数据挖掘的应用国内基于数据挖掘技术的互联网应用有哪些呢？

数据挖掘在市场预测中的应用

数据挖掘在市场预测中的应用很多方面的应用，比如预测直邮的反馈率（直邮业都用这个），预测客户流失率（电信里应用最为广泛）。

。

。

。

。

我觉得你需要选一个点来做，然后看看如何处理。

数据可以是你自己虚拟一点的。

真实的数据，也许反而做出来效果不好。

数据挖掘专业有哪些应用啊，这是个什么样的专业，发展前景怎样？

数据挖掘是一门交叉学科，随着计算机技术和数据仓库的发展，在电信、银行、保险等许多商业行业得到广泛的应用，下面我说几个典型的应用，如 1、客户细分：人以类聚，客户细分或客户分群是现代营销的基础，通过聚类分析的方法，对客户进行划分，获得各个客户群不同的特征，从而对客户群进行针对性的营销，或者面向特定细分群开发特定产品，从而达到提高产品销量，提升客户忠诚度的目的。

例如，银行业将客户分成不同的群体，向其提供不同的个性化投资产品。

2、客户流失预测：研究表明，保留老客户的成本远低于获取新客户的成本。

但是，对所有的客户进行挽留营销不切实际并且非常昂贵，通过对客户行为模式的挖掘，客户流失预测仅找出那些可能会流失的客户，对这些客户进行针对性的挽留，可降低营销成本，提高产品收入，这对于有大量客户的电信、银行、保险等行业非常必要。

3、客户价值分析：客户对企业的贡献不同，一般来说遵循“20-80”原则，少数客户对企业的贡献占大都分比例，那么，哪些客户是企业最好的客户？仅仅是最近奉献收入最多的群体吗？哪些是潜在的好客户？通过客户价值分析，发现企业的最好客户，把有限的资源使用在能带来最大的价值客户的身上。

4、异常发现：通过对数据进行分析，找出其中的异常点，例如，信用卡是当今广泛使用的金融产品，随着竞争的加剧，各银行竞相大力推广信用卡，有少数不法分子趁机使用假资料申请信用卡，骗取钱财。

通过数据挖掘对申请资料进行学习评分，可以发现信用欺诈的申请者，避免损失；通过对税务数据的分析，发现偷税漏税行为等。

5、交叉营销：通过对商品和服务组合营销模式的分析，能够发现商品之间的搭配销售模式。

利用这些模式，能够设计交叉销售策略。

例如，在零售业进行客户购物摇篮分析，根据结果对货架重新摆放，从而提高销售量；电台通过对馆长观看习惯的分析，重新编排节目，提高收视率；零售业巨头沃尔玛使用数据仓库和数据挖掘技术分析客户的购买模式，用于对库存的管理和销售机会的把握。

6、个性化服务：对每个人的消费进行分析，发现其余众不同的消费习惯，可有针对性地提供服务或进行促销。

例如，在电子商务中，网站会根据过往购买记录项向客户推荐新到商品；根据大多数人购买商品的行为，向客户推荐当前所买商品的关联关系。

7、数据库直销：一般来说，向客户随机发出大量直销邮件，可能仅有不到5%的客户会做出响应。

根据小规模邮件直销的结果反馈，数据挖掘建立一个模型，找出潜在最有可能做出响应的客户，将响应率提高到15%，从而削减了成本，提高了销量。

8、 改进工作效率：通过对日常工作或业务数据分析，找到优化的模式，从而改进工作效率或业务流程，例如，NBA使用一套数据挖掘工具，分析球员的运动，以帮助教练找到最优组织进攻和防守的方法；通过对制造厂商供应链日常活动的分析，找出供应链的最优运作方式；通过对生产计划及生产效率等数据的分析，找到最有效的排班方式；通过对生产工艺和质量数据的关系的分析，发现好的生产工艺流程等。

9、科学发现：通过对大量科学实验数据进行分析，发现其中隐藏的模式，可导致新的科学发现的产生。

例如，通过对天文数据的数据挖掘分析，发现新的星体；通过对生物信息数据的分析，发现新的基因和蛋白质折叠；识别具有良好药物特性的分子，以用于制造新药；通过对医疗数据的分析，发现药物和疾病之间的关系等。

10、预警：通过对数据中趋势的分析，对将要可能发生的事件提出预警。

例如，在电信行业，通过对以往预警数据的分析，发现有哪些常规报警可能是重大问题的前兆，并提出预警，阻止事故的发生；对工厂生产数据的分析，识别重大质量问题的前兆，已采取必要措施，避免产品质量试过的发生。

等等很多，是一门很有发展的学科。

数据挖掘的使用

分析方法： · 分类 （Classification） · 估计（Estimation） · 预测（Prediction） · 相关性分组或关联规则（Affinity grouping or association rules） · 聚类（Clustering） · 复杂数据类型挖掘(Text, Web ,图形图像，视频，音频等) 方法简介： ·分类 （Classification） 首先从数据中选出已经分好类的训练集，在该训练集上运用数据挖掘分类的技术，建立分类模型，对于没有分类的数据进行分类。

例子： a. 信用卡申请者，分类为低、中、高风险 b. 故障诊断：中国宝钢集团与上海天律信息技术有限公司合作，采用数据挖掘技术对钢材生产的全流程进行质量监控和分析，构建故障地图，实时分析产品出现瑕疵的原因，有效提高了产品的优良率。

注意： 类的个数是确定的，预先定义好的 · 估计（Estimation） 估计与分类类似，不同之处在于，分类描述的是离散型变量的输出，而估值处理连续值的输出；分类的类别是确定数目的，估值的量是不确定的。

例子： a. 根据购买模式，估计一个家庭的孩子个数 b. 根据购买模式，估计一个家庭的收入 c. 估计real estate的价值 一般来说，估值可以作为分类的前一步工作。

给定一些输入数据，通过估值，得到未知的连续变量的值，然后，根据预先设定的阈值，进行分类。

例如：银行对家庭贷款业务，运用估值，给各个客户记分（Score 0~1）。

然后，根据阈值，将贷款级别分类。

· 预测（Prediction） 通常，预测是通过分类或估值起作用的，也就是说，通过分类或估值得出模型，该模型用于对未知变量的预言。

从这种意义上说，预言其实没有必要分为一个单独的类。

预言其目的是对未来未知变量的预测，这种预测是需要时间来验证的，即必须经过一定时间后，才知道预言准确性是多少。

· 相关性分组或关联规则（Affinity grouping or association rules） 决定哪些事情将一起发生。

例子： a. 超市中客户在购买A的同时，经常会购买B，即A => B(关联规则) b. 客户在购买A后，隔一段时间，会购买B （序列分析） · 聚类（Clustering） 聚类是对记录分组，把相似的记录在一个聚集里。

聚类和分类的区别是聚集不依赖于预先定义好的类，不需要训练集。

例子： a. 一些特定症状的聚集可能预示了一个特定的疾病 b. 租VCD类型不相似的客户聚集，可能暗示成员属于不同的亚文化群 聚集通常作为数据挖掘的第一步。

例如，哪一种类的促销对客户响应最好？，对于这一 类问题，首先对整个客户做聚集，将客户分组在各自的聚集里，然后对每个不同的聚集，回答问题，可能效果更好。

· 描述和可视化（Description and Visualization） 是对数据挖掘结果的表示方式。

一般只是指数据可视化工具，包含报表工具和商业智能分析产品（BI）的统称。

譬如通过Yonghong Z-Suite等工具进行数据的展现，分析，钻取，将数据挖掘的分析结果更形象，深刻的展现出来。

举一个数据挖掘的例子

Data Mining在各领域的应用非常广泛，只要该产业拥有具分析价值与需求的数据仓储或数据库，皆可利用Mining工具进行有目的的挖掘分析。

一般较常见的应用案例多发生在零售业、直效行销界、制造业、财务金融保险、通讯业以及医疗服务等。

于销售数据中发掘顾客的消费习性，并可藉由交易纪录找出顾客偏好的产品组合，其它包括找出流失顾客的特征与推出新产品的时机点等等都是零售业常见的实例；直效行销强调的分众概念与数据库行销方式在导入Data Mining的技术后，使直效行销的发展性更为强大，例如利用Data Mining分析顾客群之消费行为与交易纪录，结合基本数据，并依其对品牌价值等级的高低来区隔顾客，进而达到差异化行销的目的；制造业对Data Mining的需求多运用在品质控管方面，由制造过程中找出影响产品品质最重要的因素，以期提高作业流程的效率。

近来电话公司、信用卡公司、保险公司以及股票交易商对于诈欺行为的侦测（Fraud Detection）都很有兴趣，这些行业每年因为诈欺行为而造成的损失都非常可观，Data Mining可以从一些信用不良的客户数据中找出相似特征并预测可能的诈欺交易，达到减少损失的目的。

财务金融业可以利用 Data Mining来分析市场动向，并预测个别公司的营运以及股价走向。

Data Mining的另一个独特的用法是在医疗业，用来预测手术、用药、诊断、或是流程控制的效率。

来自百度百科。

综述数据挖掘的应用及发展趋势

你的论文题?有字数要求么? 数据挖掘(Data Mining)自1995年在KDD(Knowledge Discover in Database)国际学术会议上由Usama Fayyad首次提出后, 已成为当下最流行的词语之一. 不仅是因为其炫丽的技术, 它给商业社会带来了无限的影响，尤其是在如银行、电信、保险、交通、零售（如超级市场）等商业领域。

数据挖掘所能解决的典型商业问题包括：数据库营销（Database Marketing）、客户群体划分（Customer Segmentation & Classification）、背景分析（Profile Analysis）、交叉销售（Cross-selling）等市场分析行为，以及客户流失性分析(Churn Analysis)、客户信用记分(Credit Scoring)、欺诈发现(Fraud Detection)等等。

至于发展趋势嘛，目前IBM打出了"智慧地球"的战略，其本质就是数据分析与数据挖掘。

为了实现战略目标，IBM在近几年经济萧条期间通过大量的收购并购来构筑自己的软件和服务竞争力：2007年50亿刀收购cognos构筑自己的在线联机分析能力；2009年12亿刀收购统计分析软件SPSS（也就是数据挖掘软件）；2010年17亿刀收购数据仓库集成平台Netezza；通过观察IBM，对该行业的发展趋势可见一斑，而数据挖掘作为数据的“终极”应用，也将会成为未来行业的新宠 另外，华尔街的金融学家基本都是数据挖掘的好手（数据挖掘的原理就是数理统计分析） 如果想了解更多，可以参考韩家炜的《数据挖掘概念与技术》吧，这个比较权威。

国内基于数据挖掘技术的互联网应用有哪些呢？

国内基于互联网的数据挖掘运用主要有以下几类： 1、电子商务的推荐系统。

基本都是基于协同过滤的推荐系统：背后的算法是基于内容、基于用户行为、基于产品等。

2、另外一个可以就是对网络用户行为分析。

来分析用户在网站的点击行为。

从而为产品设计、改进产品提供指导。

3、当然目前很流行就是文本挖掘，因为以前都是点击流数据，对于用户评论的文字信息，提炼的很少，主要用Google、垂直搜索引擎会用到排序之类的。

有机会我再总结，总结。

大家多交流。