数据挖掘强势股票

⑴ 目前哪些股票适合做短线

目前选择业绩优良、低价、涨幅不大、每日波动幅度较大的个股适宜做短线。短线低吸高抛，下轨买入，上轨卖出，即使被套，也有解套机会。目前银行、地产版块不错，新股及次新股是2011年不错的版块。
短线推荐个股：宁波银行、s上石化、宁波海运。
以上为本人实践个股，
赚钱了别忘采纳为最佳答案哦！

⑵ 炒股有什么技巧怎样买涨停股票技巧

办理好股票账户后，使用技术分析，找到主力（大单）流入流出的成交量上留下的痕迹，来判断主力进行到哪一步了，之后根据具体的技术建模或分析，进行选股，并根据主力流入流出的累计值和时间点，买卖股票。

前两天刚看到“财经重数据”微博(网页链接)、微信公众号(网页链接)，准确预测到医药板块多个涨停，根据计算分析到医药板块主力资金连续多日流入。推荐给大家可以看看。“财经重数据”是一支高学历创建的公众号，这个团队是一支以数据挖掘和数据分析算法来进行量化分析的专业团队。每天推出信息，同时又专门的算法网页提供给大家使用。

需要提醒大家的是，技术分析是大概率正确，也就是大方向是正确的，但无法实现100%正确，因此需要组合投资，因此需要使用止盈止损的策略来应对小概率事件，从而实现盈利。

至于那些炒股书籍基本上没什么卵用，如果想学习一些基本知识，倒是可以看看，但别看什么炒股大神说股票等这类没水平的内容。我建议可以看看经济学的基本知识，以及二级市场的整体框架性的介绍，其他都无用。

本回答由提问者推荐

举报|评论

xjunerr

采纳率：33%擅长：暂未定制

其他回答

学会正确的技术分析筹码分析知识，不要走弯路最快
比如那些事后看图说故事的技术分析知识，就完全不能用不能学，比如股票涨了，涨得时候什么指标金叉就说因为指标金叉所以涨，但这里的原理，拿kd指标来说，他是根据9天周期的最高价，最低价和最后一个收盘价的比例关系计算出rsv，再用移动平均线的方法得出k.d值，也就是说，是先有价格变化，才有kd指标的图形变化。靠技术指标分析股票顺序完全不对，事后看图说，怎么都对，用来事前判断，错误率很高。
技术分析的核心，是通过主力进出股票在k线成交量上留下的痕迹，来判断主力进行到哪一步，之后大概率如何，这才是技术分析。

技术分析能做到大概率正确，但不可能100%正确，那么就需要用纪律，也就是科学的止盈止损策略来应对小概率的错误，从而避免大赔的可能。
至于书籍，基本没有，大部分技术分析的教材都是诞生于几百年到几十年前那个没有成交量，没有期货期权等金融衍生品的年代，不经过调整不能在现代股市使用，然而翻译这些书的人基本都不懂股票，所以压根不会调整，看书学习你会走弯路

⑶ 国泰君安的成交还原多笔什么意思

您好，针对您的问题，国泰君安上海分公司给予如下解答
显示多次说明您的一笔买单（卖单）与多笔卖单（买单）进行了成交，这多笔成交的总股数之和等于您挂单的股数。如仍有疑问，欢迎向国泰君安证券上海分公司官网或企业知道平台提问。

⑷ 鐢ㄤ粈涔堣偂绁ㄨ蒋浠剁湅鐩樻渶濂

骞垮彂鏄撴窐閲戯纴鏄骞垮彂璇佸埜涓扑负骞垮ぇ镶℃皯镓挞犵殑涓娆鹃泦镶＄エ寮鎴枫佽偂绁ㄤ氦鏄撱佽偂甯傝屾儏銆佸熀閲戠悊璐涓轰竴浣撶殑镶＄エ/璇佸埜/镣掕偂/鐞呜储/鎶曡祫/璐㈢粡/閲戣瀺杞浠躲备粠鐩鐩桦埌阃夎偂鍒扮洏涓鍐崇瓥鍒扮洏钖庡垎鏋,鏅烘収娣橀噾绯诲垪鎶曡祫绁炲櫒涓烘偍镄勬姇璧勪缭椹炬姢鑸銆备笓涓氭寔鐗岄【闂724灏忔椂鍦ㄧ嚎鎸囧硷纴钬灭掆濋熷搷搴旀偍镄勬姇璧勭枒闂銆

镣掕偂涔颁粈涔埚垎鏋愯蒋浠惰缉濂斤纻

钖岃姳椤洪噷镄勭煭绾垮疂锛屾槸姣旇缉闱犺氨镄勶纴瀵瑰仛瓒呯骇鐭绾胯缮鏄链変竴瀹氱殑鍙傝冧綔鐢ㄧ殑銆

鍦ㄧ煭绾垮疂镄勯栭〉锛屾疮澶╅兘链夎蒋浠惰嚜锷ㄨ窡韪缃楀垪鍑烘潵绗﹀悎鐭绾垮啿鍑绘定锅灭殑涓镶★纴鍙浠ユ彁渚涜偂绁ㄧ殑浜ゆ槗鏁版嵁锛屽苟棰勬祴镶＄エ璧板娍銆傚彲浠ュ弬钥冭蒋浠剁粰鍑虹殑鍐插嚮娑ㄦ澘镄勫嚑鐜囩粨钖埚ぇ鐩樿蛋锷匡纸1鑸澶х洏镞K绾垮湪5澶╁拰10澶╃嚎涓婏纴涓镶℃定骞呭湪5%涔嫔唴涔板叆镞舵満鏄链濂界殑锛夎繘琛岄夋嫨涔板叆锛屼絾瑕佽嚜宸辨帉鎻″崠鍑虹殑鑺傚忋

钖岃姳椤虹煭绾垮疂镄勬牳蹇冨姛鑳芥槸浠4澶х粡鍏哥煭绾挎姄娑ㄥ仠阃夎偂妯″瀷鍙婂吀鍨嫔簳閮ㄥ弽杞琄褰㈡佷负锘虹锛岄噰鐢ㄩ噺鍖栧垎鏋愪笌澶ф暟鎹鍒嗘瀽鐩哥粨钖堢殑鏂规硶锛屾寲鎺树釜镶″湪镞ョ嚎/60鍒嗛挓/30鍒嗛挓鐢氲呖15鍒嗛挓绛夊皬锻ㄦ湡镄勮偂绁ㄥ舰镐侊纴绮惧绩镰斿彂鍑虹敤浜庡己锷胯拷娑ㄥ拰寮卞娍鎶勫簳镄勬暟鍗佺嶆瀬阃熺瓥鐣ャ傚悓镞堕噰鐢ㄤ汉宸ユ櫤鑳界爷鍒よ屾儏骞舵帹钻愰珮鎴愬姛鐜囩瓥鐣ワ纴涓烘姇璧勮呭湪涓嶅悓琛屾儏涓嬫洿蹇銆佹洿鍑嗙‘鍦版崟鎹夊埌链夌煭绾挎綔锷涚殑镶＄エ銆

浣嗘槸镣掕偂链夐庨橹锛屽叆甯傞渶璋ㄦ厧锛屼互涓婄瓟妗堜粎渚涘弬钥冦

镣掕偂镄勬妧宸

1銆佲滀拱阒翠笉涔伴槼锛屽崠阒充笉鍗栭槾锛岄嗗竞钥屽姩钬濄傚氨鏄璁查嗗竞钥屽姩镄勯亾鐞嗭纴涔版椂锛岄夊垯K绾挎敹阒寸嚎镞朵拱锛屽崠镞讹纴阃夊垯K绾挎敹阒崇嚎镞跺崠銆

2銆佲滈珮浣庣洏鏁达纴妯鐩树笉浜ゆ槗钬濄备富瑕佺殑镒忔濇槸璇达纴涓鍙镶＄エ鎸佺画涓婃定鎴栬呬笅璺屼简涓娈垫椂闂村悗姝ゆ椂涓嶅繀鍦ㄩ珮浣嶅崠鍑猴纴涔熶笉蹇呭湪浣庝綅涔拌繘锛屽洜涓虹洏鏁翠箣钖庡氨浼氩彉鐩樸

3銆佲沧ｈ偂链娑ㄦ潈鍏堣屸濄傛ｈ偂锲炶皟𨱒冨悗锛岃存槑浜嗘潈璇佸拰姝ｈ偂镄勮仈锷ㄥ叧绯汇傚嵆姝ｈ偂钖绋冲悗锛岃缮链涓婃定涔嬫椂锛屾潈璇佸氨宸茬粡鎻愬墠涓婅屼简锛屽师锲犳槸链夊厛鐭ュ厛瑙夌殑浜哄凡鎻愬墠涓嬫坠浜嗐

璋佺煡阆揿摢涓镶＄エ棰勬祴杞浠舵瘆杈冧笉阌欙纻

鍏充簬镶＄エ杞浠跺摢涓链濂界敤锛屽叧阌瑕佺湅涓浜哄硅偂甯傜殑鏁翠綋璁よ瘑镄勭▼搴︼纴镓澶勭殑阒舵佃岃恒傚傛灉浠呬粎鏄鐪嬬洏镄勮瘽钖岃姳椤猴纴涓沧柟璐㈠瘜锛岄氲揪淇￠兘鍙浠ワ纴杩欎簺杞浠跺熀链閮借兘澶熸弧瓒崇湅鐩樼殑闇瑕佸硅偂甯傛湁浜嗕竴瀹氱殑镰旂┒涔嫔悗锛岄偅涔埚氨涓婂崌鍒颁简缂栧啓阃夎偂鍏寮忥纴鎶链闱㈠垎鏋愶纴鎶链鎸囨爣棰勮︼纴鎴栨敛绛栭溃镄勯渶瑕侊纴杩欓噷鍙堥渶瑕侀吨鏂拌よ瘑浜嗭纴涓瀹氲佽寸倰镶¤蒋浠跺摢涓濂界敤镄勮瘽锛屼笉鑳戒竴姒傝岃哄惂锛屼笉钖岀殑阒舵典釜浜鸿や负渚挎嵎镐т篃涓嶅悓锛屼竴鑸镄勮亴涓氲偂姘戦氩父閮芥槸2涓杞浠舵惌閰崭娇鐢锛屼竴涓鐪嬬洏镄勶纴涓涓鐢ㄦ潵鎶链鍒嗘瀽棰勮︾殑銆

缃戜笂镣掕偂涓鑸閮界敤浠涔堣蒋浠讹纻鐜板湪镣掕偂镄勪汉瓒婃潵瓒婂氾纴涓轰简璁╀汉浠镟存柟渚跨殑镣掕偂锛屾坠链虹増镣掕偂杞浠跺眰鍑轰笉绌凤纴镩銮犱笉榻愶纴鍒濆︾倰镶＄殑涓嶆哕浠涔堣蒋浠跺彲浠ュ府锷╁垎鏋愶纴灏忕紪鍙涓哄ぇ瀹惰В鍐充笉镍备娇鐢ㄤ粈涔堣蒋浠剁殑闂棰樸

镙规嵁鐩鍓嶅氭暟缃戞皯镄勬姇绁锛屼互涓嫔嚑娆剧倰镶¤蒋浠舵洿鍙楅潚镌愩傚ぇ閮ㄥ垎镶℃皯镣掕偂閮界敤钖岃姳椤鸿蒋浠讹纴缃戜笂镣掕偂杞浠惰缉镢楀悕镄勬湁閲戦檧铻恒佽储瀵岄亾锷ㄦ佹櫤鑳藉垎鏋愮郴缁熻仛璐㈢増銆佽储瀵岄亾锷ㄦ佹櫤鑳藉垎鏋愮郴缁熼氩瘜鐗堛佹姇璧勪缭濮嗐佸ぇ鏅烘収銆佸悓鑺遍‘绛夈

钖岃姳椤

钖岃姳椤烘槸钥佺墝镄勬坠链虹倰镶¤蒋浠朵简锛屼篃鏄鐩鍓嶆坠链虹倰镶¤蒋浠朵腑浣跨敤杈冨氱殑銆傚悓鑺遍‘镓嬫満镣掕偂杞浠舵敮鎸佸氱岖粓绔锛屽畨鍗撱両OS銆乄IN銆乮Pad绛夈傚悓鑺遍‘镓嬫満镣掕偂杞浠舵ц兘绋冲畾銆佹敮鎸佸埜鍟嗗氩苟鏀鎸佹坠链哄湪绾夸氦鏄撶殑闅忚韩鍏嶈垂镣掕偂杞浠

2

瓒嫔娍瀵嗙爜

镓嬫満镣掕偂杞浠舵槸鎴戜娇鐢ㄦ渶澶氱殑镓嬫満镣掕偂杞浠讹纴涓嶅悓浜庡叾瀹幂殑镓嬫満镣掕偂杞浠剁殑鏄锛岃秼锷垮瘑镰佹搷鐩樿蒋浠舵洿娉ㄩ吨鎻愪緵链鏂扮殑璧勮鍜岀倰镶¤嗛戯纴鍙浠ュ湪绾胯繘琛屾ā𨰾熸搷鐩樻祴璇曪纴鎻愰珮镶＄エ鎶曡祫鑳藉姏锛岃缮鍙浠ラ殢镞舵煡鐪嬭偂绁ㄨ秼锷胯蛋钖戯纴瀹炴椂銮峰彇琛屾儏鍒嗘瀽锛屽强镞舵妸鎻℃姇璧勬満浼氥

3

澶ф櫤鎱

澶ф櫤鎱ф坠链虹倰镶¤蒋浠舵彁渚涙勃娣便佹腐镶＄瓑瀹炴椂鍏嶈垂琛屾儏銆傚ぇ鏅烘収镓嬫満镣掕偂杞浠舵嫢链夐樋镐濊揪鍏嬮氲绀撅纴鎻愪緵镫瀹堕噾铻嶆姇璧勮祫璁銆傚ぇ鏅烘収镓嬫満镣掕偂杞浠舵彁渚涜嚜阃夎偂镶′环鎻愰啋銆佽嚜阃夎偂娑堟伅銆佽储缁忚侀椈鍗虫椂鎻愰啋銆

浠ヤ笂鍑犳捐蒋浠舵槸镶℃皯链锽沧㈢殑杞浠朵腑杈冨弹澶т䌷锽灭埍镄勶纴镶℃皯镣掕偂镞朵篃鍙浠ュ垎鏋愮倰镶″叕鍙哥殑镊甯︾殑琛屾儏杞浠讹纴瀵硅ュ叕鍙哥殑镶＄エ琛屾儏浜呜В绋嫔害杈冮珮銆傝偂姘戝湪阃夋嫨杞浠舵椂锛屼竴瀹氲佹牴鎹镶″竞镄勬儏鍐碉纴镙规嵁镊韬镄勭壒镣癸纴阃夋嫨瀵硅偂绁ㄨ屾儏鍙戝𪾢棰勬祴镐ф渶濂界殑杞浠躲

浠ヤ笂绛旀堟潵镊锏惧害鎼灭储锛屽笇链涜兘甯鍒颁綘銆

镶＄エ鍒嗘瀽杞浠跺摢涓濂

銆婇氲揪淇￠泦鎴愮増銆嬭蒋浠舵槸阃氲揪淇＄数瀛愮戞妧链夐檺鍏鍙稿紑鍙戠殑锘轰簬Windows骞冲彴杩愯岀殑鏂颁竴浠ｇ绣涓婅屾儏浜ゆ槗杞浠躲傝ヨ蒋浠跺箍娉涚敤浜庝腑锲借瘉鍒歌屼笟锛屾嫢链変䌷澶氩㈡埛鍖呮嫭璇佸埜鍏鍙搞佸熀閲戝叕鍙搞佸晢涓氶摱琛屼互鍙婂箍澶х殑镶℃皯链嫔弸锛屽湪璇佸埜琛屼笟链夋瀬楂樼殑澹拌獕銆伞婇氲揪淇￠泦鎴愮増銆嬭蒋浠惰瀺钖堜笖浼桦寲浜嗙洰鍓嶅浗鍐呰瘉鍒镐富娴佸垎鏋愯蒋浠剁殑涓昏佸姛鑳斤纴闆呜屾儏鍒嗘瀽銆佹妧链鍒嗘瀽銆佽储锷″垎鏋愩佽祫璁淇℃伅銆佷簰锷ㄤ氦娴併佷釜浜虹悊璐浜庝竴浣掳纴銆婇氲揪淇￠泦鎴愮増銆嬭蒋浠跺姛鑳藉己澶э纴镎崭綔绠渚匡纴鍏锋湁鍏ㄦ柟浣嶆墿灞曟э纴鏄浣犵悊𨱍崇殑琛屾儏鍒嗘瀽杞浠躲

锷熻兘鐗规

涓銆 鐗堥溃瀹氩埗锛屽𪾢鐜颁釜镐

鐗堥溃瀹氩埗鍙浠ヨ╃敤鎴锋寜镦ц嚜宸辩殑闇瑕佸皢杞浠剁殑鍒嗘瀽鐣岄溃浠绘ц剧疆鎴愬氢釜鍒嗘瀽绐楀彛锛岃╃敤鎴峰彲浠ュ湪钖屼竴涓鐗堥溃涓婃煡鐪嫔埌镟村氱殑淇℃伅銆傜敤鎴蜂篃鍙浠ュ皢瀹氩埗濂界殑鐗堥溃淇濆瓨銆佸煎嚭鎴栧煎叆锛屽拰鍏跺畠镄勭敤鎴蜂氦娴佸畾鍒剁殑鐗堥溃銆

浜屻 ETF鍒嗘瀽

ETF 鍒嗘瀽阃氲繃灏嗕笂璇50鎸囨暟涓嶦TF镄勫彔锷犲规瘆锛屾妸鎻℃姌浠枫佹孩浠峰叧绯诲彉鍖栵纴鎹曟崏镟村氩楀埄链轰细

涓夈 鏅鸿兘阃夎偂锛岀瓫阃夐粦椹

銆婇氲揪淇￠泦鎴愮増銆嬭蒋浠舵櫤鑳介夎偂鍣ㄤ负鎭ㄦ彁渚涙浔浠堕夎偂銆佸畾鍒堕夎偂銆佹櫤鑳介夎偂銆佹彃浠堕夎偂鍜岀患钖堥夎偂浜旂嶉夎偂妯″纺锛屾棤璁轰粠鎶链闱㈣缮鏄锘烘湰闱锛屾偍閮借兘蹇阃熺殑阃夊嚭镊宸卞绩浠镄勮偂绁ㄣ傛偍杩桦彲浠ュ皢涓嶅悓鍒嗘瀽锻ㄦ湡镄勫氢釜𨱒′欢缁勫悎璧锋潵杩涜岀粍钖堟浔浠堕夎偂锛屽苟灏嗛夎偂缁撴灉淇濆瓨鍒版澘鍧椾腑銆

锲涖 镊缂栧叕寮忥纴闅忓绩镓娆

鐢ㄦ埛鍙阃氲繃鍏寮忕＄悊鍣ㄨ嚜瀹氢箟鎸囨爣鍏寮忋佹浔浠堕夎偂鍏寮忋佷氦鏄撶郴缁熷叕寮忓拰浜斿僵K绾垮叕寮忥纴鎶婅嚜宸辩殑𨱍虫硶鍙樻垚鍏寮忥纴鍏呭垎鍙戞尌鎭ㄧ殑镵鏄庢墠鏅恒傞氲繃镊瀹氢箟鎸囨爣鍏寮忥纴鎭ㄥ彲浠ョ敤镊宸辩殑鎸囨爣𨱒ュ垎鏋愬巻鍙叉暟鎹锛涢氲繃镊瀹氢箟𨱒′欢阃夎偂鍏寮忥纴鎭ㄥ彲浠ラ夊嚭鎭ㄦ兂镓剧殑镶＄エ锛涢氲繃涓揿剁郴缁熷叕寮忥纴鎭ㄥ彲浠ヨ嚜宸变綔涓揿讹纴纭瀹氢拱鍗栨椂链猴绂阃氲繃镊瀹氢箟浜斿僵K绾垮叕寮忥纴鎭ㄥ彲浠ュ湪K绾垮浘涓婃悳瀵荤壒娈婄殑K绾垮舰镐併傛ゆ椂镄勬偍宸茬敱涓钖嶆櫘阃氲偂姘戞檵绾т负涓钖嶉珮绾ф姇璧勮呬简銆

浜斻 澶氭棩鍒嗘椂锲

璁╃敤鎴峰彲浠ュ湪钖屼竴鐗堥溃涓婂悓镞舵樉绀1锛10澶╃殑镶＄エ鍒嗘椂璧板娍锲撅纴缁呜嚧镄勪简瑙ｈ偂甯傜殑鍙戝𪾢鍙桦寲銆

鍏銆 铡嗗彶璧板娍锲

灏嗗厜镙囩Щ锷ㄥ埌K绾垮浘涓婄殑浠讳綍涓澶╋纴纭瀹氩悗灏卞彲浠ユ樉绀哄嚭璇ヨ偂绁ㄥ綋澶╃殑铡嗗彶鍒嗘椂璧板娍锲撅纴浠ュ强褰揿ぉ镄勮︾粏涔板崠鐩樻暟鎹

涓冦 浜ゆ槗鎸囩ず锛屼簲褰㎏绾

阃氲繃浜ゆ槗绯荤粺鎸囩ず锛屾湰绯荤粺鍙浠ュ府锷╂偍鍦↘绾垮浘涓婃爣鍑洪啋鐩镄勪拱鍏ュ崠鍑轰俊鍙凤纴鎭ㄥ彲浠ユ洿濂藉湴鍒嗘瀽镆愬彧镶＄エ镄勫巻鍙茶勫緥锛屼互棰勬祴链𨱒ャ傝嚜锷ㄨ瘑鍒钖勭嶅吀鍨嬬殑K绾跨粍钖堬紒鐗瑰畾镄凨绾挎ā寮忓线寰链夐潪甯稿嗳纭镄勬寚绀轰綔鐢锛岀郴缁熸彁渚涜稿氱嶅父鐢ㄤ簲褰㎏绾垮叕寮忥纴褰挞変腑镆愪竴妯″纺钖庯纴绯荤粺镊锷ㄥ湪K绾垮浘涓婂皢灞炰簬璇ユā寮忕殑K绾挎爣璇嗗嚭𨱒ワ纴涓鐩浜嗙劧銆傚彟澶栵纴绯荤粺杩樻敮鎸佹渶楂樻渶浣庣偣鎸囩ず銆

鍏銆 涓浜虹悊璐

鍏ㄦ柊镄勬櫤鑳藉寲鎶曡祫绠＄悊鍣锛屾彁渚涗笁绫绘姤琛锛氭眹镐绘爣銆佺悊璐㈢邯褰曡〃銆佷釜镶″巻鍙蹭氦鏄撹〃銆傚彲浠ヨ剧疆瀵嗙爜銆

链绯荤粺鐗瑰湴璁剧疆浜嗗囧缮褰曞姛鑳斤纴浠ユ柟渚胯偂姘戜滑鐢ㄨヨ颁簨链闅忔椂璁板綍涓浜涢吨瑕佹秷鎭鍜屼簨浠讹纴浠ュ强𨱔靛厜绐佺幇镄勭倰镶℃劅鎭熷拰蹇冨缑銆

鎶曡祫鐩堜簭璁＄畻锛屽湪杩涜屼拱鍗栬偂绁ㄤ箣鍓嶏纴鍙鏂逛究蹇鎹疯＄畻鍑鸿嚜宸辩殑鐩堜簭浠蜂綅銆佹坠缁璐广佽祫閲戦濄

涔濄 鐞呜储閲戠畻鐩

鍦ㄨ繘琛屼拱鍗栬偂绁ㄤ箣鍓嶏纴鍙鏂逛究蹇鎹疯＄畻鍑鸿嚜宸辩殑鐩堜簭浠蜂綅銆佹坠缁璐广佽祫閲戦濄傛柊镄勭悊璐㈤噾绠楃洏杩桦炲姞浜嗗偍钃勫瓨娆捐＄畻銆佷釜浜鸿捶娆捐＄畻銆佸浗鍊烘敹鐩婅＄畻銆佸栧竵鍏戞崲璁＄畻銆佹墍寰楃◣璁＄畻鍜岃＄畻鍣ㄥ姛鑳姐

鍗併 瀹炴椂棰勮

绯荤粺棰勮

瀹炴椂棰勮︽牴鎹鎶曡祫钥呰惧畾镄勬浔浠剁洃鎺ф暣涓镶＄エ甯傚満镄勫姩钖戯纴甯锷╂姇璧勮呭彂鐜板彲鑳藉拷鐣ユ垨钥呬笉鑳芥敞镒忓埌镄勯庡惞钻夊姩锛佹姇璧勮呭彲浠ヨ嚜宸卞畾涔夋定璺屽箙搴︺侀噺姣斻佺粷瀵逛环浣嶃佹垚浜ら噺寮傚姩銆佹寚镙囩獊镰翠环浣嶃佸皝锅滃拰镓揿紑锅沧澘绛変竴绯诲垪镄勯勮︽浔浠讹纴绯荤粺灏嗗湪𨱒′欢婊¤冻镞舵彁阅掓姇璧勮呮湁寮傚姩镄勮偂绁ㄥ强鍏跺纾锷ㄧ殑鐗瑰緛锛屾姇璧勮呭彲浠ュ湪鍒嗘瀽镄勫悓镞舵妸鎻′綇甯傚満寮傚父鍙桦寲镄勭灛闂达纴鎶扑綇姣忎竴涓涔板崠镄勬椂链恒傛姇璧勮呭彧闇瑕佽惧畾棰勮︽浔浠讹纴绯荤粺灏卞彲浠ヤ负鎶曡祫钥呭仛瀹屾墍闇镄勭洃鎺у伐浣溿

鎸囧畾棰勮

鐢ㄦ埛鍙阃夋嫨涓浜涜嚜宸辨劅鍏磋叮镄勮偂绁ㄨ繘琛屾寚瀹氶勮︼纴鍙浠ヨ惧畾浠蜂綅绐佺牬镄勪笂涓嬮檺鍊笺傚傛灉杩欎簺镶＄エ镄勮屾儏鍙桦姩寮傚父锛屽垯寮瑰嚭瀵硅瘽妗呜繘琛岄勮︺

鍗佷竴銆 璧勮淇℃伅锛屽唴瀹逛赴瀵

璧勮淇℃伅涓闄や简鍙浠ユ樉绀烘枃瀛椾俊鎭澶栵纴杩桦彲浠ユ樉绀哄拰FLASH锷ㄧ敾銆傚彲钖屾椂鎺ュ叆璇佸埜鍏鍙哥殑缃戠珯銆佸悇绫昏储缁忕绣绔欙纴骞跺彲瀹炵幇涓镶＄浉鍏冲悓姝ワ纴濡傚湪鏄剧ず涓镶¤屾儏镞讹纴钖屾椂鏄剧ず涓庤ヤ釜镶＄浉鍏崇殑璐㈢粡鏂伴椈銆 鍙鎺ュ叆澶氩惰祫璁鍜屽彲鎺ュ叆澶氩禙10璧勬枡銆

鍗佷簩銆 锷ㄦ佹挱鎶ヨ祫璁

杞浠跺湪鐩树腑锷ㄦ佸彂甯冧笉钖屽垎鏋愬笀瀵规渶鏂版勃娣辫偂甯傜殑镶¤瘎璁鎭銆备竴镞︽湁瑙ｇ洏镄勪俊鎭鍙戝竷锛屽湪灞忓箷镄勫彸涓嬭掔郴缁熶细镊锷ㄨ烦鍑轰竴涓鎻愮ず妗嗭纴锻婅瘔鎭ㄧ幇甯傚満镄勫彉鍖栧拰鐑镣广

鍗佷笁銆 鐑闂ㄦ澘鍧楁姤琛

涓昏佷互甯傚満涓婃垚浜ゆ椿璺幂▼搴︿綔涓烘姤琛ㄥ垎鏋愬硅薄锛屼互鍖洪棿鎹㈡坠涓轰富瑕佹坠娈碉纴瀵规澘鍧楁定璺屽箙杩涜屽姩镐佹帓搴忥纴骞惰炬湁钬沧澘鍧楅嗘定镶♀沧爮鐩锛岀偣鍑烩沧定璺屽箙鎺掑簭钬滀究浜庡强镞跺彂鐜扮儹闂ㄦ澘鍧椼侀嗘定镄勯緳澶磋偂锛岀偣鍑烩沧澘鍧椻濆悕绉帮纴杩涘叆𨱒垮潡鍐呯殑涓镶℃帓搴忔姤浠疯〃锛屽彲瀵规澘鍧楀唴镄勪釜镶¤繘琛屽氱嶆帓搴忔搷浣溿傚湪鎹曟崏涓镶¤屾儏琛屾儏鏂归溃链夌嫭鍒扮殑锷熸晥锛屼篃鏄𨱒垮潡镵斿姩鎴樻硶镄勫繀澶囧伐鍏枫

鍗佸洓銆 铡嗗彶琛屾儏鎶ヨ〃

镆ョ湅铡嗗彶琛屾儏锛屾湁锷╀簬鎶曡祫钥呭垎鏋愬拰瑙傚疗镆愪簺镶＄エ鍦ㄨ繃铡讳竴娈垫椂链熺殑琛屾儏缁熻℃垨镆愪竴镞ョ殑琛屾儏锛屼互渚垮逛互钖庣殑镎崭綔锅氩嚭涓涓姝ｇ‘镄勫垽鏂銆

鍗佷簲銆 寮哄急鍒嗘瀽鎶ヨ〃

寮哄急姣旇缉琛ㄧず镶＄エ鍦ㄤ笉钖屽懆链熷唴镄勫己寮辩▼搴︿负鍒嗘瀽瀵硅薄锛屽硅偂绁ㄧ殑涓嶅悓鍖洪棿娑ㄨ穼𨱍呭喌杩涜岀粺璁°傚垪鍑轰简涓镶＄殑浠婃棩寮哄害銆3镞ュ己搴︺5镞ュ己搴︺10镞ュ己搴︺20镞ュ己搴︺60镞ュ己搴﹀强骞寸嚎寮哄害锛屾槸璇佸埜缁煎悎鍒嗘瀽镄勪富瑕佸伐鍏枫傞厤钖堚滃己寮扁濄丷SI鎸囨爣銆佹嫋锷ㄩ紶镙囧彸阌镄勨沧定璺屽箙缁熻♀濆姛鑳斤纴鍙杩涜屼换镒忓尯闂寸殑寮哄急缁熻″垎鏋愶纴鏂逛究镄勬垒瀵诲己锷胯偂銆佽秴璺岃偂銆傝缮鍙瀵逛换镒忎竴鍙镶＄エ杩涜岀浉鍏虫с佽仈锷ㄥ垎鏋愩傛姇璧勮呴氲繃寮哄害姣旇缉鑳藉熻交鏄撶殑鍙戠幇浠婃棩寮哄娍镶°佸急锷胯偂锛屽喅瀹氭姇璧勬柟钖戙

鍗佸叚銆 鍖洪棿缁熻

鍖洪棿鍒嗘瀽鎶ヨ〃涓昏佷互浠锋牸娑ㄨ穼骞呭害镄勫纾甯稿彉鍖栦负瀵硅薄 锛屽寘𨰾鍖哄缓绔嬬殑娑ㄨ穼銆佹定璺屽箙銆佸尯闂存崲镓嬬巼銆佸竞鍦烘瘆渚嬨侀噺鍙桦箙搴︾瓑銆傚尯闂存垚浜ら噺寮傚姩姣旇缉镓惧嚭鍖洪棿鍐呴噺寮傚父鏀惧ぇ鎴栬悗缂╃殑镶＄エ锛屾嵁姝ゅ垽鏂甯傚満鐑镣癸绂鍖洪棿闇囱崱骞呭害姣旇缉纭瀹氲偂浠风ǔ瀹氱▼搴︼纴闇囱崱骞呭害瓒婂皬锛岃〃鏄庡竞鍦虹殑绋冲畾绋嫔害楂桡纴椋庨橹瓒婂皬锛涘弽涔嬶纴椋庨橹杈冨ぇ銆

鍗佷竷銆 镶＄エ鍙犲姞

銆婇氲揪淇￠泦鎴愮増銆嬭蒋浠跺彲浠ュ皢镶＄エK绾垮浘杩涜屽彔锷狅纴涔熷彲浠ュ皢镶＄エ鍒嗘椂璧板娍锲捐繘琛屽彔锷犮傚皢澶氩彧镶＄エ鎴栬偂绁ㄥ拰鎸囨暟杩涜屽彔锷犳瘆杈冿纴瀵规瘆鍒嗘瀽鍙戠幇涓镶＄殑寮傚姩璧板娍銆

鍗佸叓銆 镊阃夎偂鐩树腑褰╄壊鏄剧ず

绯荤粺灏嗙敤鎴风殑镊阃夎偂鐢ㄤ笉钖岀殑棰滆壊琛ㄧず鍑烘潵锛屾柟渚跨敤鎴峰强镞惰傚疗镊阃夎偂镄勫彉鍖栨儏鍐

鍗佷节銆 涓诲姏澶у崟

涓诲姏澶у崟鍒楀嚭鐩树腑鎴愪氦镓嬫暟瓒呰繃瑙勫畾镓嬫暟镄勬墍链夎偂绁锛屾柟渚胯傚疗澶ц祫閲戠殑锷ㄥ悜锛岃勫畾镓嬫暟鍙鍦ㄧ郴缁熻剧疆涓镟存敼銆

浜屽崄銆 鏁版嵁鎸栨帢锛屾礊瀵熷厛链

鏁版嵁鎸栨帢锷熻兘鎸栫殑缁撴灉鏄浜烘皵阃夎偂銆傝屾儏涓荤珯閲囬泦镓链夊㈡埛绔镄勪汉姘旓纴鎸夌収涓瀹氱畻娉旷粺璁″嚭涓镶＄殑鍏虫敞搴﹀拰鍏遍福搴︼纴锻婅瘔鎭ㄨ繎链熷竞鍦哄叧娉ㄧ殑鐑镣瑰彲鑳藉湪鍝閲屽嚭鐜般

浜屽崄涓銆 鏁版嵁銆佸浘镀忚緭鍑

琛屾儏锲惧舰銆佽屾儏鎶ヨ〃銆佽储锷℃姤琛ㄧ瓑鍧囧彲浠ユ墦鍗拌緭鍑猴纴钖屾椂涔熷彲浠ヨ緭鍑轰负鏂囨湰銆丒xcel琛ㄦ牸绛夋牸寮忥纴鏂逛究杩涜屽啀娆″垎鏋愩

骞垮彂鏄撴窐閲戯纴鏄骞垮彂璇佸埜涓扑负骞垮ぇ镶℃皯镓挞犵殑涓娆鹃泦镶＄エ寮鎴枫佽偂绁ㄤ氦鏄撱佽偂甯傝屾儏銆佸熀閲戠悊璐涓轰竴浣撶殑镶＄エ/璇佸埜/镣掕偂/鐞呜储/鎶曡祫/璐㈢粡/閲戣瀺杞浠躲备粠鐩鐩桦埌阃夎偂鍒扮洏涓鍐崇瓥鍒扮洏钖庡垎鏋,鏅烘収娣橀噾绯诲垪鎶曡祫绁炲櫒涓烘偍镄勬姇璧勪缭椹炬姢鑸銆备笓涓氭寔鐗岄【闂724灏忔椂鍦ㄧ嚎鎸囧硷纴钬灭掆濋熷搷搴旀偍镄勬姇璧勭枒闂銆

⑸ 求问什么是数据挖掘

数据挖掘相关的10个问题 NO.1 Data Mining 和统计分析有什么不同？ 硬要去区分Data Mining和Statistics的差异其实是没有太大意义的。一般将之定义为Data Mining技术的CART、CHAID或模糊计算等等理论方法，也都是由统计学者根据统计理论所发展衍生，换另一个角度看，Data Mining有相当大的比重是由高等统计学中的多变量分析所支撑。但是为什么Data Mining的出现会引发各领域的广泛注意呢？主要原因在相较于传统统计分析而言，Data Mining有下列几项特性： 1.处理大量实际数据更强势，且无须太专业的统计背景去使用Data Mining的工具； 2.数据分析趋势为从大型数据库抓取所需数据并使用专属计算机分析软件，Data Mining的工具更符合企业需求； 3. 纯就理论的基础点来看，Data Mining和统计分析有应用上的差别，毕竟Data Mining目的是方便企业终端用户使用而非给统计学家检测用的。 NO.2 Data Warehousing 和 Data Mining 的关系为何？ 若将Data Warehousing（数据仓库）比喻作矿坑，Data Mining就是深入矿坑采矿的工作。毕竟Data Mining不是一种无中生有的魔术，也不是点石成金的炼金术，若没有够丰富完整的数据，是很难期待Data Mining能挖掘出什么有意义的信息的。 要将庞大的数据转换成为有用的信息，必须先有效率地收集信息。随着科技的进步，功能完善的数据库系统就成了最好的收集数据的工具。数据仓库，简单地说，就是搜集来自其它系统的有用数据，存放在一整合的储存区内。所以其实就是一个经过处理整合，且容量特别大的关系型数据库，用以储存决策支持系统（Design Support System）所需的数据，供决策支持或数据分析使用。从信息技术的角度来看，数据仓库的目标是在组织中，在正确的时间，将正确的数据交给正确的人。 许多人对于Data Warehousing和Data Mining时常混淆，不知如何分辨。其实，数据仓库是数据库技术的一个新主题，利用计算机系统帮助我们操作、计算和思考，让作业方式改变，决策方式也跟着改变。 数据仓库本身是一个非常大的数据库，它储存着由组织作业数据库中整合而来的数据，特别是指事务处理系统OLTP（On-Line Transactional Processing）所得来的数据。将这些整合过的数据置放于数据昂哭中，而公司的决策者则利用这些数据作决策；但是，这个转换及整合数据的过程，是建立一个数据仓库最大的挑战。因为将作业中的数据转换成有用的的策略性信息是整个数据仓库的重点。综上所述，数据仓库应该具有这些数据：整合性数据（integrated data）、详细和汇总性的数据(detailed and summarized data)、历史数据、解释数据的数据。从数据仓库挖掘出对决策有用的信息与知识，是建立数据仓库与使用Data Mining的最大目的，两者的本质与过程是两回事。换句话说，数据仓库应先行建立完成，Data mining才能有效率的进行，因为数据仓库本身所含数据是干净(不会有错误的数据参杂其中)、完备，且经过整合的。因此两者关系或许可解读为Data Mining是从巨大数据仓库中找出有用信息的一种过程与技术。 NO.3 OLAP 能不能代替 Data Mining？ 所谓OLAP（Online Analytical Process）意指由数据库所连结出来的在线分析处理程序。有些人会说：“我已经有OLAP的工具了，所以我不需要Data Mining。”事实上两者间是截然不同的，主要差异在于Data Mining用在产生假设，OLAP则用于查证假设。简单来说，OLAP是由使用者所主导，使用者先有一些假设，然后利用OLAP来查证假设是否成立；而Data Mining则是用来帮助使用者产生假设。所以在使用OLAP或其它Query的工具时，使用者是自己在做探索（Exploration），但Data Mining是用工具在帮助做探索。 举个例子来看，一市场分析师在为超市规划货品架柜摆设时，可能会先假设婴儿尿布和婴儿奶粉会是常被一起购买的产品，接着便可利用OLAP的工具去验证此假设是否为真，又成立的证据有多明显；但Data Mining则不然，执行Data Mining的人将庞大的结帐数据整理后，并不需要假设或期待可能的结果，透过Mining技术可找出存在于数据中的潜在规则，于是我们可能得到例如尿布和啤酒常被同时购买的意料外之发现，这是OLAP所做不到的。 Data Mining常能挖掘出超越归纳范围的关系，但OLAP仅能利用人工查询及可视化的报表来确认某些关系，是以Data Mining此种自动找出甚至不会被怀疑过的数据模型与关系的特性，事实上已超越了我们经验、教育、想象力的限制，OLAP可以和Data Mining互补，但这项特性是Data Mining无法被OLAP取代的。 NO.4 完整的Data Mining 包含哪些步骤？ 以下提供一个Data Mining的进行步骤以为参考： 1. 理解业务与理解数据； 2. 获取相关技术与知识； 3. 整合与查询数据； 4. 去除错误或不一致及不完整的数据； 5. 由数据选取样本先行试验； 6. 建立数据模型 7. 实际Data Mining的分析工作； 8. 测试与检验； 9. 找出假设并提出解释； 10. 持续应用于企业流程中。 由上述步骤可看出，Data Mining牵涉了大量的准备工作与规划过程，事实上许多专家皆认为整套Data Mining的进行有80﹪的时间精力是花费在数据前置作业阶段，其中包含数据的净化与格式转换甚或表格的连结。由此可知Data Mining只是信息挖掘过程中的一个步骤而已，在进行此步骤前还有许多的工作要先完成。 NO.5 Data Mining 运用了哪些理论与技术？ Data Mining是近年来数据库应用技术中相当热门的议题，看似神奇、听来时髦，实际上却也不是什么新东西，因其所用之诸如预测模型、数据分割，连结分析（Link Analysis）、偏差侦测（Deviation Detection）等，美国早在二次世界大战前就已应用运用在人口普查及军事等方面。 随着信息科技超乎想象的进展，许多新的计算机分析工具问世，例如关系型数据库、模糊计算理论、基因算法则以及类神经网络等，使得从数据中发掘宝藏成为一种系统性且可实行的程序。 一般而言，Data Mining的理论技术可分为传统技术与改良技术两支。 传统技术以统计分析为代表，统计学内所含序列统计、概率论、回归分析、类别数据分析等都属于传统数据挖掘技术，尤其 Data Mining 对象多为变量繁多且样本数庞大的数据，是以高等统计学里所含括之多变量分析中用来精简变量的因素分析（Factor Analysis）、用来分类的判别分析（Discriminant Analysis），以及用来区隔群体的分群分析（Cluster Analysis）等，在Data Mining过程中特别常用。 在改良技术方面，应用较普遍的有决策树理论（Decision Trees）、类神经网络（Neural Network）以及规则归纳法（Rules Inction）等。决策树是一种用树枝状展现数据受各变量的影响情形之预测模型，根据对目标变量产生之效应的不同而建构分类的规则，一般多运用在对客户数据的分析上，例如针对有回函与未回含的邮寄对象找出影响其分类结果的变量组合，常用分类方法为CART（Classification and Regression Trees）及CHAID（Chi-Square Automatic Interaction Detector）两种。 类神经网络是一种仿真人脑思考结构的数据分析模式，由输入之变量与数值中自我学习并根据学习经验所得之知识不断调整参数以期建构数据的型样(patterns)。类神经网络为非线性的设计，与传统回归分析相比，好处是在进行分析时无须限定模式，特别当数据变量间存有交互效应时可自动侦测出；缺点则在于其分析过程为一黑盒子，故常无法以可读之模型格式展现，每阶段的加权与转换亦不明确，是故类神经网络多利用于数据属于高度非线性且带有相当程度的变量交感效应时。 规则归纳法是知识发掘的领域中最常用的格式，这是一种由一连串的“如果…/则…（If / Then）”之逻辑规则对数据进行细分的技术，在实际运用时如何界定规则为有效是最大的问题，通常需先将数据中发生数太少的项目先剔除，以避免产生无意义的逻辑规则。 NO.6 Data Mining包含哪些主要功能？ Data Mining实际应用功能可分为三大类六分项来说明：Classification和Clustering属于分类区隔类；Regression和Time-series属于推算预测类；Association和Sequence则属于序列规则类。 Classification是根据一些变量的数值做计算，再依照结果作分类。（计算的结果最后会被分类为几个少数的离散数值，例如将一组数据分为 "可能会响应" 或是 "可能不会响应" 两类）。Classification常被用来处理如前所述之邮寄对象筛选的问题。我们会用一些根据历史经验已经分类好的数据来研究它们的特征，然后再根据这些特征对其他未经分类或是新的数据做预测。这些我们用来寻找特征的已分类数据可能是来自我们的现有的客户数据，或是将一个完整数据库做部份取样，再经由实际的运作来测试；譬如利用一个大型邮寄对象数据库的部份取样来建立一个Classification Model，再利用这个Model来对数据库的其它数据或是新的数据作分类预测。 Clustering用在将数据分群，其目的在于将群间的差异找出来，同时也将群内成员的相似性找出来。Clustering与Classification不同的是，在分析前并不知道会以何种方式或根据来分类。所以必须要配合专业领域知识来解读这些分群的意义。 Regression是使用一系列的现有数值来预测一个连续数值的可能值。若将范围扩大亦可利用Logistic Regression来预测类别变量，特别在广泛运用现代分析技术如类神经网络或决策树理论等分析工具，推估预测的模式已不在止于传统线性的局限，在预测的功能上大大增加了选择工具的弹性与应用范围的广度。 Time-Series Forecasting与Regression功能类似，只是它是用现有的数值来预测未来的数值。两者最大差异在于Time-Series所分析的数值都与时间有关。Time-Series Forecasting的工具可以处理有关时间的一些特性，譬如时间的周期性、阶层性、季节性以及其它的一些特别因素（如过去与未来的关连性）。 Association是要找出在某一事件或是数据中会同时出现的东西。举例而言，如果A是某一事件的一种选择，则B也出现在该事件中的机率有多少。（例如：如果顾客买了火腿和柳橙汁，那么这个顾客同时也会买牛奶的机率是85%。） Sequence Discovery与Association关系很密切，所不同的是Sequence Discovery中事件的相关是以时间因素来作区隔（例如：如果A股票在某一天上涨12%，而且当天股市加权指数下降，则B股票在两天之内上涨的机率是 68%）。 NO.7 Data Mining在各领域的应用情形为何？ Data Mining在各领域的应用非常广泛，只要该产业拥有具分析价值与需求的数据仓储或数据库，皆可利用Mining工具进行有目的的挖掘分析。一般较常见的应用案例多发生在零售业、直效行销界、制造业、财务金融保险、通讯业以及医疗服务等。 于销售数据中发掘顾客的消费习性，并可借由交易纪录找出顾客偏好的产品组合，其它包括找出流失顾客的特征与推出新产品的时机点等等都是零售业常见的实例；直效行销强调的分众概念与数据库行销方式在导入Data Mining的技术后，使直效行销的发展性更为强大，例如利用Data Mining分析顾客群之消费行为与交易纪录，结合基本数据，并依其对品牌价值等级的高低来区隔顾客，进而达到差异化行销的目的；制造业对Data Mining的需求多运用在品质控管方面，由制造过程中找出影响产品品质最重要的因素，以期提高作业流程的效率。 近来电话公司、信用卡公司、保险公司以及股票交易商对于诈欺行为的侦测（Fraud Detection）都很有兴趣，这些行业每年因为诈欺行为而造成的损失都非常可观，Data Mining可以从一些信用不良的客户数据中找出相似特征并预测可能的诈欺交易，达到减少损失的目的。财务金融业可以利用 Data Mining来分析市场动向，并预测个别公司的营运以及股价走向。Data Mining的另一个独特的用法是在医疗业，用来预测手术、用药、诊断、或是流程控制的效率。 NO.8 Web Mining 和Data Mining有什么不同？ 如果将Web视为CRM的一个新的Channel，则Web Mining便可单纯看做Data Mining应用在网络数据的泛称。 该如何测量一个网站是否成功？哪些内容、优惠、广告是人气最旺的？主要访客是哪些人？什么原因吸引他们前来？如何从堆积如山之大量由网络所得数据中找出让网站运作更有效率的操作因素？以上种种皆属Web Mining 分析之范畴。Web Mining 不仅只限于一般较为人所知的log file分析，除了计算网页浏览率以及访客人次外，举凡网络上的零售、财务服务、通讯服务、政府机关、医疗咨询、远距教学等等，只要由网络连结出的数据库够大够完整，所有Off-Line可进行的分析，Web Mining都可以做，甚或更可整合Off-Line及On-Line的数据库，实施更大规模的模型预测与推估，毕竟凭借网际网络的便利性与渗透力再配合网络行为的可追踪性与高互动特质，一对一行销的理念是最有机会在网络世界里完全落实的。 整体而言，Web Mining具有以下特性：1. 数据收集容易且不引人注意，所谓凡走过必留下痕迹，当访客进入网站后的一切浏览行为与历程都是可以立即被纪录的；2. 以交互式个人化服务为终极目标，除了因应不同访客呈现专属设计的网页之外，不同的访客也会有不同的服务；3. 可整合外部来源数据让分析功能发挥地更深更广，除了log file、cookies、会员填表数据、线上调查数据、线上交易数据等由网络直接取得的资源外，结合实体世界累积时间更久、范围更广的资源，将使分析的结果更准确也更深入。 利用Data Mining技术建立更深入的访客数据剖析，并赖以架构精准的预测模式，以期呈现真正智能型个人化的网络服务，是Web Mining努力的方向。 NO.9 Data Mining 在 CRM 中扮演的角色为何？ CRM（Customer Relationship Management）是近来引起热烈讨论与高度关切的议题，尤其在直效行销的崛起与网络的快速发展带动下，跟不上CRM的脚步如同跟不上时代。事实上CRM并不算新发明，奥美直效行销推动十数年的CO（Customer Ownership）就是现在大家谈的CRM—客户关系管理。 Data Mining应用在CRM的主要方式可对应在Gap Analysis之三个部分： 针对Acquisition Gap，可利用Customer Profiling找出客户的一些共同的特征，希望能借此深入了解客户，借由Cluster Analysis对客户进行分群后再透过Pattern Analysis预测哪些人可能成为我们的客户，以帮助行销人员找到正确的行销对象，进而降低成本，也提高行销的成功率。 针对Sales Gap，可利用Basket Analysis帮助了解客户的产品消费模式，找出哪些产品客户最容易一起购买，或是利用Sequence Discovery预测客户在买了某一样产品之后，在多久之内会买另一样产品等等。利用 Data Mining可以更有效的决定产品组合、产品推荐、进货量或库存量，甚或是在店里要如何摆设货品等，同时也可以用来评估促销活动的成效。 针对Retention Gap，可以由原客户后来却转成竞争对手的客户群中，分析其特征，再根据分析结果到现有客户数据中找出可能转向的客户，然后设计一些方法预防客户流失；更有系统的做法是借由Neural Network根据客户的消费行为与交易纪录对客户忠诚度进行Scoring的排序，如此则可区隔流失率的等级进而配合不同的策略。 CRM不是设一个（080）客服专线就算了，更不仅只是把一堆客户基本数据输入计算机就够，完整的CRM运作机制在相关的硬软件系统能健全的支持之前，有太多的数据准备工作与分析需要推动。