数据挖掘目前在各类企业和机构中蓬勃发展。因此我们制作了一份此领域常见术语总结,希望你喜欢。

分析型客户关系管理(Analytical CRM/aCRM): 用于支持决策,改善公司跟顾客的互动或提高互动的价值。针对有关顾客的知识,和如何与顾客有效接触的知识,进行收集、分析、应用。参见>>>

大数据(Big Data): 大数据既是一个被滥用的流行语,也是一个当今社会的真实趋势。此术语指代总量与日俱增的数据,这些数据每天都在被捕获、处理、汇集、储存、分析。维基百科是这样描述“大数据”的:“数据集的总和如此庞大复杂,以至于现有的数据库管理工具难以处理(…)”。

商业智能(Business Intelligence): 分析数据、展示信息以帮助企业的执行者、管理层、其他人员进行更有根据的商业决策的应用、设施、工具、过程。

流失分析(Churn Analysis/Attrition Analysis): 描述哪些顾客可能停止使用公司的产品/业务,以及识别哪些顾客的流失会带来最大损失。流失分析的结果用于为可能要流失的顾客准备新的优惠。

联合分析/权衡分析(Conjoint Analysis/ Trade-off Analysis): 在消费者实际使用的基础上,比较同一产品/服务的几个不同变种。它能预测产品/服务上市后的接受度,用于产品线管理、定价等活动。

信用评分(Credit Scoring): 评估一个实体(公司或个人)的信用值。银行(借款人)以此判断借款者是否会还款。

配套销售/增值销售(Cross / Up selling): 一个营销概念。根据特定消费者的特征和过往行为,向其销售补充商品(配套销售)或附加商品(增值销售)。

顾客细分&画像(Customer Segmentation & Profiling): 根据现有的顾客数据,将特征、行为相似的顾客归类分组。描述和比较各组。

数据集市(Data Mart): 特定机构所储存的,关于一个特定主题或部门的数据,如销售、财务、营销数据。

数据仓库(Data Warehouse): 数据的中央存储库,采集、储存来自一个企业多个商业系统的数据。

数据质量(Data Quality): 有关确保数据可靠性和实用价值的过程和技术。高质量的数据应该忠实体现其背后的事务进程,并能满足在运营、决策、规划中的预期用途。

抽取-转换-加载 ETL (Extract-Transform-Load): 数据仓储中的一个过程。从一个来源获取数据,根据需求转换数据以便接下来使用,之后把数据放置在正确的目标数据库。

欺诈检测(Fraud Detection): 识别针对特定组织或公司的疑似欺诈式转账、订购、以及其他非法活动。在IT系统预先设计触发式警报,尝试或进行此类活动会出现警告。

Hadoop: 另一个当今大数据领域的热门。Apache Hadoop是一个在已有商业硬件组成的计算机集群上,分布式存储、处理庞大数据集的开源软件架构。它使得大规模数据储存和更快速数据处理成为可能。

物联网(Internet of Things, IoT): 广泛分布的网络,由诸多种类(个人、家庭、工业)诸多用途(医疗、休闲、媒体、购物、制造、环境调节)的电子设备组成。这些设备通过互联网交换数据,彼此协调活动。

顾客的生命周期价值 (Lifetime Value, LTV): 顾客在他/她的一生中为一个公司产生的预期折算利润。

机器学习(Machine Learning): 一个学科,研究从数据中自动学习,以便计算机能根据它们收到的反馈调整自身运行。与人工智能、数据挖掘、统计方法关系密切。

购物篮分析(Market Basket Analysis): 识别在交易中经常同时出现的商品组合或服务组合,例如经常被一起购买的产品。此类分析的结果被用于推荐附加商品,为陈列商品的决策提供依据等。

联机分析处理(On-Line Analytical Processing, OLAP): 能让用户轻松制作、浏览报告的工具,这些报告总结相关数据,并从多角度分析。

预测分析(Predictive Analytics): 从现存的数据集中提取信息以便识别模式、预测未来收益和趋势。在商业领域,预测模型及分析被用于分析当前数据和历史事实,以更好了解消费者、产品、合作伙伴,并为公司识别机遇和风险。

实时决策(Real Time Decisioning, RTD): 帮助企业做出实时(近乎无延迟)的最优销售/营销决策。比如,实时决策系统(打分系统)可以通过多种商业规则或模型,在顾客与公司互动的瞬间,对顾客进行评分和排名。

留存/顾客留存(Retention / Customer Retention): 指建立后能够长期维持的客户关系的百分比。

社交网络分析(Social Network Analysis, SNA): 描绘并测量人与人、组与组、机构与机构、电脑与电脑、URL与URL、以及其他种类相连的信息/知识实体之间的关系与流动。这些人或组是网络中的节点,而它们之间的连线表示关系或流动。SNA为分析人际关系提供了一种方法,既是数学的又是视觉的。

生存分析(Survival Analysis): 估测一名顾客继续使用某业务的时间,或在后续时段流失的可能性。此类信息能让企业判断所要预测时段的顾客留存,并引入合适的忠诚度政策。

文本挖掘(Text Mining): 对包含自然语言的数据的分析。对源数据中词语和短语进行统计计算,以便用数学术语表达文本结构,之后用传统数据挖掘技术分析文本结构。

非结构化数据(Unstructured Data):数据要么缺乏事先定义的数据模型,要么没按事先定义的规范进行组织。这个术语通常指那些不能放在传统的列式数据库中的信息,比如电子邮件信息、评论。

网络挖掘/网络数据挖掘(Web Mining / Web Data Mining) : 使用数据挖掘技术从互联网站点、文档或服务中自动发现和提取信息。

原文作者:Algolytics

翻译:王鹏宇  via:数据工匠