如何在制造业中运作数据挖掘技术?

　　1 客户管理研究

　　客户关系管理以信息技术为手段，对业务功能进行重新设计，并对工作流程进行重组。它集合的现代信息技术包括和电子商务、多媒体技术、数据仓库和数据挖掘、专家系统和人工智能、呼叫中心等。的焦点是自动化并改善与市场营销、客户服务和支持等领域的与客户关系有关的商业流程。它的目标是缩减销售周期和销售成本、增加收入、寻找扩展业务所需的新市场和渠道以及提高客户的价值、满意度、盈利性和忠诚度。

　　客户关系管理系统实质上是一个决策支持系统，它需要借助特定的技术和手段而应用于在现实中，所用的技术有如数据仓库技术、联机分析处理、数据挖掘等，以此为制造业各个不问的管理层提供决策支持。数据挖掘的任务是以数据仓库和多维数据库中的大量数据为基础挖掘数据仓库和数据库中的知识，从而自动地发现数据中未被发现但潜往的模式，并以这些模式为基础自动的做出相关的预测，即从数据仓库中的集成数据出发。构建面向分析的多维数据模型。再使用多为分析方法从多个不同的视角对多维数据进行分析、比较，从而获得某种决策。数据仓库实现对决策问题数据的存储和综合处理。为决策支持系统提供数据存储及集成，即对底层数据库中的数据进行集成、转换、综合，组织成面向全局的数据视图；联机分析处理实现多维数据分析；模型库将多个模型以一定组织形式存储起来，以用于组合辅助决策；模型用于形成的关于客观存在问题的框架。方法即是过程算法：方法库提供算法支援模型应用。

　　2 数据挖掘的实现

　　数据挖掘的概念可以这样定义：按特定行业业务目标，对大量行业数据进行探索和分析，揭示隐藏在其中的、尚未发现的或验证已知的有价值的规律，并进一步将其模型化先进有效的方法。目前，在商业领域中数据挖掘所能解决的问题主要包括：客户群体划分、数据库营销、背景分析、交叉销售等市场分析行为，以及客户流失性分析、客户信用记分、欺诈发现等等。数据挖掘过程中可以使用的方法有很多，从挖掘任务的角度可分为：数据总结、序列模式发现、聚类、关联规则发现、依赖关系或依赖模型发现、分类或预测模型发现、异常和趋势发现等等；而根据挖掘方法可分为：统计、机器学习、神经网络和数据库等方法。

　　数据挖掘一方面，将数据转化为有价值的信息和知识，并基于分析结果做出正确的决策；同时，它可以提供一种机制，将知识融入到运营系统中，进行正确的运作。数据挖掘可以辨识出成功的营销特性，并协助新开张的商店选择恰当的地理位置；能分析哪种产品是最受欢迎的，这在为产品的推销、商店的布局或新产品的开发等方面制定新策略指明方向；数据挖句还能协助了解客户行为或找出产品使用模式，例如，如何在最合适的时间进行销售就能通过顾客生活周期模型来实施。

　　对于产品销售而言，数据可以被视为重要的资产，只有利用这些数据，把这些庞大的数据转换为有用的信息。才能产佳真正的价值。在今后的发展中，数据仓储的重要将日益加强，而数据挖掘工具则可以从数据仓储获取更全面的支持。数据仓储拥有庞大的资料，是由消费市场营销人员、零售商或服务公司在监控数百万顾客交易状况时所汇集而得的。由超高速计算机以特殊软件执行的，是制造业想要达成“及时作业”的必要条件。“即时作业”指立即调整产品销售组合、库存现状、资金准备、经营方案，或其它改变商业状况的因素。

　　制造业不存在数据不足的现象，反而大部分制造业的数据每三年就会呈倍数翻长，并出现过度的数据重复，这使得制造业在使用、有效管理、以及将这些数据用于决策过程方面都遭遇到了困难。若能够将海量数据转变成可靠与可用信息的系统，那将会给公司带来巨大的效益。事实上，制造业的数据仓库会将数据输入专用数据栈中，继而将数据输入个人终端数据仓库。这就需要一套完整的数据库管理，而这一点，运用数据挖掘可以实现。