有了OLAP，为何还须要数据挖掘？

1、为何须要数据挖掘？

咱们知道，BI能够辅助决策，BI应用按照不一样的程度可分为现状分析、缘由分析、预测分析。

现状分析洞察发生了什么？例如企业运营好了仍是坏了？经营指标完成状况？业务构成？各项业务构成、发展及变更等。

缘由分析进一步洞察为何会发生？例如去年利润环比降低10%什么缘由致使的？年度的销售量目标为何未达成？

预测分析洞察未来要发生什么？例如明年公司业绩将会是多少？哪些客户可能流失？

不论是现状分析，仍是缘由分析，经过OLAP均可以实现。可是，OLAP实现不了预测分析，而预测偏偏就是数据挖掘最擅长的。

2、什么是数据挖掘？

数据挖掘是按照预约的规则对数据库和数据仓库中已有的数据进行信息开采、挖掘和分析，从中识别和抽取隐含的模式和有趣知识，为决策者提供决策依据。数据挖掘的任务是从数据中发现模式。模式有不少种，按功能可分为两大类：预测型（Predictive）模式和描述型（Descriptive）模式。

预测型模式是能够根据数据项的值精准肯定某种结果的模式。挖掘预测型模式所使用的数据也都是能够明确知道结果的。描述型模式是对数据中存在的规则作一种描述，或者根据数据的类似性把数据分组。描述型模式不能直接用于预测。在实际应用中，根据模式的实际做用，可细分为分类模式、回归模式、时间序列模式、聚类模式、关联模式和序列模式6 种。其中包含的具体算法有货篮分析（Market Analysis）、聚类检测（Clustering Detection）、神经网络（Neural Networks）、决策树方法（Decision Trees)、遗传算法（Genetic Analysis）、链接分析（Link Analysis）、基于范例的推理（Case Based Reasoning）和粗集（RoughSet）以及各类统计模型。

3、OLAP与数据挖掘的区别？

OLAP 与数据挖掘的区别是：OLAP 侧重于与用户的交互、快速的响应速度及提供数据的多维视图，而数据挖掘则注重自动发现隐藏在数据中的模式和有用信息，尽管容许用户指导这一过程。OLAP 的分析结果能够给数据挖掘提供分析信息做为挖掘的依据，数据挖掘能够拓展OLAP 分析的深度，能够发现OLAP 所不能发现的更为复杂、细致的信息。数据挖掘的研究重点则偏向数据挖掘算法以及数据挖掘技术在新的数据类型、应用环境中使用时所出现新问题的解决上，如对各类非结构化数据的挖掘、数据挖掘语言的标准化以及可视化数据挖掘等。

简单来讲，OLAP揭示的是已知的、过去的数据关系，数据挖掘揭示的是未知的、未来的数据关系。因此，数据挖掘能够用来作预测！

4、为何须要数据挖掘？

数据挖掘是如何作到预测的？由于数据挖掘有一套标准的流程，能够对数据进行各类科学的处理和测试，从而发现数据自己隐藏的规律。这套流程归纳起来包括业务理解、数据准备、创建模型和评估模型4个步骤，咱们以“预测银行零售客户流失”这个应用场景为例进行说明：

第1步：业务理解

肯定目标，明确分析需求

预测哪些银行零售客户将会流失，提早作好营销挽留。

第2步：数据准备

收集原始数据、检验数据质量、整合数据、格式化数据

初步判断客户可能会流失的状况，如银行卡交易量逐月降低、客户投诉持续不断，对跟这些状况有关的数据进行采集、格式化。

第3步：创建模型

选择建模技术、参数调优、生成测试计划、构建模型

客户是否会流失，是一个分类问题，因此选择分类算法创建模型并进行训练。

第4步：评估模型

对模型进行全面的评估，评估结果、重审过程

对创建好的模型进行评估，而且要根据预测结果不断调整模型参数，实现模型的最优化。

5、数据挖掘工具的使用

整个数据挖掘流程最关键是模型的迭代优化，模型算法有分类算法、回归算法、聚类算法等，每种算法类型又包含多种不一样的算法，例如分类算法，就包含逻辑回归、朴素贝叶斯、决策树等，使用的编程语言有Java语言、Python语言、R语言。挖掘挖掘不只须要扎实的计算机知识，并且还涉及到统计学、模型算法等技术，学习门槛很高，通常是专业技术人员在使用。

可是，借助市场上提供的数据挖掘工具，能够把数据挖掘的流程大大简化，让普通的分析人员也能够快速掌握。例如，由思迈特软件推出的数据挖掘工具Smartbi Mining，以互联网式用户体验为设计目标，极简风格的流式建模，快速实现各类类型的数据挖掘应用，为我的、团队和企业所作的决策提供预测性分析。

Smartbi Mining具有流程化、可视化的建模界面，内置实用的、经典的统计挖掘算法和深度学习算法，这些算法配置简单下降了机器学习的使用门槛，大大节省了成本，业务人员可经过轻松拖拉拽组件的操做，进行可视化建模，完成模型流程的搭建，并能将模型发布管理。

6、数据挖掘的应用场景

数据挖掘可普遍应用于各个领域，包括企业运营、生产控制、市场分析、工程设计、城市规划和科学探索等，下面是几个在企业运营领域的典型应用场景：

一、精准营销

分析客户的属性和消费行为，为客户推荐最合适的产品信息，提升营销的效果。

二、客户保留

分析客户在购买产品方面的行为变化和满意度状况，预测可能会流失的客户，提早作好挽留工做。

三、销量预测

分析产品的历史销售数据，预测将来一段时间的产品销量，为生产、库存提早作好准备。

四、价格预测

收集市场上影响产品价格的各类数据进行分析，预测产品价格的发展趋势，抢占市场先机。

五、信用评分

分析客户的基本信息和消费、还贷等记录，对客户信用进行评分，防范信用风险，减小损失。

不论是OLAP，仍是数据挖掘，数据分析技术一直都在创新发展。将来随着BI融合AI的不断深刻，数据分析也将变得更加智能，更加易用。咱们须要根据实际的应用场景，选择最适合的分析工具来提升工做效率，从而更好地指导业务决策，让BI发挥出更多的效益！