寿险行业数据挖掘应用分析 寿险是保险行业的一个重要分支，具有巨大的市场发展空间，因此，随着寿险市场的开放、外资公司的介入，竞争逐步升级，群雄逐鹿已成定局。如何保持自身的核心竞争力，使自己始终立于不败之地，是每个企业必须面对的问题。信息技术的应用无疑是提高企业竞争力的有效手段之一。寿险信息系统经过了多年的发展，已逐步成熟完善，并积累了相当数量的数据资源，为数据挖掘提供了坚实的基础，而通过数据挖掘发现知识，并用于科学决策越来越普遍受到寿险公司的重视。 数据挖掘 数据挖掘（Data Mining，DM）是指从大量不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、有用的信息和知识的过程。其表现形式为概念（Concepts）、规则(Rules)、模式(Patterns)等形式。 目前业内已有很多成熟的数据挖掘方法论，为实际应用提供了理想的指导模型。CRISP-DM（Cross-Industry Standard Process for Data Mining）就是公认的、较有影响的方法论之一。CRISP-DM强调，DM不单是数据的组织或者呈现，也不仅是数据分析和统计建模，而是一个从理解业务需求、寻求解决方案到接受实践检验的完整过程。CRISP-DM将整个挖掘过程分为以下六个阶段：商业理解（Business Understanding），数据理解(Data Understanding)，数据准备(Data Preparation)，建模(Modeling)，评估(Evaluation)和发布(Deployment)。 商业理解就是对企业运作、业务流程和行业背景的了解；数据理解是对现有企业应用系统的了解；数据准备就是从企业大量数据中取出一个与要探索问题相关的样板数据子集。建模是根据对业务问题的理解，在数据准备的基础上，选择一种更为实用的挖掘模型，形成挖掘的结论。评估就是在实际中检验挖掘的结论，如果达到了预期的效果，就可将结论发布。在实际项目中，CRISP-DM模型中的数据理解、数据准备、建模、评估并不是单向运作的，而是一个多次反复、多次调整、不断修订完善的过程。 行业数据挖掘 经过多年的系统运营，寿险公司已积累了相当可观的保单信息、客户信息、交易信息、财务信息等，也出现了超大规模的数据库系统。同时，数据集中为原有业务水平的提升以及新业务的拓展提供了条件，也为数据挖掘提供了丰厚的土壤。 根据CRISP-DM模型，数据挖掘首先应该做的是对业务的理解、寻找数据挖掘的目标和问题。这些问题包括：代理人的甄选、欺诈识别以及市场细分等，其中市场细分对企业制定经营战略具有极高的指导意义，它是关系到企业能否生存与发展、企业市场营销战略制定与实现的首要问题。 针对寿险经营的特点，我们可以从不同的角度对客户群体进行分类归纳，从而形成各种客户分布统计，作为管理人员决策的依据。从寿险产品入手，分析客户对不同险种的偏好程度，指导代理人进行重点推广，是比较容易实现的挖掘思路。由于国内经济发展状况不同，各省差异较大，因此必须限定在一个经济水平相当的区域进行分析数据的采样。同时，市场波动也是必须要考虑的问题，一个模型从建立到废弃有一个生命周期，周期根据模型的适应性和命中率确定，因此模型需要不断修订。 挖掘系统架构 挖掘系统包括规则生成子系统和应用评估子系统两个部分。 规则生成子系统主要完成根据数据仓库提供的保单历史数据，统计并产生相关规律，并输出相关结果。具体包括数据抽取转换、挖掘数据库建立、建模（其中包括了参数设置）、模型评估、结果发布。发布的对象是高层决策者，同时将模型提交给应用评估子系统根据效果每月动态生成新的模型。 应用评估子系统可以理解为生产系统中的挖掘代理程序，根据生成子系统产生的规则按照一定的策略对保单数据进行非类预测。通过系统的任务计划对生产数据产生评估指标。具体包括核心业务系统数据自动转入数据平台、规则实时评估、评估结果动态显示、实际效果评估。规则评估子系统根据规则进行检测。经过一段时间的检测，可利用规则生成子系统重新学习，获得新的规则，不断地更新规则库，直到规则库稳定。 目前比较常用的分析指标有: 险种、交费年期、被保人职业、被保人年收入、被保人年龄段、被保人性别、被保人婚姻状况等。 实践中，可结合实际数据状况，对各要素进行适当的取舍，并做不同程度的概括，以形成较为满意的判定树，产生可解释的结论成果。
我也要弄数据挖掘方面的论文，明天就要答辩了。指导老师也不在学校，答辩也不回来，全由我糊弄！你是要数据挖掘技术在实际上的应用的，还是只是数据挖掘技术的详细介绍的？好像不怎么好找资料，都是硕士以后的论文，看不懂
科睿唯安（Clarivate Analytics）发布TKDE影响因子：977；TKDE是IEEE旗下专注知识发现和数据挖掘的期刊。是计算机领域数据挖掘方向的顶级期刊。
数据挖掘（英语：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。
是外文期刊的，不属于国内的
ACM(Association for Computing Machinery )美国计算机协会是一个世界性的计算机专业组织，创立于1947年，是世界上影响力最强的科学性及教育性计算机组织。ACM每年都出版大量计算机科学的高水平专门期刊，并在各项计算机专业领域都有分会，称为SIG（Special Interest Group）。ACM就像一个伞状的组织，为其所有的成员提供信息，包括最新的尖端科学的发展，从理论思想到应用的转换，提供交换信息的机会。正象ACM建立时的初衷，它仍一直保持着它的发展“信息技术”的目标，ACM成为一个永久的更新最新信息领域的源泉。ACM颁发“图灵奖”给计算机领域做出杰出贡献的人士。该奖项被称为计算机领域的诺贝尔奖。KDD Cup的主办方是SIGKDD是ACM的数据挖掘分会，其全称为ACM Special Interest Group on Knowledge Discovery and Data Mining，SIGKDD是国际数据挖掘界最著名的组织，其中KDD（Knowledge Discovery and Data Mining，知识发现与数据挖掘）一词首次出现在1989年8月举行的第11届国际联合人工智能学术会议（IJCAI）上，由Piatetsky Sharpiro正式提出；1989-1994年间美国人工智能协会共举办了4届KDD国际专题讨论会（89、91、93、94）。1995年，国际KDD组委把专题讨论会更名为国际会议，并在加拿大蒙特利尔召开了第1届KDD国际学术会议，以后每年召开一次。1998年，ACM成立了KDD特殊兴趣组SIGKDD，于1999年第五届开始组织KDD学术会议。由于KDD的学科交叉性和广泛应用性,吸引了来自统计、机器学习、数据库、互联网、生物信息学、多媒体、自然语言处理、人机交互、社交网络、高性能计算及大数据挖掘等众多领域的专家、学者，KDD Cup的参赛队伍、Conference的投稿量呈现逐年增加的趋势，其行业影响力也越来越大。SIGKDD的现任主席为Usama Fayyad（2009-now），前任主席包括Gregory Piatetsky Shapiro(2005-2008)、Won Kim (1998-2004)KDD Cup每届比赛会由企业或大学来进行协办，协办者通常会提供极有前沿应用价值的大规模数据作为挖掘样本。作为公认的数据处理领域内的最高水平的赛事之一，历年的竞赛所用数据往往被数据挖掘从业者用作研究和开发的良好训练数据。近几年KDD-Cup的协办单位包括：DonorsChoose（2014）、微软公司（2013）、腾讯公司（2012）、雅虎公司（2011）、卡耐基梅隆大学（2010）、法国电信公司（2009）、西门子医疗（2008）。
是外文期刊的，不属于国内的
你先看韩家炜的那本《数据挖掘》，然后看一下几个会议的论文SIGKDDCIKMICDMPAKDD里面的论文都是比较好的，具体内容需要看你最后做的是什么问题，现在做recommendation（推荐）的比较多。
数据挖掘（英语：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。
寿险行业数据挖掘应用分析 寿险是保险行业的一个重要分支，具有巨大的市场发展空间，因此，随着寿险市场的开放、外资公司的介入，竞争逐步升级，群雄逐鹿已成定局。如何保持自身的核心竞争力，使自己始终立于不败之地，是每个企业必须面对的问题。信息技术的应用无疑是提高企业竞争力的有效手段之一。寿险信息系统经过了多年的发展，已逐步成熟完善，并积累了相当数量的数据资源，为数据挖掘提供了坚实的基础，而通过数据挖掘发现知识，并用于科学决策越来越普遍受到寿险公司的重视。 数据挖掘 数据挖掘（Data Mining，DM）是指从大量不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、有用的信息和知识的过程。其表现形式为概念（Concepts）、规则(Rules)、模式(Patterns)等形式。 目前业内已有很多成熟的数据挖掘方法论，为实际应用提供了理想的指导模型。CRISP-DM（Cross-Industry Standard Process for Data Mining）就是公认的、较有影响的方法论之一。CRISP-DM强调，DM不单是数据的组织或者呈现，也不仅是数据分析和统计建模，而是一个从理解业务需求、寻求解决方案到接受实践检验的完整过程。CRISP-DM将整个挖掘过程分为以下六个阶段：商业理解（Business Understanding），数据理解(Data Understanding)，数据准备(Data Preparation)，建模(Modeling)，评估(Evaluation)和发布(Deployment)。 商业理解就是对企业运作、业务流程和行业背景的了解；数据理解是对现有企业应用系统的了解；数据准备就是从企业大量数据中取出一个与要探索问题相关的样板数据子集。建模是根据对业务问题的理解，在数据准备的基础上，选择一种更为实用的挖掘模型，形成挖掘的结论。评估就是在实际中检验挖掘的结论，如果达到了预期的效果，就可将结论发布。在实际项目中，CRISP-DM模型中的数据理解、数据准备、建模、评估并不是单向运作的，而是一个多次反复、多次调整、不断修订完善的过程。 行业数据挖掘 经过多年的系统运营，寿险公司已积累了相当可观的保单信息、客户信息、交易信息、财务信息等，也出现了超大规模的数据库系统。同时，数据集中为原有业务水平的提升以及新业务的拓展提供了条件，也为数据挖掘提供了丰厚的土壤。 根据CRISP-DM模型，数据挖掘首先应该做的是对业务的理解、寻找数据挖掘的目标和问题。这些问题包括：代理人的甄选、欺诈识别以及市场细分等，其中市场细分对企业制定经营战略具有极高的指导意义，它是关系到企业能否生存与发展、企业市场营销战略制定与实现的首要问题。 针对寿险经营的特点，我们可以从不同的角度对客户群体进行分类归纳，从而形成各种客户分布统计，作为管理人员决策的依据。从寿险产品入手，分析客户对不同险种的偏好程度，指导代理人进行重点推广，是比较容易实现的挖掘思路。由于国内经济发展状况不同，各省差异较大，因此必须限定在一个经济水平相当的区域进行分析数据的采样。同时，市场波动也是必须要考虑的问题，一个模型从建立到废弃有一个生命周期，周期根据模型的适应性和命中率确定，因此模型需要不断修订。 挖掘系统架构 挖掘系统包括规则生成子系统和应用评估子系统两个部分。 规则生成子系统主要完成根据数据仓库提供的保单历史数据，统计并产生相关规律，并输出相关结果。具体包括数据抽取转换、挖掘数据库建立、建模（其中包括了参数设置）、模型评估、结果发布。发布的对象是高层决策者，同时将模型提交给应用评估子系统根据效果每月动态生成新的模型。 应用评估子系统可以理解为生产系统中的挖掘代理程序，根据生成子系统产生的规则按照一定的策略对保单数据进行非类预测。通过系统的任务计划对生产数据产生评估指标。具体包括核心业务系统数据自动转入数据平台、规则实时评估、评估结果动态显示、实际效果评估。规则评估子系统根据规则进行检测。经过一段时间的检测，可利用规则生成子系统重新学习，获得新的规则，不断地更新规则库，直到规则库稳定。 目前比较常用的分析指标有: 险种、交费年期、被保人职业、被保人年收入、被保人年龄段、被保人性别、被保人婚姻状况等。 实践中，可结合实际数据状况，对各要素进行适当的取舍，并做不同程度的概括，以形成较为满意的判定树，产生可解释的结论成果。
是外文期刊的，不属于国内的
汉斯出版社的我是想问它是国家级？还是省市级？还是？
这个专业很不错，很多其他方向都要用到数据挖掘方面的知识（即到时可以很方便的转向其他的方向）。可以参考韩家炜教授等写的数据挖掘：概念与技术这本教材。
ACM(Association for Computing Machinery )美国计算机协会是一个世界性的计算机专业组织，创立于1947年，是世界上影响力最强的科学性及教育性计算机组织。ACM每年都出版大量计算机科学的高水平专门期刊，并在各项计算机专业领域都有分会，称为SIG（Special Interest Group）。ACM就像一个伞状的组织，为其所有的成员提供信息，包括最新的尖端科学的发展，从理论思想到应用的转换，提供交换信息的机会。正象ACM建立时的初衷，它仍一直保持着它的发展“信息技术”的目标，ACM成为一个永久的更新最新信息领域的源泉。ACM颁发“图灵奖”给计算机领域做出杰出贡献的人士。该奖项被称为计算机领域的诺贝尔奖。KDD Cup的主办方是SIGKDD是ACM的数据挖掘分会，其全称为ACM Special Interest Group on Knowledge Discovery and Data Mining，SIGKDD是国际数据挖掘界最著名的组织，其中KDD（Knowledge Discovery and Data Mining，知识发现与数据挖掘）一词首次出现在1989年8月举行的第11届国际联合人工智能学术会议（IJCAI）上，由Piatetsky Sharpiro正式提出；1989-1994年间美国人工智能协会共举办了4届KDD国际专题讨论会（89、91、93、94）。1995年，国际KDD组委把专题讨论会更名为国际会议，并在加拿大蒙特利尔召开了第1届KDD国际学术会议，以后每年召开一次。1998年，ACM成立了KDD特殊兴趣组SIGKDD，于1999年第五届开始组织KDD学术会议。由于KDD的学科交叉性和广泛应用性,吸引了来自统计、机器学习、数据库、互联网、生物信息学、多媒体、自然语言处理、人机交互、社交网络、高性能计算及大数据挖掘等众多领域的专家、学者，KDD Cup的参赛队伍、Conference的投稿量呈现逐年增加的趋势，其行业影响力也越来越大。SIGKDD的现任主席为Usama Fayyad（2009-now），前任主席包括Gregory Piatetsky Shapiro(2005-2008)、Won Kim (1998-2004)KDD Cup每届比赛会由企业或大学来进行协办，协办者通常会提供极有前沿应用价值的大规模数据作为挖掘样本。作为公认的数据处理领域内的最高水平的赛事之一，历年的竞赛所用数据往往被数据挖掘从业者用作研究和开发的良好训练数据。近几年KDD-Cup的协办单位包括：DonorsChoose（2014）、微软公司（2013）、腾讯公司（2012）、雅虎公司（2011）、卡耐基梅隆大学（2010）、法国电信公司（2009）、西门子医疗（2008）。
第一章 绪论1 数据挖掘概述2 数据挖掘的分类3 数据挖掘研究的公开问题4 国内外数据挖掘研究现状本章参考文献第二章 KDD的理论基础1 数学理论Ⅰ2 数学理论Ⅱ3 机器学习理论4 数据库理论5 可视化理论本章参考文献第三章 计算智能方法理论基础1 神经网络2 进化计算3 免疫克隆计算第四章 基于神经网络与进化计算的分类1 神经网络分类2 海量数据的组织协同进化分类算法3 基于免疫克隆算法的特征选择本章参考文献第五章 支撑矢量机与核分类1 统计学习理论2 支撑矢量机3 子波核匹配追踪学习机本章参考文献第六章 集成分类器1 集成学习2 Boosting概述3 Bagging算法4 基于免疫克隆算法的选择性SVMs集成5 核匹配追踪分类器集成本章参考文献第七章 大规模数据聚类算法第八章 关联规则挖掘第九章 数据挖掘应用实例及可视化
汉斯出版社的我是想问它是国家级？还是省市级？还是？
面对“人们被数据淹没，却饥渴于知识”的挑战，数据挖掘和知识发现技术应运而生，并得以蓬勃发展。数据挖掘涉及到人工智能、模式识别、机器学习、统计学等领域，因此，我们把体现当代科学技术发展特征的多学科间的知识交叉及最新成果反映到教材中来，同时本书从智能信息处理及数据挖掘两大主题出发，着重于介绍将智能信息处理中的最新技术如何应用于数据挖掘领域，如智能搜索、分类、聚类和智能决策等。全书共分9章：第一章主要从整体上介绍数据挖掘和知识发现的基本概念、研究现状及发展方向；第二章介绍了数据挖掘的理论基础；第三章详细论述了用于数据挖掘的计算智能方法的理论基础；第四章论述了神经网络和进化计算的分类方法；第五章全面论述了支撑矢量机与核分类方法；第六章详细论述了集成分类方法；第七章系统论述了数据挖掘中大规模数据聚类方法；第八章论述关联规则挖掘方法；第九章介绍数据挖掘实例及可视化。从第三章后的每一章都给出了所用方法的实验条件设置及实验结果。