进入90年代，随着市场竞争的进一步加剧，企业竞争空间与范围的进一步扩大，80年代MRPⅡ主要面向企业内部资源全面计划管理的思想逐步发展为90年代怎样有效利用和管理整体资源的管理思想，ERP(Enterprise Resource Planning)企业资源计划也就随之产生。与此同时，数据库技术和人工智能技术得到了长足的发展，人们成功的将两者结合了起来，即通过数据库中的大量数据发现知识，这就是数据挖 数据挖掘技术对erp的影响
进入90年代，随着市场竞争的进一步加剧，企业竞争空间与范围的进一步扩大，80年代MRPⅡ主要面向企业内部资源全面计划管理的思想逐步发展为90年代怎样有效利用和管理整体资源的管理思想，ERP(Enterprise Resource Planning)企业资源计划也就随之产生。与此同时，数据库技术和人工智能技术得到了长足的发展，人们成功的将两者结合了起来，即通过数据库中的大量数据发现知识，这就是数据挖掘技术。这门技术的产生使公司拥有的大量的数据得以应用，而对客户的行为分析也因此成为可能。
数据挖掘能做什么?它将怎么样影响企业的管理模式?这两个问题从数据挖掘一诞生起就是人们不断思考的课题。
数据挖掘可以做的工作主要有：
1)概念/类描述：特征化和区分。即用汇总的、简洁的、精确的方式描述每个类和概念。例如可以研究销售增加20%的产品的特征。
2)关联分析：发现关联规则，这些规则展示了属性-值频繁的在给定数据集中一起出现的条件。例如：我们可以通过对数据的分析得出啤酒—>尿布的关联规则。即买啤酒的人往往会买尿布。
3)分类和预测：通过分类可以找出描述并区分数据类或概念的模型(或函数)，以便能够使用模型预测类标记未知的对象类。当被预测的值是数值数据时，通常称为预测(prediction)。预测包含值预测和基于可用数据的分布趋势识别。例如在销售活动中根据商品的描述特性，如price，brand，place_made，type和category，对这三类的每一种导出模型。结果分类应最大限度地区别每一个类，提供有组织的数据集图象。假定结果分类用判定树的形式表示，判定树可能把price看作最能区分三个类的因素。该树可能结实，在price之后，帮助进一步区分每类对象的其他特性包括brand和place_made。这样的判定树可以帮助你理解给定销售活动的影响，并帮助你设计未来更有效的销售活动。
4)聚类分析：对象根据最大化类内的相似性、最小化类间的相似性的原则进行聚类或分组，所形成的每个簇(聚类)可以看作一个对象类，由它可以导出规则。聚类也便于分类编制(taxonomy formation)，将观察到的内容组织成类分层结构，把类似的事件组织在一起。
5)演变分析：数据演变分析描述行为随时间变化的对象的规律或趋势，并对其建模。如对股票交易数据的演变分析可以识别整个股票时常和特定公司的股票演变规律。这种规律可以帮助预测股票市场价格的未来走向，帮助对股票投资作出决策。
通过对数据挖掘的了解，我们发现它在ERP中(特别是金融业、零售业和电信业)将得到广泛的应用。
在金融领域，管理者可以通过对客户偿还能力以及信用的分析，进行分类，评出等级。从而可减少放贷的麻木性，提高资金的使用效率。同时还可发现在偿还中起决定作用的主导因素，从而制定相应的金融政策。更值得一提的是通过对数据的分析还可发现洗黑钱以及其他的犯罪活动。
在零售业，数据挖掘可有助于识别顾客购买行为、发现顾客购买模式和趋势，改进服务质量，取得更好的顾客保持力和满意程度，提高货品销量比率，设计更好的货品运输与分销策略，减少商业成本。
进入90年代，随着市场竞争的进一步加剧，企业竞争空间与范围的进一步扩大，80年代MRPⅡ主要面向企业内部资源全面计划管理的思想逐步发展为90年代怎样有效利用和管理整体资源的管理思想，ERP(Enterprise Resource Planning)企业资源计划也就随之产生。与此同时，数据库技术和人工智能技术得到了长足的发展，人们成功的将两者结合了起来，即通过数据库中的大量数据发现知识，这就是数据挖掘技术。这门技术的产生使公司拥有的大量的数据得以应用，而对客户的行为分析也因此成为可能。
数据挖掘能做什么?它将怎么样影响企业的管理模式?这两个问题从数据挖掘一诞生起就是人们不断思考的课题。
数据挖掘可以做的工作主要有：
1)概念/类描述：特征化和区分。即用汇总的、简洁的、精确的方式描述每个类和概念。例如可以研究销售增加20%的产品的特征。
2)关联分析：发现关联规则，这些规则展示了属性-值频繁的在给定数据集中一起出现的条件。例如：我们可以通过对数据的分析得出啤酒—>尿布的关联规则。即买啤酒的人往往会买尿布。
3)分类和预测：通过分类可以找出描述并区分数据类或概念的模型(或函数)，以便能够使用模型预测类标记未知的对象类。当被预测的值是数值数据时，通常称为预测(prediction)。预测包含值预测和基于可用数据的分布趋势识别。例如在销售活动中根据商品的描述特性，如price，brand，place_made，type和category，对这三类的每一种导出模型。结果分类应最大限度地区别每一个类，提供有组织的数据集图象。假定结果分类用判定树的形式表示，判定树可能把price看作最能区分三个类的因素。该树可能结实，在price之后，帮助进一步区分每类对象的其他特性包括brand和place_made。这样的判定树可以帮助你理解给定销售活动的影响，并帮助你设计未来更有效的销售活动。
4)聚类分析：对象根据最大化类内的相似性、最小化类间的相似性的原则进行聚类或分组，所形成的每个簇(聚类)可以看作一个对象类，由它可以导出规则。聚类也便于分类编制(taxonomy formation)，将观察到的内容组织成类分层结构，把类似的事件组织在一起。
5)演变分析：数据演变分析描述行为随时间变化的对象的规律或趋势，并对其建模。如对股票交易数据的演变分析可以识别整个股票时常和特定公司的股票演变规律。这种规律可以帮助预测股票市场价格的未来走向，帮助对股票投资作出决策。
通过对数据挖掘的了解，我们发现它在ERP中(特别是金融业、零售业和电信业)将得到广泛的应用。
在金融领域，管理者可以通过对客户偿还能力以及信用的分析，进行分类，评出等级。从而可减少放贷的麻木性，提高资金的使用效率。同时还可发现在偿还中起决定作用的主导因素，从而制定相应的金融政策。更值得一提的是通过对数据的分析还可发现洗黑钱以及其他的犯罪活动。
在零售业，数据挖掘可有助于识别顾客购买行为、发现顾客购买模式和趋势，改进服务质量，取得更好的顾客保持力和满意程度，提高货品销量比率，设计更好的货品运输与分销策略，减少商业成本。
