大数据不是万能的，没有数据挖掘是万万不能的

许多企业领导人开始接并期待神奇和奇迹，但却发现大数据带来新的复杂性——且从中获益所需要付出的努力要预计中的多得多。

每个组织机构都对大数据应用寄予厚望，期待它可以解答长期存在的业务问题，让他们在市场集中镇南关，在产品、服务交付中更具竞争力。这种对于大数据获益的预期很难实现，除非给予足够的指导和帮助。 这里列举不适合大数据的10件事情，除非你能够采取正确步骤优化其价值。

No.1

解决你的业务问题

大数据不会处理业务问题。人们可以做的，就是要坐下来，在开始使用大数据之前，讨论决定放弃大数据，就使用商业智能取得共识。

No.2

帮助你管理数据

IBM公司宣称：每一天都会产生 250万字节的数据，其中大部分属于大数据。不出预料，世界范围内企业所需要管理的数据量呈现指数级增长，由于缺乏清晰有效地数据存储和使用策略，数据将不断堆积，每个企业都陷于数据管理的工作。

No.3

缓解减轻你的安全忧虑

对于许多公司来说，确保大数据的安全访问仍然是一个开放式的课题。这是因为对于大数据安全实践的定义远没有系统数据和记录保护这样明确。我们正处在这样的一个时间点上，也就是IT与最终用户一起来确定：谁可以访问哪些级别的大数据，并可以进行相应地分析。

No.4

关键IT技能缺乏

大数据处理数据库管理、服务器管理、软件开发、业务分析技能短缺，许多IT部门关键IT技能的缺失会不断成为企业的负担。

No.5

减少遗留系统的价值

如果有的话，遗留系统记录会较之任何大数据更具有价值。通常情况下，正是这些遗留系统可以为大数据分析提供重要线索，用于回答重要的业务问题。

No.6

简化数据中心

大数据分析需要并行处理计算机集群和传统IT事务处理和数据仓库系统等不同风格的系统管理，这就意味着能量、冷却、软件硬件消耗，运转这些系统所需要的技巧也不尽相同。

No.7

提高数据质量

传统事务处理系统美妙之处在于其拥有固定长度的数据字段以及全面的数据编辑和验证发方式，这有助于得到一个相对干净的表格呈现。大数据不是这样，他们是非结构化的数据，可以表现为几乎任何形式。这让大数据的质量成为一个令人头痛的难题。数据质量至关重要，如果你没有它，就不能信任数据查询的结果。

No.8

验证当前的投资回报率(ROI)

衡量系统投资回报率最常用的方法是监测交易速度，然后推断其获利能力(例如酒店每分钟有多少新的预订)。对于大数据处理来说，交易速度不是好的衡量指标，大 数据缓存和运行分析可能需要数小时甚至数天才可以杀青。衡量大数据处理有效性的一个最好的指标应该是利用率，它应该保持在90%以上(相比于交易系统，其 利用率可能只有20%)。对于大数据来说，确定新的ROI指标尤为重要，因为你还有说服CFO以及其他业务部门的领导。

No.9

减小“噪音”

95%以上的大数据属于“噪音”，对于商业智能的贡献很小或几乎没有。通过数据筛选来进行企业掘金，帮助企业业务进步，这是一个非常艰巨的任务。

No.10

每天工作时间

多年来，大学和研究中心一直运用大数据实验，试图解答基因组、药物研究以及是否有其他星球生命等令人难以捉摸问题的答案。虽然其中一些算法和查询产生结果更 多还是不确定的，大学和研究对于环境的研究也尚无定论，但这不是企业可以接受的，因此，IT和企业关键决策者需要对预期进行调整和管理。

（以上资源来源于网络）

 

站在云端的

商业智能+数据挖掘

2015年4月4-6日/5月1-3日(三天)

广州市中山大学

上海市南京东路培训教室

课程目标

谢邦昌老师，数据挖掘界领军人物及世界知名统计学家，对数据挖掘的研究一直走在最前沿领域，并且实战经验丰富，通过三天数据挖掘课程的学习和与谢老师现场的即时交流，迅速掌握这项日益占领高峰的数据挖掘技能。

• 本课程采用MS Office Excel 2013 Data Mining AddIn 及 R+EXCEL 实现数据挖掘功能，具有简单易学、功能强大、专业等特点。让您的数据挖掘分析变得如此简单、便捷！

• 本课程系统介绍数据挖掘理论和软件操作以及实际数据的案例分析，为学员奠定扎实的数据挖掘理论基础和实际的分析能力。课程中同时介绍 SAS/EM SPSS Clementine STATISTICA 的观念方法及操作

• 本课程理论结合实际，更偏重于实际应用。每一讲都提供了几个实际的数据挖掘案例分析，并详细讲解软件的操作和结果的解释。

• 本课程所提供的海量数据和实际案例都是数据挖掘中心与大型企业合作所作的课题资料。并提供了精心制作的长达438页的讲义。

学员对象

• (1)从事数据分析相关工作的各企业人员；

• (2)从事数据挖掘和统计分析等相关领域教学的高校教师；

• (3)有志于从事金融数据挖掘、商业数据挖掘分析工作和数据挖掘理论研究的学生；
  

• (4)有志于学习数据挖掘技术和软件的社会各界人士。

-----第一天-----
课程名称	课程内容
数据挖掘介绍	云计算应用及前沿综述及介绍数据挖掘概念、功能、技术、步骤，尤其是CRISP-DM流程。
数据挖掘运用的理论和技术	介绍数据挖掘(简单线性回归分析、多元回归分析、岭回归分析、Logistic回归分析 ) 、关联规则、聚类分析、判别分析、类神经网络分析、判定树分析、其他分析方法
数据挖掘与相关领域的关系	数据挖掘与统计分析的不同 数据挖掘与数据仓储的关系 知识发现与数据挖掘的关系 OLAP与数据挖掘的关系 数据挖掘与机器学习的关系 网络挖掘与数据挖掘的关系
数据挖掘商业软件产品及其应用现状	数据挖掘商业软件的分类 主要软件的介绍Data Mining AddIn 及 R+EXCEL SAS/EM SPSS Clementine STATISTICA 的介绍 顾客关系管理 数据挖掘的行业应用
-----第二天-----
课程名称	课程内容
Data Mining 软件安装与设定数据挖掘加载项	系统需求 开始安装 完成安装验证 组件设定 配置完成检查
Excel Data Mining AddIn数据挖掘入门	Excel Data Mining AddIn数据挖掘功能介绍 数据挖掘使用说明 (目录查询、开始功能、视频和教学) 数据挖掘连接配置 (设定目前的连接、跟踪) 数据准备 (浏览数据、清除数据、分割数据) 数据建模 精确度和验证 (准确性图表、分类矩阵、利润图) 模型用法 (浏览功能、查询功能) 模型管理 (重新命名挖掘模型、删除挖掘结构、清除挖掘结构、用原始数据处理挖掘结构、用新数据处理挖掘结构、导出挖掘结构、导入挖掘结构) 数据建模：开始进行数据挖掘步骤，可以建立挖掘模型、预测分析等。数据建模的方法有分类、估计、群集、关联、预测等以及进阶。
分类数据建模	基本概念 决策树模块贝叶斯概率分类Logistic回归 类神经网络 的建立 决策树与判别函数比较 计算方法 (确定预测精度的标准、选择分裂（分层）技术、定义停止分裂（分层）的时间点、选择适当大小的判定树)
-----第三天-----
课程名称	课程内容
聚类分析数据建模	基本概念 层次聚类分析的建立 计算方法 (确定预测精度的标准) 范例分析
预测数据建模	时间序列模行基本概念 类神经网络 的建立 计算方法 (确定预测精度的标准) 范例分析
关联规则	基本概念 关联规则的种类 关联规则的算法：Apriori算法 范例分析
时序聚类 数据建模	基本概念 相关研究和算法 范例分析
估计(推估)数据建模	基本概念 决策树模块 线性回归 类Logistic回归 类神经网络 的建立 计算方法 (确定预测精度的标准) 范例分析
其他分析工具介绍	Data Mining AddIn 及 R+EXCEL 工具之介绍 SAS/EM SPSS Clementine STATISTICA 的观念方法及操作 分析关键影响因素 检测类别 从示例填充 预测 突出显示异常值 应用场景分析 (目标查找、假设)
上市公司投资价值分析的挖掘模型	研究动机与目的 挖掘模型的构建 变量筛选 判定树模型 贝叶斯概率模型 Logistic回归模型 预测准确度比较
信用卡用户信用评测的挖掘模型	研究背景 研究动机 研究目的 构建数据挖掘模型 (判定树分析、聚类分析、Logistic回归)
市场营销与客户细分的挖掘模型	研究动机与目的 研究方法与限制 数据分析 挖掘建模
讨论与答疑	统一回答或者讨论之前学员的疑问