(3)人工神经网络：它从结构上模仿生物神经网络，是一种通过训练来学习的非线性预测模型，可以完成分类、聚类、特征挖掘等多种数据挖掘任务。

　　(4)最近临技术：这种技术通过已辨别历史记录的组合来辨别新的记录，它可以用来作聚类和偏差分析。

　　(5)规则归纳：通过统计方法来归纳、提取有价值的规则。规则归纳技术在数据挖掘中被广泛应用。典型的方法有集合论的粗集（roughset）方法和概念树方法等。

　　另外，还有可视化方法、公式发现方法等。

　　2.2数据挖掘任务

　　数据挖掘的任务主要有：关联分析、时序模式、分类、聚类、偏差分析以及预测等。

　　(1)关联分析：其目的就是挖掘出隐藏在数据间的相互关系。例如，买电脑的顾客同时会买某种软件，这就是一条关联规则。

　　(2)时序模式：通过时间序列搜索出重复发生概率较高的模式，这里强调时间序列的影响。例如，购买了激光打印机的人中，半年后80%的人会买新硒鼓。

　　(3)分类：找出一个类别的概念描述，它代表了这类数据的整体信息。分类数据挖掘中应用最多的任务。

　　(4)聚类：按一定规则将数据分为一系列有意义的子集。同一聚类中，个体之间的差距较小，不同聚类中，个体之间的距离偏大。

　　(5)偏差分析：从数据库中找出异常数据。例如，金融欺诈，洗黑钱。

　　(6)预测：利用历史数据找出规律，建立模型，并用此模型预测未来数据的种类、特征等。

　　上面介绍的数据挖掘的常用技术，可以完成这些任务，不同技术完成的任务和侧重点有很大不同。在具体应用中可根据具体的任务目的，选用合适的技术方案。

　　3、数据挖掘技术在CRM中的应用

　　3.1应用领域

　　根据数据挖掘所能够完成的任务，数据挖掘的技术可以应用到以客户为中心的企业决策分析和管理的各个不同领域和阶段。在客户关系管理中，它可以应用到以下几个方面：

上一篇 : 危机管理要避免哪些误区？             下一篇 : 冰淇淋 炎炎夏日勿贪吃冰淇淋 当心变成冻冻