数据挖掘工具是怎样准确地告诉你那些隐藏在数据库深处的重要信息的呢？它们又是如何作出预测的？答案就是建模。建模实际上就是在你知道结果的情况下建立起一种模型，并且把这种模型应用到你所不知道的那种情况中。比如说，如果你想要在大海上去寻找一艘古老的西班牙沉船，也许你首先想到的就是去找找过去发现这些宝藏的时间和地点有哪些。那么，经过调查你发现这些沉船大部分都是在百慕大海区被发现，并且那个海区有着某种特征的洋流，以及那个时代的航线也有一定的特征可寻。在这众多的类似特征中，你将它们抽象并概括为一个普适的模型。利用这个模型，你就很有希望在具有大量相同特征的另外一个地点发现一件不为人知的宝藏。

    当然，在数据挖掘技术甚至计算机出现以前，这种建模抽象的方法就已经广泛地被人们所使用。在计算机中的建模和以前的建模方法并无很大不同，主要的差异在于计算机能处理的信息量比起以前来更加庞大。计算机中能够存储已知了结果的大量不同情况，然后由数据挖掘工具从这些大量的信息里面披沙拣金，将能够产生模型的信息提取出来。一当模型建立好了之后，就可以应用在那些情形相似但结果尚未知的判断中了。比如，现在假设你是一个电信公司的营销主任，公司想发展一些新的长途电话用户，那么你是不是会漫无目的地到街上去散发广告呢？——就象漫无目的地在海上去寻宝一样。其实，比起漫无目的地去进行宣传来，利用你以前的商业经验来有目的地去拉拢客户会产生高得多的效率。

    作为一个营销主任，你对客户的很多信息都可以了解得一清二楚：年龄、性别、信用记录以及长途电话使用状况。从好的一方面来看，掌握了这些客户的信息其实就是掌握了很多潜在的用户的同样的信息。问题在于你还不一定了解他们的长途电话使用情况（因为他们的长途电话也许是通过的另一个电信公司）。现在你的主要精力就集中在用户中谁有比较多的长途电话上。通过下面这个表格，我们可以从数据库里面抽象某些变量，建立起一个可以对此进行分类营销的模型。
　 客户 潜力
一般信息
(e.g. demographic data) 已知 已知
私有信息
(e.g. customer transactions) 已知 待定

表二、数据挖掘应用于分类营销

    根据我们创建的从一般信息到私有信息的计算模型，我们可以得出表二右下方表格中的信息。比如，一个电信公司的简化模型可以是：年薪6万美圆以上的98%的客户，每个月长话费80美圆以上。根据这个模型，我们就能应用这些数据来推断出公司现在尚不能明确的私有信息，这样，新客户群体就可以大体确定出来了。小型市场的试销数据对于这样的模型来说显得极为有用。因为小范围内试销数据的挖掘，能够为全部市场的分类销售打下一个良好的基础。表三则描述了另外一样数据挖掘的普遍应用：预测。
　 过去 现在 将来
静态信息和当前计划 已知 已知 已知
动态信息 已知 已知 待定

表三、数据挖掘应用于预测

数据挖掘的体系结构

    现有很多数据挖掘工具是独立于数据仓库以外的，它们需要独立地输入输出数据，以及进行相对独立的数据分析。为了最大限度地发挥数据挖掘工具的潜力，它们必须象很多商业分析软件一样，紧密地和数据仓库集成起来。这样，在人们对参数和分析深度进行变化的时候，高集成度就能大大地简化数据挖掘过程。下图显示了一个大型数据库中的高级分析过程。




集成后的数据挖掘体系

    应用数据挖掘技术，较为理想的起点就是从一个数据仓库开始，这个数据仓库里面应保存着所有客户的合同信息，并且还应有相应的市场竞争对手的相关数据。这样的数据库可以是各种市场上的数据库：Sybase、Oracle、Redbrick、和其他等等，并且可以针对其中的数据进行速度上和灵活性上的优化。

    联机分析系统OLAP服务器可以使一个十分复杂的最终用户商业模型应用于数据仓库中。数据库的多维结构可以让用户从不同角度，——比如产品分类，地域分类，或者其他关键角度——来分析和观察他们的生意运营状况。数据挖掘服务器在这种情况下必须和联机分析服务器，以及数据仓库紧密地集成起来，这样就可以直接跟踪数据和并辅助用户快速作出商业决策，并且用户还可以在更新数据的时候不断发现更好的行为模式，并将其运用于未来的决策当中。

    数据挖掘系统的出现代表着常规决策支持系统的基础结构的转变。不象查询和报表语言仅仅是将数据查询结果反馈给最终用户那样，数据挖掘高级分析服务器把用户的商业模型直接应用于其数据仓库之上，并且反馈给用户一个相关信息的分析结果。这个结果是一个经过分析和抽象的动态视图层，通常会根据用户的不同需求而变化。基于这个视图，各种报表工具和可视化工具就可以将分析结果展现在用户面前，以帮助用户计划将采取怎样的行动。

产生利润的工具

    有很多公司都成