數據庫知識獲取過程
跨行業標準化數據挖掘流程
1.商業問題理解
全面瞭解管理對新知識的需求以及對企業目標的明確認識。
公司最近因競爭對手影響而損失的客戶有什麼共同特點？
公司典型客戶檔案如何？
每位客戶能為公司帶來多少價值？
進行項目規劃，明確負責收集數據、分析數據、彙報結果的人員。在這一早期階段，還應當對進行研究的經費預算，至少要給出預算上限和大致數據。
2.數據理解
將商業問題與使用數據完美匹配。
準確的描述數據挖掘任務以便確認所需的數據組。
深入瞭解數據源，數據存儲位置，存儲格式，數據收集是自動化還是人工，誰負責收集數據，數據更新週期。
清楚地認識變量，與問題最相關的變量是哪些、變量中有哪些是同義詞或同音異義詞、變量之間是獨立的嗎、它們之間構成完整的數據源還是存在交叉和衝突的地方。
定量數據：用數值來衡量，可以是離散的，也可以使連續的。也成為分類數據包括定序和定類兩種，定序數據有有限多個可排序的取值（差、好、極好），定類數據具有有限不可排序的取值（男、女）。定量數據可以由幾組概率分佈來表示。概率分佈顯示了數據是如何分佈的
定性數據：可以進行編碼，通過頻率分佈表示。
3.數據準備
數據處理。真實世界的數據通常都是不完全的（缺乏屬性值、特殊性或只有總數）、雜亂的（包含錯誤或異常值）、不連續的（編碼或名字中存在矛盾）。由於數據來自不同的數據源，它們之間具有不同的格式，如選取的數據可能來自平面文件、音頻、圖片或網頁，必須轉化為持續統一的格式。
4.建立模型
需要利用多種模型，經過多次實驗和測量，找出解決某個實際問題的最佳方案。甚至對於單個模型或公式而言，也是需要對參數進行標準化才能得到最優結果。某些方法對數據格式有特殊要求，因此還需要退回到數據準備階段重新處理。
數據挖掘建模的標準流程是將大規模未經處理數據分為小組，以進行測試或檢驗。然後分析師就可以根據一部分數據（實驗組）建立模型（可以使用任何建模方法或公式），用另一部分數據（測試組）測試建立起來的模型。
5.檢驗和評估
對建立起來的模型進行測量和評估，確定其準確性和一般性。在實際環境中測試模型是否符合時間和財務的要求。這一發現過程的成功與否取決於數據分析師、商業分析師和決策者（如企業管理者）的互動。為了更好地解讀數據，我們通常使用表格或可視化技術（如數據透視表、交叉表分析、餅圖、柱狀圖、箱線圖和散點圖等）。
6.部署
數據部署這一步可能僅僅是給出一份報告，但也有可能要將整個數據挖掘過程在全公司重複一遍。
SEMMA
六西格瑪方法
數據挖掘中的數據屬性
數據挖掘中的數據預處理
數據挖掘方法
閱讀更多 PM筆記 的文章
