掘。在软件工程企业管理层面,其自身拥有着显著的繁琐及系统特征,开展组织关系工作,能够有效实现不同数据资源的应用与调配。而如果将管理流程作为系统的整体,依据形成共享文件或电子邮件,实现对信息的实时挖掘,可以形成不同工种间的组织关系,以此规避流程混乱问题的发生,保障功能管理的有效落实。此外,数据挖掘中的版本控制可以推进对数据内部变化情形的的录入,进而将其作为客户理解并掌握数据内容的有效依据。而将数据挖掘引入到控制信息内,可以降低维护成本,提升软件的稳定性。除此之外,数据挖掘还具有警示功能,能够对系统修复中的问题进行提示,以此提升软件管理的质量。

3.3开发应用

数据挖掘主要以数据库为核心,通过对数据信息的识别、分类、处理及传递储存,实现提升数据运算效率与质量的功能,并且在软件开发过程中形成了深层次的内涵。而软件工程是工程化的学科,可以结合不同项目指标、用户需求及现有资金,研发出全新的软件商品。相较于传统软件开发繁琐的流程,数据挖掘能够帮助软件工程企业提升商品的应用性,简化研发流程,保障软件开发的有效性与时效性,此外,由于软件功能需要掌握大量数据内容,研发范畴广泛,能够在数据挖掘的支持下,实现实时更新,内容划分,规避研发错误等功能。特别在代码编写的过程中,数据挖掘能够在编程人员撰写代码时,根据代码的命令、结构形式,做出错误预警,以此提升软件编程的质量。

3.4故障检测

在故障检测层面,数据挖掘能够有效分析并记录程序的执行情况。可以为程序运作模式进行说明,进而实现对程序的实时定位与故障检查,而在数学建模与信息追踪的过程中,企业通过数据挖掘对流程进行优化与分析,可以为后续的程序维护工作提供凭证。此外,在信息化时代下,数据挖掘能够通过网络技术对客户端软件的运行情况及故障问题进行实时记录,并根据故障类型进行系统分类,以此为技术人员分析软件漏洞,更新软件补丁奠定坚实的基础。

4结语

数据挖掘是基于数据库信息处理的现代技术,能够帮助软件工程企业提升数据运算效率及质量,降低研发与维护成本,推动企业的长远发展。而在实际应用中,数据挖掘能够在“挖掘结构”、“项目管理”、“开发应用”、“故障检测”过程中发挥强悍的数据运算、信息分类与识别功能,进而推进软件工程企业的自动化、现代化进程,为我国科学技术的快速发展奠定坚实有力的基础。

参考文献

[1]张小军,任帅,申丹丹.浅析4G环境下数据挖掘在移动通信网络优化中的运用[J].电子技术与软件工程,2014(08):208-209.

[2]李涛,曾春秋,周武柏,周绮凤,郑理.大数据时代的数据挖掘——从应用的角度看大数据挖掘[J].大数据,2015,1(04):57-80.

数据挖掘范文7

关键词:数据挖掘技术;软件工程;应用对策

1引言

随着信息化时代的来临,传统信息处理技术已经无法满足现代化信息处理需求,无法实现大量信息精准传送和保存。数据挖掘技术的出现,可以将这一现象进行处理,实现各项信息的精准记录和传递。现阶段,数据挖掘技术已经在各个领域中广泛应用。软件工程作为近几年快速发展的产业,软件工程发展往往和信息技术发展有着直接关联。把数据挖掘技术运用到软件工程中,能够将数据挖掘技术自身作用全面激发,提升软件工程研发效率,减少软件工程管理成本投放,防止不必要问题的出现。由此可见,数据挖掘技术在软件工程中应用,具备现实性意义。下面,本文将进一步阐述和解析数据挖掘技术在软件工程中应用。

2数据挖掘技术的基本概述

从数据挖掘技术自身角度来说,其主要指一种现代化信息处理技术,和传统信息处理技术进行比较,数据挖掘技术凭借自身强大的功能,在各个领域中广泛应用。当前,数据挖掘技术没有得到全面普及和推广,大部分IT行业对数据挖掘技术应用价值缺少深入了解,依旧采用传统信息处理技术,使得信息处理效率相对不高。通常情况下,数据挖掘技术中包含了数据处理、数据转换、数据分析等功能,并且各个功能之间均存在一定关联,能够实现综合评估[1]。针对部分软件工程企业而言,通过将数据挖掘技术运用到软件工程中,可以有效提升信息处理效率,防止不必要失误出现,对企业稳定发展起到了重要作用。

3数据挖掘技术在软件工程中的应用意义

3.1便于各项信息的了解

由于数据挖掘技术中包含了传统信息处理技术中各个功能,通过把各种信息集中采集之后,根据数据类型进行分类管理。在这种信息采集方式的作用下,其涉及范畴更加广泛,可以根据数据特性展开分析,能够在大量数据中,构建完善的信息管理系统,便于快速获取和查询所需信息。通过把数据挖掘技术运用到软件工程中,能够把部分信息资源加以整合,以此让企业全方位的掌握和了解各个数据。

3.2便于信息的正确录入

数据挖掘技术中具备较强的运算功能,常规数据信息系统在开展运算工作时,消耗的时间成本比较多,甚至因为数据数量的庞大,使得运算系统出现崩溃。在数据挖掘技术的作用下,不会出现该问题,运算时间相对较短。同时,在进行数据运算的过程中,不会出现数据丢失或者混乱的现象,有效提升数据的完善性[2]。在大规模数据中,部分数据不具备应用价值,属于垃圾数据,但是由于其保存在数据处理系统中,将会影响处理系统整体运行效率,而通过应用数据挖掘技术,能够把垃圾数据从中剔除,把精准的数据录入到数据系统中,保证数据整体质量。

3.3利于缩短数据处理时间

在数据挖掘技术中能够实现数据转换,把部分杂乱数据进行处理,变成试用形式,针对这些数据而言,能够实现科学调用。在进行数据挖掘时,将会自主的选择合适分析工作,对各个模糊数据进行清理,让最终获取的数据得到科学应用。之后根据获取的相关数据,从各个角度入手,对其是否真实有效进行考核,把真实的数据进行整合,让数据成为一种可读模式。换言之,把分析结果当作新知识给管理人员提供参考。数据分析作为一项较为繁琐的流程,其各个流程均要进行反复验证才能得出,直到获取最终运算结果。通过把数据挖掘技术运用到软件工程中,能够有效提升数据质量,减少应用时间。

4数据挖掘技术在软件工程中的应用对策

4.1应用分析

4.1.1挖掘结构

数据挖掘技术在结构及流程代码等方面应用流程如下。首先,检测克隆代码方法。从克隆代码角度来说,主要指根据有关软件工程云隐标准,将部分代码进行复制的流程或者工具。假设在特殊情况下,还要综合实际情况对部分代码进行更改,同时对以上代码进行管理和检测,其目的就是防止部分故障传递,促进维护系统目标的实现。通过应用克隆代码方式[1],能够保证软件系统的顺利运行。当前,克隆代码检测方式主要有四种,第一种是标识符比较;第二种是文本对比;第三种是程序结构;第四种是度量[3]。每个克隆代码检测方式都具备特有的诊断和评估方式,在应用的过程中,应该根据实际状况合理选择。其次,Aspect挖掘法。该项技术是人们通过横切关注点获取的挖掘方式,在软件工程中,通过应用Aspect挖掘法,能够实现系统的改造。特别是在处理有关问题的过程中,能够提供诸多方式,其中,形式概念及度量分析法可以起到理想的效果。上述方式均需要借助重新构建选集,才能将横切点挖掘问题进行处理。并且,该项数据挖掘技术可以应用在各个领域,具备良好的应用功能。数据挖掘示意图见图2。

4.1.2软件项目管理

要想把数据挖掘技术运用到软件工程管理活动中,可以从两个方面入手,一个是版本控制信息挖掘中涉及了对组织关系挖掘,另一个是版本控制信息挖掘。从软件工程管理角度来说,其自身具备明显的系统及繁琐特性,对组织关系挖掘有着较高的标准,是促进各项资源科学调配和应用的依据。把整个软件工程管理流程当作主体,根据形成的电子邮件及共享文件,对数据实施挖掘,能够形成各个工种人员组织关系,防止流程混乱现象出现,确保软件工程管理工作有序落实[4]。除此之外,版本控制能够促进对文件内部信息变化情况的记录,并将其当作用户掌握版本内容的依据。通过将数据挖掘技术运用到版本控制信息中,能够有效减少系统维护成本投放,并且还能发挥警示效果,将系统修复环节中各项披露现象进行体现,从而促进软件工程管理水平的提升。

4.1.3软件开发

数据挖掘技术最初主要是把数据库当作基本进行发展的,随着其快速发展,已经由之前的理论逐渐发展到实际应用中,并且在实际应用中逐渐形成了更多深层次的科学和内容,实现一同发展。软件工程作为一个工程化学科,能够结合各个项目指标、资金及用户需求研发出新型的产品。在以往软件工程中,开发流程较为繁琐,但是随着时间的发展,其逐渐发展起来,并且得到了各个领域的应用,应用性得到了大幅度提升。把数据库挖掘技术运用到软件工程中,在数据库信息的作用下,能够保存诸多具备探究价值的内容,对软件工程开发今后发展起到了现实性意义。此外,软件工程能够掌握诸多信息挖掘内容,应用范畴较为广泛。软件工程版本能够把软件开发过程中各项信息进行统一处理,确保数据在软件开发环节中做到实时更新,保障软件开发质量。现阶段,软件开发更换数据信息中涉及了数据挖掘等内容,能够实现软件内部的划分,便于及时找出存在问题并处理,保证软件开发目标的快速实现。

4.1.4故障检测

从故障检测角度来说,对程序执行记录实施数据挖掘,能够提供程序交互模式以及说明,而上述信息均能够给软件故障定位及检查提供凭证。针对程序说明数据挖掘而言,也就是对信息追踪及逆向建模的过程,通过对流程的深入了解及优化,可以给后续维护管理工作开展提供条件[5]。现阶段,广泛应用的挖掘方式主要以常规方式为主,通过对程序行为挖掘,找出对应流程,并根据事态落实进行表述。

4.2应用方式

4.2.1分类

数据挖掘技术中包含了大量的分类方式,主要集中于对同种预测分类标号的执行动作。在实际过程中,一般应该通过建立对应分析模型,并提前结合对应流程标准输入相关数据,以此将其当作分析模式应用依据。现阶段,数据挖掘技术在软件工程应用的分类方式中,采用的分类方式主要有神经网络分类法、判断树法、贝叶斯分类法以及支持向量机等几类[6]。其中,判断树法在分类方式应用过程中,利用贪心算法将其当作逻辑依据,秉持由上至下的标准实现判定树框架的构建,而判定树中涉及了诸多子节点,各个子节点均代表对应的软件类别符号。

4.2.2聚类

聚类主要指,把探究环节中包含的各个数据,根据相关标准进行细化,细化成各个类型的流程,以此在保证相同类型对象之间具备较强相似性的同时,还能让不同类型对象之间具备明显差异。聚类和分类在本质上存在一定偏差,聚类过程划分对象往往为不可预测性,也就是无指导学习方式。聚类分析方式在其他算法处理过程中,应用范畴较为广泛,特别是数据分析独立性方面有着重要意义,不但能够充分挖掘孤立点,同时还能提升检测结果的真实性和精准性。

5结语

总而言之,随着信息化时代的来临,数据挖掘技术作为一种数据处理、找寻目标信息的重要方式,通过把数据挖掘技术运用到软件工程中,从软件开发、软件工程管理、程序代码等方面入手,加强数据挖掘,将数据挖掘作用充分发挥,在提升数据挖掘质量的同时,缩短开发时间,减少不必要成本投放,从而给我国软件工程企业创造理想效益,实现软件工程行业稳定发展。

参考文献

[1]李孟臻.浅析软件工程行业中数据挖掘的应用[J].中国新通信,2018,20(16):98.

[2]王艺霏.计算机软件工程数据挖掘及发展趋势研究[J].电脑知识与技术,2018,14(14):261-262.

[3]蒯天宇.数据挖掘技术在软件工程中的应用[J].数字技术与应用,2018,36(05):112-113.

[4]段彬,魏巍.数据挖掘在软件工程领域中的应用浅析[J].信息系统工程,2018(04):89.

[5]刘超.软件工程数据挖掘研究进展[J].农家参谋,2018(03):201.

数据挖掘范文8

本文在分析商业网站中使用的数据挖掘技术的基础上,从网站数据挖掘、网站结构设计和网站功能设计这三个方面对数据挖掘技术在商业网站设计中的应用问题展开了探讨,以便为商业网站的设计提供一些指导。

关键词:

数据挖掘;网站设计;应用

就目前来看,受到网络化的影响,很多既有交易型态和商业行为都开始将交易机制转移到网站上。所以,如何设计商业网站,成为了不少企业关注的问题。而利用数据挖掘技术可以完成对商业网站中的大量数据的分析,从而实现网站商品的定向营销。

1数据挖掘技术概念及应用概况

从技术层面上来看,数据挖掘技术就是从大量数据中进行有用数据信息的提取的技术,需要摆脱噪声数据、随机数据和模糊数据的干扰。而从商业角度来看数据挖掘技术是供应商行业处理信息的技术,可以帮助企业从商业数据库中提取大量有用业务数据,并且通过处理和分析这些数据信息实现对关键知识的提取,从而为企业制定决策提供依据。就目前来看,在商业网站中应用的数据挖掘技术有路径分析技术、关联规则的发现技术、序列模式和分类聚类技术等。

2数据挖掘技术在商业网站设计中的应用

2.1在网站数据挖掘中的应用

利用数据挖掘技术充分挖掘商业网站包含的数据,才能合理进行网站内容的设计。而客户背景资料信息是系统需要的数据来源,主要来自于客户填写的登记表和相关单证。完成这些数据的收集后,网站需要将数据传递至后台数据库中,并进行数据的存储。而利用数据挖掘技术进行这些数据的分析和处理,将能得到相应的数据分析报告。利用这些报告,网站管理人员就能进行网站内容的设计或改进,并进行相应数据的存储。但是,出于隐私信息的保密性考虑,客户有时不愿意在网上单证上填写详细的资料信息,以至于将给数据的挖掘和分析带来困难。为此,还需要使用数据挖掘技术分析网站浏览者的行为表现数据,以便根据这些数据进行客户背景资料信息的推测。比如,分析网站浏览者的点击访问情况就能进行客户行为表现的观察,并实现对有用信息的挖掘。就目前来看,在设计商业网站时,可以根据网站日志进行客户这部分信息数据的获取。而通过对这些日志数据进行清洗、过滤和转换,才能将获得的数据存储到网站数据库中。在此基础上,还要将这些数据当成是数据挖掘的数据源,并从数据库中进行数据的调用和抽取,然后完成对数据的模式识别[1]。而在生成多维数据视图后,通过分析就能得到数据挖掘结果和报告。最终,还要将这些内容存储到后台数据库中,以便为网站管理者提供参考。

2.2在网站结构设计中的应用

在设计商业网站时,使用具有商业逻辑基础的数据挖掘商业应用平台才能实现挖掘客户数据信息的目的。所以,需要应用数据挖掘技术设计商业网站结构,以便创建一个与商业逻辑相结合的数据挖掘系统。在设计的过程中,可以围绕着数据存储、数据处理和数据展示这三个方面进行数据库系统的设置。同时,需要将网站用户接入部分当做是客户端,而数据挖掘系统需要为用户接入和交互提供支持。在客户端发出请求后,系统应对请求作出商业逻辑分解,并从数据存储处进行数据的获取,然后再将处理后的结果返还客户端。从总体结构上来看,数据挖掘商业应用平台应该由三部分构成,即客户层、中间层和数据服务层。

2.3在网站功能设计中的应用

2.3.1网站搜索引擎的设计

面对成千上完的商业网站,想要从质量不一的网上站点中选取便宜且适合自己的网站其实并不容易。而设计网站搜索引擎则能较好的解决这一问题,从而为用户选择网站提供便利。从国内来看,8848网站是最早具有中文购物搜索引擎功能的网站,可以面向中国内地提供专用网上购物商品搜索引擎。在设计网站功能时,网站利用了数据挖掘技术进行信息搜索功能的实现。在该网站上,可以为用户提供两种搜索方式,即全网搜索和网上商城搜索。通过在搜索框内输入商品信息,用户就能在短时间内找到互联网上众多商业网站经营的有关商品。同时,在浏览器上,用户还能看到商品的信息介绍,并且得知商品的来源网站。此外,搜索引擎功能还能为用户提供价格比价和商品排序等多种信息显示方式,用户可以直接点击网站链接进行商品网站的访问。

2.3.2网站客户关系管理的设计

利用数据挖掘技术,商业网站还能获得客户关系管理功能。而所谓的客户关系管理,其实就是对企业和客户之间的交互活动进行管理。从设计思想上来看,网站管理者需要以客户为导向,并且尽量满足客户的个性化和多样化需求。而应用数据挖掘技术进行客户信息的挖掘,将能帮助网站管理者了解客户和产品的历史交易信息,从而得知客户的消费倾向和产品的受欢迎程度。所以,数据挖掘技术的应用可以为企业提供更多将商品销售给现有客户的机会,并且也能够为企业制定商品分析决策提供数据依据[2]。此外,利用数据挖掘技术实现对客户关系管理业务数据的共享和自动化管理,也能够帮助企业完成业务分析、供应链整合等工作,从而使商业网站的运营管理以客户为中心。

2.3.3网站个性化服务的设计

商业网站想要取得一定的市场竞争力,还要致力于为客户提供个性化的服务。应用数据挖掘技术可以使消费者利用网站搜索引擎,并根据自己的需求和个性特点选择感兴趣的商店。而在获得符合自己个性要求的资料库后,用户的在线购物过程将更具个性化的特点。同时,通过与用户交流,网站的模拟商店销售人员也能够为用户提供商品推荐,从而帮助用户尽快找到需要的商品。此外,网站也能够根据消费者反馈的信息进行特别服务的提供。具体来讲,就是用户在信息交流区发表看法或建议后,网站可以通过自动服务系统为用户定制个性化服务菜单。而为用户提供个性化服务,显然能够起到防止网站用户流失作用。

3结论

总而言之,商业网站是企业开展电子商务的信息平台,是商家与服务对象联系的沟通渠道。所以,商家能否从网站获取有用的客户信息,网站结构设计是否合理,网络功能是否齐全,将直接关系到网站交易的成败。因此,在设计商业网站时,应该较好的进行数据挖掘技术的应用,以便打造一个能够为客户提供满意服务的网络消费平台。

作者:马宗禹 单位:马鞍山师范高等专科学校

参考文献: