引:没有经验的企业实施数据挖掘项目时，错误的认识往往成为项目成功开展的重要障碍。因此及时矫正这些错误的认识也成为项目实施前一个重要的任务。
对于普通人来说，数据挖掘可能是一个神秘的过程。没有经验的企业实施数据挖掘项目时，错误的认识往往成为项目成功开展的重要障碍。因此及时矫正这些错误的认识也成为项目实施前一个重要的任务。
数据挖掘的所有内容是关于算法
一谈到算法就会想到通过历史数据建立模型，数据挖掘算法是创建挖掘模型的机制，对产生的最终挖掘输出结果有很大的决定性。随着数据挖掘新技术的层出不穷和商业数据挖掘产品的成熟与完善。对同一商业问题，通常在产品中有多种算法可供选择，而为特定的任务选择正确的算法很有挑战性。
您可以使用不同的算法来执行同样的业务任务，每个算法会生成不同的结果。而且算法可以进行复合使用，在一个数据挖掘解决方案中可以使用一些算法来探析数据，而使用其他算法基于该数据预测特定结果。例如，可以使用聚类分析算法来识别模式，将数据细分成多少有点相似的组，然后使用分组结果来创建更好的决策数模型。
也可以在一个解决方案中使用多个算法来执行不同的任务，例如，使用回归树算法来获取财务预测信息，使用基于规则的算法来执行市场篮子分析。
由此看出在数据挖掘项目中，在明确挖掘目标和了解各种算法特点后，如何正确选择使用算法，得到期望的结果才是关键环节。
在数据挖掘项目实施的过程中，业界有一个公认的方法论CRISP-DM(Cross Industry Standard Process for Data Ming，跨行业数据挖掘标准流程)，从名称上可以看到，此模型的定义比较通用，能够应用于不同的行业解决业务问题。
CRISP-DM流程模型包括了六个步骤，涵盖了数据挖掘的整个过程，它们是:商业理解、数据理解、数据准备、建立模型、模型评估、模型部署。
在这六个步骤中，应用数据挖掘算法的过程主要集中在建立模型阶段，很显然算法不是数据挖掘的所有内容。建模所使用的数据准备得如何，很大程度上决定了数据挖掘项目的成败。
因此，在一个成功的数据挖掘项目中，60%-80%的时间都是集中在商业理解、数据理解、数据准备阶段。此外，在数据挖掘项目中，特别强调数据挖掘算法和实际业务的紧密结合，否则数据挖掘很可能会出现“垃圾进,垃圾出”(garbage in garbage out)的现象。
数据挖掘项目中，检验模型的唯一标准是预测精确度
模型的预测精确度是检验模型好坏的一个重要指标，但不是唯一指标。一个良好的数据挖掘模型，在投入实际应用前，需要经过多方面的评估，从而确定它完全地达到了商业目标。评估数据挖掘模型优劣的指标有许多，比如精确度、LIFT、ROC、Gain图等。
精确度是最基本和最简单的指标。但是要让用户接受一个模型的结果，仅靠这些评估指标却是不够的，还需要从模型结果的可用性上进一步阐述，即数据挖掘模型到底能带来什么业务上的价值。这实际上也就是数据挖掘模型的可解释性。在实际数据挖掘项目中，模型的可解释性往往比评估指标更为重要。
在对模型进行评估时，既要参照评估标准，同时也要考虑到商业目标和商业成功的标准。片面的追求预测正确率就会忽视了数据挖掘的初衷。我们不是为了建立一个完美的数学模型而进行挖掘，而是为了解决实际商业问题。所以挖掘产生结果的可解释性与实用性，才是最根本的标准。例如在解决客户流失问题中，预测模型捕捉越多的流失客户，不一定就代表能够协助挽留较多的客户。关键在于预测结果对挽留营销活动的制定有多大的帮助。
数据挖掘一定需要数据仓库
从定义上讲，数据挖掘(Data Mining)，又称为数据库中的知识发现(Knowledge Discovery in Database, KDD)，就是从大量数据中获取有效的、新颖的、潜在有用的、最终可理解的模式的非平凡过程，简单的说，数据挖掘就是从大量数据中提取或“挖掘”知识。
良好的数据源是数据挖掘成功的重要保证，所以说数据挖掘需要有自己的数据集市，因为通常数据仓库主要是为决策支持系统而建立的，数据在ETL过程中会有可能损失一些对数据挖掘有用的信息。
特别是在数据规约阶段，针对数据集进行匹配，发现重复异常，根据匹配结果进行处理，删除部分记录或者将多个记录合并为一个更完整信息的记录的过程，对数据挖掘来讲很可能是隐含信息丢失的过程。重复的记录对决策支持系统可能没有用处，但对数据挖掘来讲可能是挖掘出隐含模式的重要来源。 |
