一、數(shù)據(jù)挖掘的內(nèi)在局限性
對(duì)數(shù)據(jù)挖掘技術(shù)期望過高，是數(shù)據(jù)挖掘應(yīng)用過程中經(jīng)常出現(xiàn)的一個(gè)問題。企業(yè)管理人員或者業(yè)務(wù)人員抱著美好的愿望，希望數(shù)據(jù)挖掘像“魔杖”一樣解決面臨的棘手問題，但是如果要求的結(jié)果與已有的數(shù)據(jù)沒有關(guān)聯(lián)（或者相關(guān)性太�。瑪�(shù)據(jù)挖掘是無能為力的。一個(gè)典型的情況是，企業(yè)可能會(huì)要求挖掘出客戶流失的原因。
二、把數(shù)據(jù)挖掘當(dāng)作一個(gè)IT項(xiàng)目來做
IT專業(yè)出身的管理者，容易把數(shù)據(jù)挖掘理解成一種管理工具，因此傾向于把數(shù)據(jù)挖掘建成類似一種MIS的東西，希望有一個(gè)界面，登錄進(jìn)去后，點(diǎn)幾個(gè)按鈕，神奇的預(yù)測(cè)結(jié)果就展現(xiàn)出來。這種僵硬的做法有可能窒息數(shù)據(jù)挖掘的強(qiáng)大威力。有些企業(yè)把客戶細(xì)分模型固化下來，使其對(duì)每個(gè)月的全體客戶用同一模型評(píng)分，這樣做的目的僅僅是為了保證市場(chǎng)部既定的營(yíng)銷策略能夠持續(xù)地實(shí)施下去。這些企業(yè)顯然沒有想到應(yīng)該根據(jù)市場(chǎng)的變化及時(shí)靈活地改變營(yíng)銷策略，或者目前還做不到這樣，或者是不太愿意求變，否則他們一定會(huì)要求數(shù)據(jù)挖掘工程師每月生產(chǎn)出數(shù)十、上百種客戶細(xì)分結(jié)果，然后像鯊魚嗜血一般地從中尋找商機(jī)的。企業(yè)本身嚴(yán)重缺乏專門的數(shù)據(jù)分析人員，為了省事而要求把數(shù)據(jù)挖掘做成管理系統(tǒng)一樣的東西，也是其中的原因之一。
三、技術(shù)采用的偏頗
對(duì)數(shù)據(jù)挖掘算法技術(shù)理解的不全面，也可能導(dǎo)致企業(yè)只愿意選擇那些結(jié)果外觀容易理解的技術(shù)，使得數(shù)據(jù)挖掘的功能得不到充分發(fā)揮。
四、對(duì)數(shù)據(jù)挖掘結(jié)果的懷疑
一些企業(yè)管理人員，包括一些計(jì)算機(jī)專業(yè)人士，還表現(xiàn)出對(duì)于數(shù)據(jù)挖掘結(jié)果的應(yīng)用缺乏信心。這顯然是因?yàn)樗麄儧]有注意到數(shù)據(jù)挖掘模型在應(yīng)用之前有一個(gè)檢驗(yàn)的工序，模型將在歷史數(shù)據(jù)基礎(chǔ)上進(jìn)行多次精度檢驗(yàn)，當(dāng)然也可以對(duì)最新的業(yè)務(wù)數(shù)據(jù)進(jìn)行預(yù)測(cè)并且稍后檢驗(yàn)預(yù)測(cè)的正確性。模型經(jīng)過這樣的檢驗(yàn)后，應(yīng)該能夠打消應(yīng)用前的擔(dān)心。還有另一個(gè)極端，即對(duì)數(shù)據(jù)挖掘模型的預(yù)測(cè)能力期望過高，甚至預(yù)先指定應(yīng)該達(dá)到某一指標(biāo)，就像強(qiáng)令醫(yī)生必須把手術(shù)室里的病人治好一樣，殊不知挖掘模型的精度受多種因素影響，精度提高都是有一定限度的，勉力為之無異于搞“大躍進(jìn)”。如果從投資回報(bào)（ROI）角度來看問題，則能夠比較合理地測(cè)算一項(xiàng)數(shù)據(jù)挖掘工作的實(shí)施是否合算，而不需要把目光局限于模型的某一絕對(duì)精度上。
五、數(shù)據(jù)挖掘工具的局限
大家都知道，數(shù)據(jù)挖掘的60-80%工作量花在數(shù)據(jù)準(zhǔn)備階段。其實(shí)在建模過程也是需要大量的手工勞動(dòng)的。目前的數(shù)據(jù)挖掘軟件工具中，各算法采用默認(rèn)的參數(shù)設(shè)置并不總是最合理的，不能得到最佳的預(yù)測(cè)模型的，因此對(duì)于每個(gè)業(yè)務(wù)新問題，都要重新探索數(shù)據(jù)的相關(guān)性，進(jìn)行算法參數(shù)的重新調(diào)整和配置，以得到優(yōu)化的模型。這也正是當(dāng)前數(shù)據(jù)挖掘工程師的價(jià)值所在，他們能夠根據(jù)原理和以往經(jīng)驗(yàn)做出決定，迅速判斷應(yīng)該如何對(duì)模型調(diào)優(yōu)。但是，由于現(xiàn)實(shí)問題太復(fù)雜，已有的原理并不能始終指導(dǎo)模型的調(diào)優(yōu)方向，更多的時(shí)候還是依賴大量的數(shù)據(jù)試驗(yàn)摸索前進(jìn)，因此建模的過程也是漫長(zhǎng)痛苦的�，F(xiàn)有的很多數(shù)據(jù)挖掘工具并不支持復(fù)雜調(diào)優(yōu)過程的自動(dòng)化。
未來展望：
性能：在過去10多年里，計(jì)算機(jī)硬件性能的巨幅提升和數(shù)據(jù)庫(kù)技術(shù)的飛速發(fā)展，使得企業(yè)級(jí)大數(shù)據(jù)量的計(jì)算成為現(xiàn)實(shí)，未來若干年里可能仍然如此，但是數(shù)據(jù)挖掘涉及的數(shù)據(jù)量會(huì)更大。 工具：挖掘工具將越來越強(qiáng)大，匯合的算法越來越多，預(yù)測(cè)類算法將吸納頗具新意的算法（支持向量機(jī)、粗糙集、云模型、遺傳算法等），并將實(shí)現(xiàn)算法的自動(dòng)選擇和參數(shù)自動(dòng)調(diào)優(yōu)。遺傳編程（GP）、歸納邏輯編程（ILP）類算法的巨大潛力將得到充分發(fā)揮。
|
