首页 > 在增量提升曲线中标示了各个分段的命中数。 在图1中可以看到，增量提升曲线在第4个分段后和随机期望线(275个响应的10%，即平均每个分段27.5个响应)交叉。 不管营销经理怎么去看，上述的表格和图形都可以把必要的信息传递给他们。 营销人员可以借助模型评估工具，来设定要给多少个客户发邮件。 以表1为例，营销人员可以向前四个分段的客户(占整个评分名单的40%)发邮件，并预期可以命中70%的潜在响应客户。
很多数据挖掘工具的厂商都对这个过程进行了简化，使之更加清晰。 SAS将数据挖掘过程划分为五个阶段： 抽样(Sample)，解释(Explain)，处理(Manipulate)，建模(Model)，评估(Assess)。 过去人们常用循环式的饮水器来比喻数据挖掘过程。 水(数据)首先涌上第一层(分析阶段)，形成漩涡(精炼和反馈)，等到聚积了足够多“已经处理过”的水之后，就溢出来流到下一个更低的层中。 不断地进行这种“处理”，直到水流到最低层。在那里它被抽回顶层，开始新一轮的“处理”。 数据挖掘和这种层次式的叠代过程非常相像。 甚至在很多数据挖掘算法的内部处理也是如此，比如神经网络算法，就是在数据集上多次运行(epochs)，直至发现最优解。 Insightful Miner已经在其用户界面中内建了简单过程模型。 这种集成可以帮助用户把必要的数据挖掘任务组织起来，让任务能够按照正确的顺序来处理。
但使用饮水器来比喻数据挖掘过程还不算恰当，因为它没有反映出反馈环路，而反馈环路在数据挖掘过程中是很常见的。 例如，通过数据评估可以发现异常的数据，从而要求从源系统中抽取更多的数据。 或者，在建模之后，会发现需要更多的记录才能反映总体的分布。
在CRISP过程模型中进行了解决这个问题的尝试，该模型是由Daimler-Benz、ISL (Clementine的开发者)和NCR共同制定的。 CRISP同时也被集成到Clementine挖掘工具(现在属于SPSS公司)的设计中。 CRISP几乎反映了完整的数据挖掘环境。
图2： CRISP图例
使用数据建模其实和做陶土模型或者大理石模型差不多。 艺术家首先从一大堆材料开始着手，经过许多次的加工和检查，才诞生了最终的艺术品。很多人在建模过程中常常没有充分理解建模的本质，由此带来了一系列问题，使得建模变得很复杂。 Eric King发现数据挖掘是一个循环的过程(就象上图中的CRISP流程图)，而非线性的过程。 这种循环式的数据挖掘过程会让您想起Wankel转式汽车发动机。 这种发动机是一圈一圈旋转的(而非上下运动)，不断输出动能来驱动汽车。 与之相似，数据挖掘过程也是不断循环，产生信息来帮助我们完成商业目标。 信息就是推动商业的“能量”。 在挖掘过程中会有很多对前一个阶段的反馈(例如，在完成初步建模之后可能需要获取更多的数据)。
不过，在CRISP流程中还是遗漏了一个要素——那就是对数据仓库或源系统的反馈。 前一次CRM营销活动的结果应该导入数据仓库，为后续的建模提供指导，并能跟踪营销活动间的变化趋势。 我在CRISP流程图中加入了这些反馈，以红线表示(见图2)。
通过数据挖掘过程的结构，我们可以得知数据挖掘工具必需能完成那些任务，但是工具常常会缺少对部分功能的支持。 当产生了挖掘结果时，你会怎么使用这些结果呢? 此外，针对挖掘结果所采取的这些行动又将如何影响后续的挖掘? 数据挖掘工具应该具备的一些功能包括：
- 将模型导出到多种数据库结构中
- 模型的导出格式，适合于决策支持和商业行动的应用
- 挖掘算法的输出数据，可以为另外的算法所用
- 能够比较不同算法的结果
IT专家网
