数据挖掘在企业历史数据中的应用

３．１．３投资决策分析
　　投资决策分析本身就是一个非常复杂的过程，往往要借助一些工具和模型。数据挖掘技术提供了有效的工具，从公司的财务报告、宏观经济环境以及行业基本状况等大量的数据资料中挖掘出与决策相关的实质性的信息，保证投资决策的正确性和有效性。
　　３．１．４风险分析
　　利用数据挖掘工具来评价企业的财务风险，建立企业财务危机预警模型，进行破产预测。破产预测或称财务危机预警模型能够帮助企业管理者及时了解企业的财务风险，提前采取风险防范措施，避免破产。另外，破产预测模型也能帮助分析破产的原因。
　　３．２数据挖掘在客户关系管理中的应用
　　３．２．１新客户的挖掘
　　通过历史数据，用数据挖掘技术建立“客户行为反应”预测模型，对客户的未来行为进行预测。客户的反应分为3种：负反应、无反应、正反应。负反应表明客户不感兴趣；无反应说明需求可有可无；而正反应意味需要对此客户进行挖掘并推销产品。
　　３．２．２老客户的保持
　　持续稳定的客户群是企业发展的保障。通过数据挖掘能及时了解客户对产品和服务的满意程度及客户波动原因，快速改进不足之处，牢牢抓住现有客户并吸引潜在的客户，为企业带来更大收益。
　　３．２．３客户盈利能力分析
　　通过客户利润回报预测模型，可以将客户分为高价值客户、低价值客户、无价值客户。高价值客户是能带来最多利润的客户，需要采取措施保持并提高客户的忠诚度；低价值客户和无价值客户，可以通过适度关注及优惠政策，尽可能将其提升为高价值客户或低价值客户。通过预测模型还可以发现客户回报大小的变化趋势，根据趋势方向可以及时采取措施进行干预。
　　３．２．４客户细分
　　客户细分常用的模型有决策树模型和聚类模型。按照不同的标准，比如客户消费心理、购买习惯、对产品的特殊需求等来划分不同的客户群，开发个性化产品并提供针对******，提高用户满意度，最大程度挖掘客户潜在的购买力。
　　３．３数据挖掘在供应商管理中的应用
　　３．３．１供应商动态分类
　　以供应商行为属性的数据分析为基础，提出基于变量加权的ｋ－均值子空间聚类算法（ＦＷ－Ｋｍｅａｎｓ）建立供应商动态分类模型。该模型在保留ｋ－均值算法处理大规模供应商行为数据能力的同时，克服了子空间聚类算法普遍存在的稀疏矩阵处理的缺陷。对比传统的静态分类，新方法通过对决策结果的对比和调整，能够得到动态且合理的供应商分类结果。
　　３．３．２供应商绩效评价
　　能够适应电子供应链环境，采用平衡记分卡思想建立评价体系结构，以关键绩效指标确定评价标准。同时根据粗糙集无需任何先验知识，依据知识的粒度性处理不完备信息，能够在保留关键信息的前提下得到知识的最小表达等优点，提出基于粗糙集的综合评价方法，解决了评价体系中客观约简决策属性并设置权重等关键问题。与传统的运筹学方法相比，新评价体系的层次清晰，易于理解和操作，能够对供应商绩效进行系统、有效的评价。
　　３．３．３供应商选择模型
　　该模型综合了数据包络分析（ＤＥＡ）以相对效率的量化衡量为基础，避免确定各指标在优先意义下的权数，对输入输出指标有较大的包容性等特点，以及遗传算法所具有的学习性、进化性和多向性，全局搜索的特征，高效且客观地解决多属性输入输出，多目标规划的供应商选择问题。与传统的多目标规划方法相比，新模型提高了决策的可扩展性、适应性和效率。
　　３．４数据挖掘在库存管理中的应用
　　根据库存信息及销售和生产计划，利用神经网络、回归分析和决策树等数据挖掘方法预测未来库存，通过分析历史销售和生产数据，帮助库房管理人员进行库存的控制，从而为企业资源优化配置提供决策依据， 例如降低库存、提高库存周转率、提高库存资金使用率等。
　　
　　４总结
　　
　　数据挖掘作为一种先进的数据分析手段，在越来越多的企业得到应用，并在各行各业中得到深入发展。挖掘工具的功能愈加强大，汇合的算法也越来越多，新的算法不断出现，并将实现算法的自动选择和参数自动调优。加上计算机硬件技术和数据库技术的快速发展，数据挖掘技术必将在企业中得到广泛和深入的应用，为企业发展提供有力帮助。
　　
　　主要参考文献
　　［１］ 谭建豪． 数据挖掘技术［Ｍ］．北京：中国水利水电出版社，２００９．
　　［２］ 朱明．数据挖掘［Ｍ］．北京：中国科学技术大学出版社，２００２．
　　［３］ 纪希禹． 数据挖掘技术应用实例［Ｍ］．北京：机械工业出版社，２００９．