1. 数据分析与挖掘案例
1. 梅西百货的实时定价机制。根据需求和库存的情况,该公司基于SAS的系统对多达7300万种货品进行实时调价。
2/10
2. Tipp24 AG针对欧洲博彩业构建的下注和预测平台。该公司用KXEN软件来分析数十亿计的交易以及客户的特性,然后通过预测模型对特定用户进行动态的营销活动。这项举措减少了90%的预测模型构建时间。SAP公司正在试图收购KXEN。“SAP想通过这次收购来扭转其长久以来在预测分析方面的劣势。”Laney分析到。
大数据分析 平台,网易有数一站式大数据管理及开发平台
最近1小时前有人申请相关服务
网易有数大数据分析 平台,企业级大数据管理与开发平台,覆盖数据全链路开发及管理流程!大数据分析 平台,网易有数百亿数据秒级响应,私有化部署,专家级数据架构支持,免费试用。
免费线上咨询,了解更多详情
咨询
网易(杭州)网络有限..广告
3/10
3. 沃尔玛的搜索。这家零售业寡头为其网站Walmart.com自行设计了最新的搜索引擎Polaris,利用语义数据进行文本分析、机器学习和同义词挖掘等。根据沃尔玛的说法,语义搜索技术的运用使得在线购物的完成率提升了10%到15%。“对沃尔玛来说,这就意味着数十亿美元的金额。”Laney说。
4/10
4. 快餐业的视频分析(Laney没有说出这家公司的名字)。该公司通过视频分析等候队列的长度,然后自动变化电子菜单显示的内容。如果队列较长,则显示可以快速供给的食物;如果队列较短,则显示那些利润较高但准备时间相对长的食品。
5/10
5. Morton牛排店的品牌认知。当一位顾客开玩笑地通过推特向这家位于芝加哥的牛排连锁店订餐送到纽约Newark机场(他将在一天工作之后抵达该处)时,Morton就开始了自己的社交秀。首先,分析推特数据,发现该顾客是本店的常客,也是推特的常用者。根据客户以往的订单,推测出其所乘的航班,然后派出一位身着燕尾服的侍者为客户提供晚餐。也许,这听起来过于离奇,但是你必须审视自己:“我是否有能力做到这个程度?”Laney说。
6/10
6. PredPol Inc.。PredPol公司通过与洛杉矶和圣克鲁斯的警方以及一群研究人员合作,基于地震预测算法的变体和犯罪数据来预测犯罪发生的几率,可以精确到500平方英尺的范围内。在洛杉矶运用该算法的地区,盗窃罪和暴力犯罪分布下降了33%和21%。
7/10
7. Tesco PLC(特易购)和运营效率。这家超市连锁在其数据仓库中收集了700万部冰箱的数据。通过对这些数据的分析,进行更全面的监控并进行主动的维修以降低整体能耗。
8/10
8. American Express(美国运通,AmEx)和商业智能。以往,AmEx只能实现事后诸葛式的报告和滞后的预测。“传统的BI已经无法满足业务发展的需要。”Laney认为。于是,AmEx开始构建真正能够预测忠诚度的模型,基于历史交易数据,用115个变量来进行分析预测。该公司表示,对于澳大利亚将于之后四个月中流失的客户,已经能够识别出其中的24%。
9/10
9. Express Scripts Holding Co.的产品制造。该公司发现那些需要服药的人常常也是最可能忘记服药的人。因此,他们开发了一个新产品:会响铃的药品盖和自动的电话呼叫,以此提醒患者按时服药。
10/10
10. Infinity Property & Casualty Corp.的黑暗数据(dark data)。Laney对于黑暗数据的定义是,那些针对单一目标而收集的数据,通常用过之后就被归档闲置,其真正价值未能被充分挖掘。在特定情况下,这些数据可以用作其他用途。该公司用累积的理赔师报告来分析欺诈案例,通过算法挽回了1200万美元的代位追偿金额。
2. 数据挖掘案例分析报告
数据挖掘是从海量信息中进行搜索提取有价值信息的过程,是一个由处理数据、得到信息、挖掘知识等环节组成的工作过程,在这个过程中可能用到机器学习等各种算法,最终的目的是进行智能决策,而这个智能也可以理解为人工智能。比如说通过挖掘历史的销售数据找到商品之间的关联规则,大家熟知的啤酒尿布的故事就是一个典型案例。
模式识别
要想知道什么叫做模式识别,那就要先了解什么叫做模式,通常意义上,模式指用来说明事物结构的一种表达。它是从生产生活经验中经过抽象提炼出来的知识,说直白点就是可以用来表示事物的一些列特征的集合。
模式识别从十九世纪五十年代兴起,在二十世纪七八十年代风靡一时,是信息科学和人工智能的重要组成部分,主要被应用于图像分析与处理、语音识别、计算机辅助诊断、数据挖掘等方面。但是其效果似乎总是差强人意,因为模式识别中的事物特征是由人类设计总结的、主要基于人类在某一方面的领域知识,也就是说模式识别的效果不可能超过人类、有很大的局限性。
3. 数据分析与挖掘实例
岗位是比较不错的,无论是在甲方还是在乙方,这个岗位都是比较瞩目的,在甲方公司的话一定要吃透业务,如果自己有追求不想论日子的话还是需要自己努力加油的,当然在甲方想要晋升除了能力之外就是处变能力,一定程度上说后者可能更重要;如果在乙方的话那就是实打实的要靠能力吃饭了,一般来说在乙方能学到更扎实、更时髦的技术,确实是能提高你的技术能力的。
要说到哪个公司靠谱的话,我觉得移动和电信都还不错,移动呢要稍微辛苦点,电信么稍微轻松点,这是相对而言啊,可能各省份或地市也有差别,乙方的话国内的华为,国外的sap、oracle、emc都还不错,像国内的ibm、hp这样的老牌个人感觉失去了企业文化,被潮流推着走。以上为一家之言,供你参考,有问题再追问。
4. 数据分析与数据挖掘案例
因为OLAP是一种分析技术,具有汇总、合并和聚集以及从不同的角度观察信息的能力。
快速增长的海量数据收集、存放在大量的大型数据库中,没有强有力的工具,理解他们已经远远超出了人的能力,导致 数据丰富但信息贫乏。数据和信息之间的鸿沟越来越宽,这就要求必须系统的开发数据挖掘工具,将数据转换成有用的信息。
5. 数据分析与挖掘案例分析
数据挖掘是指从大量的数据中通过算法搜索隐藏于其中信息的过程。
数据挖掘通常与计算机科学有关,并通过统计、在线分析处理、情报检索、机器学习、专家系统(依靠过去的经验法则)和模式识别等诸多方法来实现上述目标。
数据挖掘对象
1.数据的类型可以是结构化的、半结构化的,甚至是异构型的。发现知识的方法可以是数学的、非数学的,也可以是归纳的。最终被发现了的知识可以用于信息管理、查询优化、决策支持及数据自身的维护等。
2.数据挖掘的对象可以是任何类型的数据源。可以是关系数据库,此类包含结构化数据的数据源;也可以是数据仓库、文本、多媒体数据、空间数据、时序数据、Web数据,此类包含半结构化数据甚至异构性数据的数据源。
3.发现知识的方法可以是数字的、非数字的,也可以是归纳的。最终被发现的知识可以用于信息管理、查询优化、决策支持及数据自身的维护等。
数据挖掘步骤
在实施数据挖掘之前,先制定采取什么样的步骤,每一步都做什么,达到什么样的目标是必要的,有了好的计划才能保证数据挖掘有条不紊地实施并取得成功。很多软件供应商和数据挖掘顾问公司投提供了一些数据挖掘过程模型,来指导他们的用户一步步地进行数据挖掘工作。比如,SPSS公司的5A和SAS公司的SEMMA。
数据挖掘过程模型步骤主要包括定义问题、建立数据挖掘库、分析数据、准备数据、建立模型、评价模型和实施。下面让我们来具体看一下每个步骤的具体内容:
(1)定义问题。在开始知识发现之前最先的也是最重要的要求就是了解数据和业务问题。必须要对目标有一个清晰明确的定义,即决定到底想干什么。比如,想提高电子信箱的利用率时,想做的可能是“提高用户使用率”,也可能是“提高一次用户使用的价值”,要解决这两个问题而建立的模型几乎是完全不同的,必须做出决定。
(2)建立数据挖掘库。建立数据挖掘库包括以下几个步骤:数据收集,数据描述,选择,数据质量评估和数据清理,合并与整合,构建元数据,加载数据挖掘库,维护数据挖掘库。
(3)分析数据。分析的目的是找到对预测输出影响最大的数据字段,和决定是否需要定义导出字段。如果数据集包含成百上千的字段,那么浏览分析这些数据将是一件非常耗时和累人的事情,这时需要选择一个具有好的界面和功能强大的工具软件来协助你完成这些事情。
(4)准备数据。这是建立模型之前的最后一步数据准备工作。可以把此步骤分为四个部分:选择变量,选择记录,创建新变量,转换变量。
(5)建立模型。建立模型是一个反复的过程。需要仔细考察不同的模型以判断哪个模型对面对的商业问题最有用。先用一部分数据建立模型,然后再用剩下的数据来测试和验证这个得到的模型。有时还有第三个数据集,称为验证集,因为测试集可能受模型的特性的影响,这时需要一个独立的数据集来验证模型的准确性。训练和测试数据挖掘模型需要把数据至少分成两个部分,一个用于模型训练,另一个用于模型测试。
(6)评价模型。模型建立好之后,必须评价得到的结果、解释模型的价值。从测试集中得到的准确率只对用于建立模型的数据有意义。在实际应用中,需要进一步了解错误的类型和由此带来的相关费用的多少。经验证明,有效的模型并不一定是正确的模型。造成这一点的直接原因就是模型建立中隐含的各种假定,因此,直接在现实世界中测试模型很重要。先在小范围内应用,取得测试数据,觉得满意之后再向大范围推广。
(7)实施。模型建立并经验证之后,可以有两种主要的使用方法。第一种是提供给分析人员做参考;另一种是把此模型应用到不同的数据集上。
6. 数据分析与挖掘实战案例精粹
先确定变量是什么,有几个,数据参数要多
7. 数据分析与挖掘案例分享
大数据论文数据挖掘方面的题好
本科学位论文是侧重于动手能力的,所以称为毕业设计,大数据处理类的,如果真的去搭建云平台是稍微有些不太好做,毕竟咱们个人的计算机终端是不够的,所以我觉得侧重于大数据安全,有一些算法,简单仿真,或者基于hadoop对某个行业的数据进行下分析计算也是没问题,到实例部分其实你用数据挖掘的方法去做,结果差不多
8. 数据分析挖掘案例分析 学生
数据挖掘:Data mining,又译为资料探勘、数据采矿。它是数据库知识发现(英语:Knowledge-Discovery in Databases,简称:KDD)中的一个步骤。数据挖掘一般是指从大量的数据中自动搜索隐藏于其中的有着特殊关系性(属于Association rule learning)的信息的过程。数据挖掘通常与计算机科学有关,并通过统计、在线分析处理、情报检索、机器学习、专家系统(依靠过去的经验法则)和模式识别等诸多方法来实现上述目标。 举例:爬虫软件就是简单的数据挖掘 数据分析:数据分析是指用适当的统计分析方法对收集来的大量数据进行分析,提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。这一过程也是质量管理体系的支持过程。在实用中,数据分析可帮助人们作出判断,以便采取适当行动。 数据分析的数学基础在20世纪早期就已确立,但直到计算机的出现才使得实际操作成为可能,并使得数据分析得以推广。数据分析是数学与计算机科学相结合的产物。 举例:通过对大量数据的分析马云知道了杭州地区的女性的...