数据仓库与数据挖掘技术研究与应用

龙源期刊网

数据仓库与数据挖掘在电子商务中应用研究

作者：王波

来源：《电子技术与软件工程》2016年第01期

随着计算机互联网技术的发展，21世纪，电商在商业经济发展中，扮演着日益重要的角色。电子商务的出现，对传统的商业模式产生了巨大的冲击，改变了原有的经营理念、管理方式以及支付手段。本文对这一问题的研究，主要探讨了数据仓库与数据挖掘在电子商务中的实际应用，希望本文的研究，能够为电子商务的发展，提供一些参考和建议。

【关键词】数据仓库 数据挖掘 电子商务

随着科学技术的不断进步，计算机互联网技术日趋成熟，并且在人们的日常生产生活中得到了广泛地应用。计算机互联网技术的发展，促进了电子商务的发展，电子商务对当下商品经济产生了巨大的冲击。电子商务发展过程中，涉及到了数据仓库和数据挖掘技术，如何有效应用数据仓库和数据挖掘技术，有利于使企业明确社会经济发展情况，并对消费者的消费心理进行有效把握，从而更好地实现企业的经济效益。本文对这一问题的研究，注重分析了数据仓库与数据挖掘的重要作用，如何将数据信息进行转化，为企业生产经营决策提供有效依据，提升企业市场竞争实力，是本文探究的一个重要问题。

1 数据仓库与数据挖掘概念分析

1.1 数据仓库概念

数据仓库主要是指企业发展过程中，用于自身经营决策的数据集，对企业未来发展，具有指导性意义的数据信息仓库。数据仓库具有分析性作用，能够对社会经济发展现状进行有效分析，提升企业经济决策的准确性。数据仓库具有面向主题、集成化、非违约性、时变性等特征。

1.2 数据挖掘概念

数据挖掘是指立足于开放性的互联网信息环境背景，对潜在的信息进行挖掘，可以更好地把握社会经济发展形势，具有较强的规律性。数据挖掘注重对潜在信息的把握，具有较强的预见性特征。

数据挖掘和数据仓库具有协作性特征，可以更好地为企业决策提供必要信息，帮助企业正确的进行经济决策，使企业在未来发展过程中，更好地获取经济效益。数据挖掘和数据仓库是信息化时代背景的产物，是电子商务发展的重要推动力，这两项技术在当下电商发展过程中，得到了较为广泛地应用。

龙源期刊网

数据仓库及数据挖掘技术在证券客户关系管理系统中的应用研究

作者：陈东

来源：《数字技术与应用》2013年第08期

摘要：论文提出了中小型券商如何在客户关系管理系统中实现数据仓库和数据挖掘的应用方法，首先根据FS-LDM模型建立企业数据模型并进行主题域的划分，完成多层次的数据仓库架构设计及星型结构的客户纬度建模；然后使用聚类技术和逻辑回归技术实现客户分类的动态细分模型和客户流失概率预测模型。

关键词：客户关系管理 FS-LDM 数据仓库 星型 数据挖掘 聚类 逻辑回归

中图分类号：F270 文献标识码：A 文章编号：1007-9416（2013）08-0066-02

0 引言

时至今日各家证券公司同质化竞争的加剧，X联证券在主营的经纪业务中逐渐出现颓势，为了打破这种困境，X联证券希望通过对数据仓库及数据挖掘技术的研究，提升本公司核心竞争力。

本文结合X联证券业务关注点，研究客户数据模型，实现客户分类的动态细分模型与客户流失概率预测模型，在产品营销与客户服务方面提供数据支持。通过数据挖掘成果与日常的业务流程的结合，提高业务流程运转的智能化、自动化水平，增加业务价值链的价值含量，从根本上提升公司对客户的多层次细分管理的能力，使基于客户分类动态细分的多元化客户服务及客户营销策略走出理论研究的阶段，进入实质性应用阶段。

1 基于FS-LDM的数据仓库建模

数据仓库的设计过程参考了国际先进的FS-LDM模型，FS-LDM（金融业逻辑数据模型）是TD多年来在全球实施近230家金融业数据仓库项目的经验结晶。整个逻辑数据模型把复杂的金融业务归纳成客户、公司、财务、资产、产品、地域、渠道、事件、营销、协议等十大主题等。它蕴含了现代金融的分析决策和客户关系管理的各个方面（如图1）。

数据仓库与数据挖掘技术解析

在现代信息化的时代，数据已经成为了一种非常重要的资产。在这些海量的数据之中，有很多有价值的信息被隐藏其间。这就需要我们使用数据仓库与数据挖掘技术，通过对数据的分析和挖掘，向我们呈现出内在有价值的数据信息，帮助我们更好地理解数据，并从中发现我们需要的信息。

一、什么是数据仓库？

在这个信息时代，数据已经成为企业不可缺少的一部分。数据仓库是一个专门用于存储数据的系统。它是一个集成的数据存储库，可以提供数据分析、数据挖掘、Web 搜索和企业报告等功能，以帮助企业快速响应客户需求、创造商业价值。

数据仓库是一个面向主题、集成、时间相对稳定和可刷新的数据存储库，用于支持企业智能化决策的整个过程。面向主题: 数据仓库是围绕企业内关键业务件建立的，如销售、供应、市场等；集成: 数据仓库可集成不同来源的数据；时间相对稳定: 数据仓库存储的数据相对长周期，如一年或更长；可刷新: 数据仓库是可刷新的，数据可以通过批处理或实时方式更新。

二、数据仓库的重要性

数据仓库非常重要，因为它提供了企业知识管理的基础。企业知识管理是智能化决策和企业的长期成功的基础。数据仓库可以帮助企业了解他们的客户、业务和市场动态。由于大量的数据每天产生，数据仓库是必要的，以便企业能够应对不断变化的市场需求和管理信息的日益复杂的挑战。

数据仓库的另一个重要方面是它可以帮助企业洞察和理解他们的客户。通过数据仓库分析数据可以确定客户的购买模式、使用历史和趋势，以及他们对于企业的反应。这有助于企业制定更好的战略、优化点，以更好地满足客户需求。

三、数据挖掘技术

数据挖掘是一种从大量数据中提取信息、关系和模式的技术。数据挖掘不是单纯的筛选和过滤数据，而是在数据中寻找隐含的知识和模式。如同羊毛出在羊身上，这些我们不曾发现过的、规律性强的数据关联，本身就是数据中蕴藏的财富。

数据挖掘使用抽样、统计分析、模型构建等技术，将庞大、复杂的数据库处理成有价值的信息，一方面为业务提供帮助，一方面成为指导企业决策的可靠的数据来源。

・计算机世界　

浅谈数据挖掘与数据仓库　

韩　琳（河北科技学院，河北保定０７１０００）　

摘　要：数据挖掘与数据仓库是当今新的技术热点，数据仓库是一种解决数据使用的高效技术，数据挖掘为之提供了更好的决策支持和服　

务，同时促进了数据仓库技术的发展。本文简单介绍了这两者的概念和应用。　

关键词：数据挖掘；数据仓库；决策支持　

１数据挖掘　

１．１数据挖掘与传统数据分析的区别　数据挖掘与传统的数据分析，如查询、报表、联机应用分　

析的本质区别是数据挖掘是在没有明确假设的前提下去挖掘信　

息、发现知识。数据挖掘所得到的信息应具有先前未知、有效和　

实用三个特征。即数据挖掘是要发现那些不能靠直觉发现的信　

息或知识，甚至是违背直觉的信息或知识，挖掘出的信息越出　

乎意料就可能越有价值。而传统的数据分析趋势为从大型数据　

库抓取所需数据并使用专属计算机分析软件。因此数据挖掘与　

传统分析方法有很大的不同。　１．２数据挖掘的应用价值　（１）分类：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。（２）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；　

分类是确定数目的，估计是不确定的。（３）聚类：是对记录分　

组。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。中国移动采用先进的数据挖掘工具马克威分析系　

统，对用户ｗａｐ上网的行为进行聚类分析，通过客户分群，进行　

精确营销。（４）关联规则和序列模式的发现：关联是某种事物　

发生时其他事物会发生的这样一种联系。例如：每天购买啤酒　

的人也有可能购买香烟，比重有多大，可以通过关联的支持度　

和可信度来描述。与关联不同，序列是一种纵向的联系。例如：　

今天银行调整利率，明天股市的变化。（５）预测：通过分类或估　

值得出模型，该模型用于对未知变量的预言。（６）偏差的检测：　

对分析对象的少数的、极端的特例的描述，揭示内在的原因。