数据挖掘、OLAP在财务决策中的应用杨春华（杭州商学院财务与会计学院，杭州，310012）[摘要]数据挖掘、OLAP是当前基于大型数据库或数据仓库的新型信息分析技术，在许多领域得到广泛应用，取得了很好的成效。如何将其应用于财务决策以提高决策的正确性、及时性，降低决策的风险，已成为财务管理领域的重要研究课题。本文在介绍数据挖掘、OLAP技术及其相互关系的基础上，分析了财务决策领域应用这两种技术的现实必要性，并进一步论述了财务决策中数据挖掘和OLAP的应用流程。[Abstract]In this paper, the author introduced Data Mining and OLAP at And then, the author analyzed the practical necessity for the firms to apply these two techniques in the area of financial decision- In the end, the author brought forward the flow of the [关键词]数据挖掘，联机分析处理，财务决策[Key words]Data Mining，OnLine Analysis Process(OLAP)，Financial Decision-making正文随着计算机技术和Internet技术的发展，以及企业在以往事务型处理中数据的不断积累，一方面企业数据资源日益丰富，信息超载，另一方面数据资源中蕴涵的知识企业却至今未能得到充分的挖掘和利用，“数据丰富而知识贫乏”是常见现象。如何才能不被信息的汪洋大海所淹没，并能从中及时发现有用的知识，提高信息的利用效率，已成为企业急需面对的一个问题。正是在这种背景下，数据挖掘、OLAP技术应运而生。这是两种基于大量数据库或数据仓库的新型数据分析技术。将其应用到财务决策领域则有利于提高决策的正确性、及时性，降低决策的风险。一、数据挖掘与OLAP1．数据挖掘关于数据挖掘，一种较为公认的定义是由GPiatetsky-Shapiro等人提出的。他们认为：数据挖掘是从大型数据库中提取人们感兴趣的知识，这些知识是隐含的、事先不知的，潜在有用的信息。数据挖掘涉及到机器学习、模式识别、统计学、智能数据库、知识获取、数据可视化、高性能计算、专家系统等各个领域。它不仅面向特定数据库的简单检索查询调用，而且要对这些数据进行微观、中观乃至宏观的统计、分析、综合和推理，以指导实际问题的求解，企图发现事件间的相互关联，甚至利用已有的数据对未来的活动进行预测。这样一来，就把人们对数据的应用从低层次的末端查询操作，提高到为各级经营决策者提供决策支持。2．OLAP联机分析处理（OLAP）的概念最早是由关系数据库之父EFCodd于1993年提出的，它是基于大型数据库或数据仓库的信息分析过程，是大型数据库或数据仓库的用户接口部分，其目的是满足决策支持或多维环境特定的查询和报表要求。简单地讲，OLAP就是共享多维信息的快速分析。它是跨部门、面向主题的，其基本特点是快速性、可分析性、多维性、信息性和共享性。也就是说，OLAP能快速响应用户的要求，能处理与应用有关的任何逻辑分析和统计分析，能提供多维数据分析的多维视图，能及时获得信息和管理大容量的信息，以及能在大量用户群中共享潜在的数据。其中“多维性”是其核心灵魂。3．数据挖掘与OLAP数据挖掘和OLAP都是基于大型数据库或数据仓库的数据分析技术，有着一定的联系和区别。数据挖掘和OLAP最本质的区别在于，数据挖掘是一种挖掘性的分析工具，它主要是利用各种分析方法主动地去挖掘大量数据中蕴涵的规律，产生一些假设，帮助人们在这些假设的基础上更有效地进行决策；而OLAP则是一种求证性的分析工具，一般由用户预先设定一些假设，然后使用OLAP去验证这些假设，提供可以使用户很方便地进行数据分析的手段。但就工具而言，数据挖掘和OLAP这两种分析工具本身又是相辅相成的，且界限正在逐渐模糊。OLAP的分析结果可以补充到系统知识库中，给数据挖掘提供分析信息并作为数据挖掘的依据；数据挖掘发现的知识可以指导OLAP的分析处理，拓展OLAP分析的深度，以便发现OLAP所不能发现的更为复杂、细致的信息。二、财务决策中应用数据挖掘、OLAP的必要性财务决策是企业决策中最重要的组成部分之一。任何好的财务决策都需要事实和数字支持。一个财务决策的正确程度取决于所使用的事实和数字的正确程度。随着竞争的增加，财务决策的时效性也变得越来越重要了。因此，在财务决策领域应用数据挖掘、OLAP是企业现实的需要。1．有利于提高财务信息的利用能力。解决企业财务决策问题需要询问为中心的数据图解，其以序列导向和多维为特征。而传统的财务数据查询是一种事务处理（OLTP），它是面向应用，支持日常操作的，对查询得到的数据信息缺乏分析能力，决策者不能够在大量历史数据的支持下对某一主题的相关数据进行多角度的比较、分析，得出科学的分析结果。因此，财务决策问题自身的多维特性驱动了数据挖掘、OLAP在其领域的应用，以提高财务信息的利用能力。2．有利于解决财务信息的噪音问题。科学财务决策必须以尽可能真实、及时、充分的信息为依据。这些信息既包括诸如企业目标、企业现状、事物状况等企业的内部资料，又包括诸如客户、供应商等企业的关联方资料，还包括诸如市场等企业所需的外部资料。由于网络技术的发展，企业可以通过Intranet、Extranet、Internet方便获取各种企业内部、关联方及外部资料。因此，现今的问题已不是信息缺乏，而是信息过量，难以消化，且信息真假难辨，可靠性难以保证。所以，对企业来说，这时就需要高效的数据分析工具——数据挖掘、OLAP在浩瀚的信息流中分辨、析取、整理、挖掘对财务决策有用的信息，减少信息噪音的影响。3．有利于满足财务信息智能化的需求。由于决策本身的动态性、复杂性，决策者本身素质层次的多样性，不同的情况应有不同的处理方式。传统的数据析取是依靠程序人员在系统开发过程中设计的专用程序来实现，非常机械化。随着数据量的增大，查询的复杂化，这种方式越来越不可取。决策者希望信息的析取过程能够智能化，如不仅能对自己想到的信息进行访问，还能对自己想不到却需要的信息进行访问，对同样数据进行多次访问时，不必须做重复操作；不同决策者作相似访问时，也不必进行重复操作等。数据挖掘能够利用现有的数据来获取新的有用信息，支持查询、存储的优化，使信息的析取具有较强的自我学习功能，满足财务信息智能化的需求。三、财务决策中数据挖掘、 OLAP的应用流程基于数据挖掘、OLAP的财务决策支持系统模型数据挖掘、OLAP是在大型数据库或数据仓库基础上进行深入的数据分析，从而获取海量数据中隐藏的关键信息的主要手段。因此，为了进一步提高财务决策的支持能力，可以将它们结合起来构成一种新型的财务决策支持框架，如图1所示。这个模型中，在数据仓库为财务决策提供完整、及时、准确和明了的综合数据的基础上，OLAP 图1 基于数据挖掘、OLAP的财务决策支持系统通过进行有效集中分析和深入研究，可以发现趋势，看到异常，并得到重要细节，而数据挖掘则可通过使用一系列方法进行分析，从中识别和抽取隐含、潜在的有用知识，并充分利用这些知识辅助财务决策。2．财务决策中数据挖掘流程财务决策中的数据挖掘流程一般由财务决策问题识别、数据准备、数据开采和结果表达和解释四个主要阶段构成，如图2所示。图2 数据挖掘流程（1）财务决策问题识别。典型的财务决策有投资决策、筹资决策、成本决策、销售决策等。在进行数据挖掘前，必须先对具体财务决策问题进行识别，即要确定进行什么决策、达到什么样的决策目标等。然后再将财务决策目标转换成数据挖掘目标，并进行定义。（2）数据准备。这个阶段又可分成3个子步骤，即数据集成、数据选择和数据预处理。数据集成是将多文件或多数据库运行环境中的数据进行合并处理，解决语义模糊性、处理数据中的遗漏和清洗脏数据等。数据选择的目的是辨别出需要分析的数据集合，缩小处理范围，提高数据挖掘的质量。而预处理则是为了克服目前数据挖掘工具的局限性。（3）数据采掘。这一阶段主要进行实际的数据挖掘工作，主要包括决定如何产生假设、选择合适的工具、发掘知识的操作和证实发现的知识等步骤。（4）结果表达和解释。根据用户的财务决策目的对提取的信息进行分析，把最有价值的信息区分出来，并提交给用户。如果结果不能让决策者满意，则重复进行上述过程。3．财务决策支持中OLAP流程财务决策中的OLAP流程一般由财务决策信息确认、维度分析、信息集成、数据切片和数据掘进五个主要阶段构成，如图3所示。图3 OLAP流程（1）财务决策信息确认。在进行OLAP之前，必须先确认要查询、分析的目标数据及其属性，即事实和维。然后用事实表来存储与之相关联的维信息和事实信息。（2）维度分析。对每个目标属性做进一步的分析，如维的层次、成员类别等，并将这些信息用维表保存下来。维表与事实表通过关键字相关联。（3）信息集成。当维数增加和事实表增大时，采用一定的综合、汇总等方法将信息进行集成，并用综合表存储。在综合表中，数据由多维构成，每个维又划分为多个汇总层次，所有元素及其层次关系构成树型结构。各维的层次划分，基本确定了每一维垂直的汇总路径。（4）数据切片。在综合表中，将某一路径与不同方向的其他若干路径作任意组合，就可实现面与块的切割，获取任意组合信息。（6）数据掘进。在数据切片中，沿其中任一条路径进行自上而下的分析，就可获取相应的详细信息。参考文献[1]马丽娜、刘弘、张希林 数据挖掘、 OLAP在决策支持系统中的应用[J] 计算机应用研究，2001，（11）：10-[2]胡彦 基于数据仓库的决策支持工具的比较研究[J] 计算机应用，2000，20（6）：20-[3]喻钢、周定康 联机分析处理（OLAP）技术的研究[J] 计算机应用，2001，21（11）：80-[4]於丹 数据挖掘走向Internet——孟小峰先生谈面向Internet的数据挖掘技术[J] 微电脑世界，2000，14（3）：36-[5]胡侃、夏绍玮 基于大型数据仓库的数据采掘：研究综述[J] 软件学报，1998，9（1）：53-[6]范小军、王方华 数据挖掘在营销领域中的应用[J] 外国经济与管理，2001，23（12）：38-[7]刘明杰、张晓京、刘洪杰、王秀峰、王治宝 数据仓库在证券交易中的研究与应用[J]计算机工程，2000，26（2）：47-49、[8]李竹平、吴相林 基于数据仓库的企业管理型会计信息系统研究[J] 华中理工大学学报，28（
论文摘要主要分这几部分1、提出问题2、分析问题3、解决问题4、结果对于不同的期刊摘要字数有限制，参阅你要投稿的期刊仔细写，摘要要简洁明了，论点突出，祝你的论文能早日录用
一句话：大数据的时代已经降临，互联网的革命要开始了。。。
klshfashrjausifamnhrufjagfyeitehjhjkdyfuiaf
驳论是以有力的论据反驳别人错误论点的论证方式。有三种方法：反驳论点、反驳论据、反驳论证。由于议论文是由论点、论据、论证三部分有机构成的，因此驳倒了论据或论证，也就否定了论点，与直接反驳论点具有同样效果。一篇驳论文可以几种反驳方式结合起来使用，以加强反驳的力量和说服力。1）反驳论点，即直接反驳对方论点本身的片面、虚假或谬误，这是驳论中最常用的方法。2）反驳论据，即揭示对方论据的错误，以达到推倒对方论点的目的；因为错误的论据必定得出错误的论点。3）反驳论证，即揭露对方在论证过程中的逻辑错误，如大前提、小前提与结论的矛盾，对方各论点之间的矛盾，论点与论据之间矛盾等等。立论和驳论都是一种证明，无非一个是从正面证明其正确，而另一个是从反面证明其错误。它们可以使用基本相同的论证方法。（二）论证的基本结构层次：三段论式的结构。提出问题(引论)→分析问题(本论)→解决问题(结论)常见的论证结构：a、总分式结构 b、对照式结构 c、层进式结构 d、并列式结构（三）论证方法有以下几种：1）举例论证（例证法）：列举确凿、充分、有代表性的事例证明论点；（作用：具体有力地论证了观点（主论点或分论点），增强文章的说服力）2）道理论证：用经典著作中的精辟见解和古今中外名人的名言警句以及人们公认的定理公式等来证明论点；（作用：有力地论证了观点（主论点或分论点），增强文章的权威性和说服力）3）对比论证：拿正反两方面的论点或论据作对比，在对比中证明论点；（作用：突出全面地论证观点（主论点或分论点），让人印象深刻）
数据挖掘、OLAP在财务决策中的应用杨春华（杭州商学院财务与会计学院，杭州，310012）[摘要]数据挖掘、OLAP是当前基于大型数据库或数据仓库的新型信息分析技术，在许多领域得到广泛应用，取得了很好的成效。如何将其应用于财务决策以提高决策的正确性、及时性，降低决策的风险，已成为财务管理领域的重要研究课题。本文在介绍数据挖掘、OLAP技术及其相互关系的基础上，分析了财务决策领域应用这两种技术的现实必要性，并进一步论述了财务决策中数据挖掘和OLAP的应用流程。[Abstract]In this paper, the author introduced Data Mining and OLAP at And then, the author analyzed the practical necessity for the firms to apply these two techniques in the area of financial decision- In the end, the author brought forward the flow of the [关键词]数据挖掘，联机分析处理，财务决策[Key words]Data Mining，OnLine Analysis Process(OLAP)，Financial Decision-making正文随着计算机技术和Internet技术的发展，以及企业在以往事务型处理中数据的不断积累，一方面企业数据资源日益丰富，信息超载，另一方面数据资源中蕴涵的知识企业却至今未能得到充分的挖掘和利用，“数据丰富而知识贫乏”是常见现象。如何才能不被信息的汪洋大海所淹没，并能从中及时发现有用的知识，提高信息的利用效率，已成为企业急需面对的一个问题。正是在这种背景下，数据挖掘、OLAP技术应运而生。这是两种基于大量数据库或数据仓库的新型数据分析技术。将其应用到财务决策领域则有利于提高决策的正确性、及时性，降低决策的风险。一、数据挖掘与OLAP1．数据挖掘关于数据挖掘，一种较为公认的定义是由GPiatetsky-Shapiro等人提出的。他们认为：数据挖掘是从大型数据库中提取人们感兴趣的知识，这些知识是隐含的、事先不知的，潜在有用的信息。数据挖掘涉及到机器学习、模式识别、统计学、智能数据库、知识获取、数据可视化、高性能计算、专家系统等各个领域。它不仅面向特定数据库的简单检索查询调用，而且要对这些数据进行微观、中观乃至宏观的统计、分析、综合和推理，以指导实际问题的求解，企图发现事件间的相互关联，甚至利用已有的数据对未来的活动进行预测。这样一来，就把人们对数据的应用从低层次的末端查询操作，提高到为各级经营决策者提供决策支持。2．OLAP联机分析处理（OLAP）的概念最早是由关系数据库之父EFCodd于1993年提出的，它是基于大型数据库或数据仓库的信息分析过程，是大型数据库或数据仓库的用户接口部分，其目的是满足决策支持或多维环境特定的查询和报表要求。简单地讲，OLAP就是共享多维信息的快速分析。它是跨部门、面向主题的，其基本特点是快速性、可分析性、多维性、信息性和共享性。也就是说，OLAP能快速响应用户的要求，能处理与应用有关的任何逻辑分析和统计分析，能提供多维数据分析的多维视图，能及时获得信息和管理大容量的信息，以及能在大量用户群中共享潜在的数据。其中“多维性”是其核心灵魂。3．数据挖掘与OLAP数据挖掘和OLAP都是基于大型数据库或数据仓库的数据分析技术，有着一定的联系和区别。数据挖掘和OLAP最本质的区别在于，数据挖掘是一种挖掘性的分析工具，它主要是利用各种分析方法主动地去挖掘大量数据中蕴涵的规律，产生一些假设，帮助人们在这些假设的基础上更有效地进行决策；而OLAP则是一种求证性的分析工具，一般由用户预先设定一些假设，然后使用OLAP去验证这些假设，提供可以使用户很方便地进行数据分析的手段。但就工具而言，数据挖掘和OLAP这两种分析工具本身又是相辅相成的，且界限正在逐渐模糊。OLAP的分析结果可以补充到系统知识库中，给数据挖掘提供分析信息并作为数据挖掘的依据；数据挖掘发现的知识可以指导OLAP的分析处理，拓展OLAP分析的深度，以便发现OLAP所不能发现的更为复杂、细致的信息。二、财务决策中应用数据挖掘、OLAP的必要性财务决策是企业决策中最重要的组成部分之一。任何好的财务决策都需要事实和数字支持。一个财务决策的正确程度取决于所使用的事实和数字的正确程度。随着竞争的增加，财务决策的时效性也变得越来越重要了。因此，在财务决策领域应用数据挖掘、OLAP是企业现实的需要。1．有利于提高财务信息的利用能力。解决企业财务决策问题需要询问为中心的数据图解，其以序列导向和多维为特征。而传统的财务数据查询是一种事务处理（OLTP），它是面向应用，支持日常操作的，对查询得到的数据信息缺乏分析能力，决策者不能够在大量历史数据的支持下对某一主题的相关数据进行多角度的比较、分析，得出科学的分析结果。因此，财务决策问题自身的多维特性驱动了数据挖掘、OLAP在其领域的应用，以提高财务信息的利用能力。2．有利于解决财务信息的噪音问题。科学财务决策必须以尽可能真实、及时、充分的信息为依据。这些信息既包括诸如企业目标、企业现状、事物状况等企业的内部资料，又包括诸如客户、供应商等企业的关联方资料，还包括诸如市场等企业所需的外部资料。由于网络技术的发展，企业可以通过Intranet、Extranet、Internet方便获取各种企业内部、关联方及外部资料。因此，现今的问题已不是信息缺乏，而是信息过量，难以消化，且信息真假难辨，可靠性难以保证。所以，对企业来说，这时就需要高效的数据分析工具——数据挖掘、OLAP在浩瀚的信息流中分辨、析取、整理、挖掘对财务决策有用的信息，减少信息噪音的影响。3．有利于满足财务信息智能化的需求。由于决策本身的动态性、复杂性，决策者本身素质层次的多样性，不同的情况应有不同的处理方式。传统的数据析取是依靠程序人员在系统开发过程中设计的专用程序来实现，非常机械化。随着数据量的增大，查询的复杂化，这种方式越来越不可取。决策者希望信息的析取过程能够智能化，如不仅能对自己想到的信息进行访问，还能对自己想不到却需要的信息进行访问，对同样数据进行多次访问时，不必须做重复操作；不同决策者作相似访问时，也不必进行重复操作等。数据挖掘能够利用现有的数据来获取新的有用信息，支持查询、存储的优化，使信息的析取具有较强的自我学习功能，满足财务信息智能化的需求。三、财务决策中数据挖掘、 OLAP的应用流程基于数据挖掘、OLAP的财务决策支持系统模型数据挖掘、OLAP是在大型数据库或数据仓库基础上进行深入的数据分析，从而获取海量数据中隐藏的关键信息的主要手段。因此，为了进一步提高财务决策的支持能力，可以将它们结合起来构成一种新型的财务决策支持框架，如图1所示。这个模型中，在数据仓库为财务决策提供完整、及时、准确和明了的综合数据的基础上，OLAP 图1 基于数据挖掘、OLAP的财务决策支持系统通过进行有效集中分析和深入研究，可以发现趋势，看到异常，并得到重要细节，而数据挖掘则可通过使用一系列方法进行分析，从中识别和抽取隐含、潜在的有用知识，并充分利用这些知识辅助财务决策。2．财务决策中数据挖掘流程财务决策中的数据挖掘流程一般由财务决策问题识别、数据准备、数据开采和结果表达和解释四个主要阶段构成，如图2所示。图2 数据挖掘流程（1）财务决策问题识别。典型的财务决策有投资决策、筹资决策、成本决策、销售决策等。在进行数据挖掘前，必须先对具体财务决策问题进行识别，即要确定进行什么决策、达到什么样的决策目标等。然后再将财务决策目标转换成数据挖掘目标，并进行定义。（2）数据准备。这个阶段又可分成3个子步骤，即数据集成、数据选择和数据预处理。数据集成是将多文件或多数据库运行环境中的数据进行合并处理，解决语义模糊性、处理数据中的遗漏和清洗脏数据等。数据选择的目的是辨别出需要分析的数据集合，缩小处理范围，提高数据挖掘的质量。而预处理则是为了克服目前数据挖掘工具的局限性。（3）数据采掘。这一阶段主要进行实际的数据挖掘工作，主要包括决定如何产生假设、选择合适的工具、发掘知识的操作和证实发现的知识等步骤。（4）结果表达和解释。根据用户的财务决策目的对提取的信息进行分析，把最有价值的信息区分出来，并提交给用户。如果结果不能让决策者满意，则重复进行上述过程。3．财务决策支持中OLAP流程财务决策中的OLAP流程一般由财务决策信息确认、维度分析、信息集成、数据切片和数据掘进五个主要阶段构成，如图3所示。图3 OLAP流程（1）财务决策信息确认。在进行OLAP之前，必须先确认要查询、分析的目标数据及其属性，即事实和维。然后用事实表来存储与之相关联的维信息和事实信息。（2）维度分析。对每个目标属性做进一步的分析，如维的层次、成员类别等，并将这些信息用维表保存下来。维表与事实表通过关键字相关联。（3）信息集成。当维数增加和事实表增大时，采用一定的综合、汇总等方法将信息进行集成，并用综合表存储。在综合表中，数据由多维构成，每个维又划分为多个汇总层次，所有元素及其层次关系构成树型结构。各维的层次划分，基本确定了每一维垂直的汇总路径。（4）数据切片。在综合表中，将某一路径与不同方向的其他若干路径作任意组合，就可实现面与块的切割，获取任意组合信息。（6）数据掘进。在数据切片中，沿其中任一条路径进行自上而下的分析，就可获取相应的详细信息。参考文献[1]马丽娜、刘弘、张希林 数据挖掘、 OLAP在决策支持系统中的应用[J] 计算机应用研究，2001，（11）：10-[2]胡彦 基于数据仓库的决策支持工具的比较研究[J] 计算机应用，2000，20（6）：20-[3]喻钢、周定康 联机分析处理（OLAP）技术的研究[J] 计算机应用，2001，21（11）：80-[4]於丹 数据挖掘走向Internet——孟小峰先生谈面向Internet的数据挖掘技术[J] 微电脑世界，2000，14（3）：36-[5]胡侃、夏绍玮 基于大型数据仓库的数据采掘：研究综述[J] 软件学报，1998，9（1）：53-[6]范小军、王方华 数据挖掘在营销领域中的应用[J] 外国经济与管理，2001，23（12）：38-[7]刘明杰、张晓京、刘洪杰、王秀峰、王治宝 数据仓库在证券交易中的研究与应用[J]计算机工程，2000，26（2）：47-49、[8]李竹平、吴相林 基于数据仓库的企业管理型会计信息系统研究[J] 华中理工大学学报，28（
论文摘要主要分这几部分1、提出问题2、分析问题3、解决问题4、结果对于不同的期刊摘要字数有限制，参阅你要投稿的期刊仔细写，摘要要简洁明了，论点突出，祝你的论文能早日录用
数据挖掘包括理论和实践两方面。自己学习是没有办法达到企业招聘要求，因为很多知识点需要实践，如果报名个培训机构就不会存在这种问题，知名的培训机构都有实践课程，推荐选择【达内教育】。数据挖掘的就业前景非常广泛，最重要的作用，是可以帮助企业了解用户。这方面最有代表性的就是电商。通过【大数据】可以分析用户的行为，精准定位目标客群的消费特点、品牌偏好、地域分布等，从而进行针对性地推广营销。随着互联网时代的发展，大数据在金融，医疗，交通，电商等多个领域都有应用，近年来人工智能，物联网迅速发展，如电子医疗，智能手环，智能家居等，物联网背景下人们的行为数据会以指数的形式进行增长。所以目前是大数据人才稀缺的状态，因此大数据的就业领域是很宽广，但是对人才的要求都比较高。感兴趣的话点击此处，免费学习一下想了解更多有关数据挖掘的相关信息，推荐咨询【达内教育】。该机构已从事19年IT技术培训，并且独创TTS0教学系统，1v1督学，跟踪式学习，有疑问随时沟通。该机构26大课程体系紧跟企业需求，企业级项目，课程穿插大厂真实项目讲解，对标企业人才标准，制定专业学习计划，囊括主流热点技术，助力学员更好的学习。达内IT培训机构,试听名额限时抢购。
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。
1．记叙文一般都具备六要素，但有的记叙文，如果其中某些要素是读者熟知的，或者某些要素不交代不影响表达效果，是可以省略的。2．记叙的人称有第一人称和第三人称。以“我”的口吻或角度来叙述的是第一人称，如《小桔灯》《孔乙己》等。采用第一人称来写，便于直抒胸臆，读起来有一种亲切感和真实感。以第三人称的角度来叙述文章中的人物、事件、场景等，如《皇帝的新装》。其优点在于不受空间和时间的限制，能从更多的方面自由地叙述。
论文总结写法是同时也提高查阅文献资料、设计手册、设计规范以及电脑制图等其他专业能力水平，而且通过对整体的掌控，对局部的取舍，以及对细节的斟酌处理，都使能力得到了锻炼，经验得到了丰富，并且意志品质力，抗压能力及耐力也都得到了不同程度的提升。这也正是毕业设计的目的所在，虽然毕业设计内容繁多，过程繁琐但收获却更加丰富，各种系统的适用条件，各种设备的选用标准，各种管道的安装方式，随着设计的不断深入而不断熟悉并学会应用的，从经济的角度对设计有了新的认识。论文的特点论文是一个汉语词语，拼音是lùnwén，古典文学常见论文一词，谓交谈辞章或交流思想，当代，论文常用来指进行各个学术领域的研究和描述学术研究成果的文章，简称之为论文，它既是探讨问题进行学术研究的一种手段，又是描述学术研究成果进行学术交流的一种工具，它包括学年论文、毕业论文、学位论文、科技论文、成果论文等。随着计算机技术和因特网的迅猛发展，网上查询、检索和下载专业数据已成为当前科技信息情报检索的重要手段，对于网上各类全文数据库或文摘数据库，论文摘要的索引是读者检索文献的重要工具，为科技情报文献检索数据库的建设和维护提供方便，摘要是对论文综合的介绍，使人了解论文阐述的主要内容。论文发表后，文摘杂志或各种数据库对摘要可以不作修改或稍作修改而直接利用，让读者尽快了解论文的主要内容，以补充题名的不足，从而避免他人编写摘要可能产生的误解、欠缺甚至错误，所以论文摘要的质量高低，直接影响着论文的被检索率和被引频次。
我给你发个摘要吧随着4G时代的到来，电信市场的竞争越来越激烈，客户资源成为电信企业竞争的焦点。而客户消费行为规律是客户知识的重要组成部分，因此基于消费行为认知的客户细分就成为电信企业客户关系管理的重头戏。利用数据挖掘算法针对某一具体的客户消费数据集进行分析，挖掘出有趣的信息，并根据这些有趣的结论进一步调整企业的营销策略。本文针对当前电信企业在4G客户细分方面的不足，结合电信企业客户的特征通过关联分析来实现对电信企业现有客户的细分，帮助电信企业实现电信客户的合理分类，从而对电信企业的营销策略提出指导性意见。通过对某一运营商的4G客户数据库进行分析，采用Apriori算法发现客户消费行为和消费特点之间有趣的关联规则，并根据这些信息进一步分析，为营销决策者提供一种新的思考问题的视角。本文的研究思路是对样本数据进行预处理后，将样本数据划分为换4G卡、换4G套餐、换4G终端三大客户群体，再分别计算出月均arpu值、月均mou值、月均dou值，最后利用Clementine软件对三大客户群体的这三个值进行基于MDLP原则的熵分组，得到细分的特征客户群。然后对这些客户群再做进一步的研究，利用Apriori算法产生频繁项集，依据频繁项集产生简单关联规则，挖掘出客户消费行为和细分变量品牌、arpu值、mou值和dou值之间的关联关系，总结出相应的规律，帮助电信企业找到特定消费群体的消费习惯，以此为基础，对所识别出来的消费群体进行有针对性的营销。
数据挖掘是从大量数据中提取人们感兴趣知识的高级处理过程， 这些知识是隐含的、 事先未知的， 并且是可信的、 新颖的、 潜在有用的、 能被人们理解的模式。随着信息化的普及和数据库的广泛应用，很多大型企业事业单位积累了数百亿字节的数据， 分析利用如此海量的数据，是数据挖掘技术的用武之地。数据挖掘在争取与保留客户、 交叉销售、 趋势分析与市场预测、 欺诈检测与风险防范等方面的成功应用令人鼓舞。
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。
数据挖掘得概念，关键技术及应用 数据挖掘的分类方法、概念、关键技术、图形图像得应用数据挖掘的关联规则、概念、算法（以两种算法规则为例）归纳算法过程