從“尿布和啤酒”到數據挖掘

沃爾瑪的“啤酒和尿布”的經典案例不少媒體都曾報道過：就是沃爾瑪通過建立的數據倉庫，按周期統計產品的銷售信息，經過科學建模后提煉決策層數據。結果發現，每逢周末，位于某地區的沃爾瑪連鎖超市啤酒和尿布的銷量很大。進一步調查表明，在美國有孩子的家庭中，太太經常囑咐他們的丈夫下班以后要為孩子買尿布，而丈夫們在買完尿布以后又順手帶回了自己愛喝的啤酒，因此啤酒和尿布一起購買的機會是最多的。之后該店打破常規，將啤酒和尿布的貨架放在了一起，使得啤酒和尿布的銷量進一步增長。

“買啤酒時也會買尿布”，這一規律的抽象表示就成了數據挖掘里的關聯分析法，我們可以簡單地表示成如下形式：

If someone buys diaper then he buys bear.

即：

diaper=>bear

這是一條關聯規則，當然在實際應用中，這里面有“他有多大可能性同時買啤酒和尿布”和“他在買尿布后有多大可能性買啤酒”等問題需要考慮。

從海量的原始數據中，找出隱含在其中的、我們事先不知道的、但又是潛在的有意義的知識和信息，從而利用這些知識來指導我們的活動，這便是數據挖掘的初衷。數據挖掘技術是數據庫研究中最活躍的分支之一，它綜合利用了人工智能、數據庫、機器學習等多個領域的理論和技術。目前，數據挖掘已經被廣泛地運用于各種金融分析、市場分析等多個領域。比如在零售商日常的經營中，每天又會產生大量看似龐雜的信息，而在這些信息背后蘊藏了豐富的經營技巧和市場規律。通過數據挖掘的手段找出這些規律和知識，來直接指導我們的經營活動，給顧客提供最直接最周到的服務，以及通過分析顧客消費和忠誠度的變化，據此對價格和商品的花樣進行調整，一邊留住老客戶，吸引新客戶。

近年來傳統的數據挖掘的思想在Web知識發現中也有了廣泛的應用，即通過分析Web使用者訪問網頁的路徑和在不同頁面停留時間等原始資料的分析，提取出我們需要的模式，來規劃網站的拓撲結構，給不同的用戶群定制個性化的服務，這給電子商務的發展增加了不可低估的活力。