数据挖掘案例2014.04-10
数据挖掘的案例
数据挖掘的案例数据挖掘是指从大量的数据中发现隐藏的信息和规律的过程。
它可以帮助企业和组织更好地理解他们的数据，并做出更明智的决策。
在本文中，我们将介绍一些数据挖掘的实际案例，以便更好地理解数据挖掘的应用和意义。
首先，让我们来看一个关于市场营销的案例。
一家零售商希望提高其销售额，他们通过数据挖掘分析发现，购买婴儿尿布的顾客往往也会购买啤酒。
于是，他们将这两种商品放在一起展示，结果销售额明显提高。
这个案例展示了数据挖掘可以帮助企业发现潜在的交叉销售机会，从而提高利润。
另一个案例是关于医疗保健领域的。
一家医院利用数据挖掘技术分析患者的病历数据，发现了一些潜在的疾病发作模式。
这些模式帮助医生更早地发现疾病的迹象，从而提高了治疗的成功率。
这个案例展示了数据挖掘在医疗领域的重要作用，可以帮助医生更好地诊断和治疗疾病。
此外，数据挖掘还在金融领域有着广泛的应用。
银行和金融机构利用数据挖掘技术分析客户的交易数据和信用记录，以识别潜在的欺诈行为。
通过建立欺诈检测模型，他们可以更好地保护客户的资金安全，减少欺诈活动对金融机构的损失。
最后，让我们来看一个关于交通领域的案例。
城市交通管理部门利用数据挖掘技术分析交通流量数据，以优化交通信号灯的控制。
通过根据实时交通情况调整信号灯的时长，他们成功地减少了交通拥堵，提高了交通效率，从而改善了城市居民的出行体验。
综上所述，数据挖掘在各个领域都有着广泛的应用。
通过发现隐藏在数据中的信息和规律，数据挖掘可以帮助企业做出更明智的决策，提高效率，减少成本，改善服务质量。
随着数据量的不断增加和数据挖掘技术的不断发展，相信数据挖掘的应用将会越来越广泛，对各个行业都会产生积极的影响。
数据挖掘的实践案例
数据挖掘的实践案例数据挖掘（Data Mining）是一种从大量数据中发现隐藏模式、建立模型并进行预测分析的技术。
数据挖掘的应用场景非常广泛，可以用于市场营销、金融风险管理、医疗诊断等领域。
本文将介绍一个数据挖掘的实践案例，展示其在商业领域的应用。
案例背景某电商平台希望通过数据挖掘技术来提升用户购物体验，增加用户黏性和购买意愿。
平台拥有大量的历史用户数据，包括用户的购买记录、浏览记录和用户属性等。
通过对这些数据进行挖掘，可以深入了解用户的购物习惯，为用户提供个性化的推荐和服务。
数据收集和预处理为了进行数据挖掘分析，首先需要收集和整理数据。
平台从数据库中提取了用户的购物记录、浏览记录和用户属性等数据，并进行了初步清洗。
清洗过程包括数据去重、缺失值处理和异常值处理等步骤，以确保数据的质量和准确性。
特征选择和数据转换在数据挖掘的过程中，特征选择是一个非常重要的步骤。
特征选择可以帮助我们找到与目标变量相关性较高的特征，减少数据维度，提高模型的效果和运算速度。
在本案例中，平台选择了用户的购买记录、浏览记录和用户属性等作为特征，并将它们进行了适当的数据转换，如数值变量的标准化和分类变量的编码等。
模型构建和评估在数据预处理完成后，接下来是模型的构建和评估。
在本案例中，平台选择了基于协同过滤的推荐算法来构建模型。
该算法可以根据用户的历史行为和相似用户的行为进行推荐。
通过训练和调优模型参数，平台得到了一个较为准确的推荐模型。
模型应用和结果分析在模型构建完成后，平台将其应用于实际业务场景中。
通过将模型与平台的推荐引擎结合，平台可以为用户提供个性化的商品推荐。
用户可以在购物过程中看到与自己兴趣相关的商品，提高购买的满意度和转化率。
通过对推荐效果的监测和分析，平台可以不断改进模型，提升推荐的准确性和效果。
总结和展望数据挖掘在商业领域的应用具有广阔的前景。
通过对大数据的挖掘和分析，可以为企业提供更深入的市场洞察，提高决策的精准性和效率。
数据挖掘案例
数据挖掘案例
哇塞，今天来给大家讲讲超有趣的数据挖掘案例！
你知道吗，有一次一个电商平台就通过数据挖掘发现了一个超神奇的现象。
他们发现好多客户在购买了某一款特定的鞋子之后，没多久就会去购买与之搭配得特别好的一种袜子！这就好像是找到了一个隐藏的搭配密码一样，难道不是很奇妙吗？他们立刻根据这个发现调整了商品推荐策略，结果销量蹭蹭往上涨！
再来说说一家餐厅，他们通过分析顾客的点餐数据，发现大部分点了汉堡的顾客还会喜欢搭配一份特定口味的薯条。
嘿，这就像是汉堡和薯条是天生的好搭档一样！然后呢，餐厅就针对这个组合推出了优惠套餐，顾客满意度大幅提升！
还有啊，一所学校通过对学生成绩数据的挖掘，惊讶地发现那些经常参加课外活动的学生，成绩往往也不差呢！这就像打开了一扇了解学生的新窗口，学校就能更好地去培养学生啦。
想想看，数据挖掘不就像是一个神奇的侦探，可以发现那些我们平常忽略的小细节、小联系，然后帮助我们做出更好的决策嘛！这不就是科技带来
的魅力吗？它可以让我们的生活变得更加高效、更加有趣。
我们可以通过它找到更好的销售策略，可以让餐厅服务更贴心，可以让教育更有针对性。
所以说呀，数据挖掘真的是超级厉害的，大家可不要小瞧它！我觉得我们应该更加积极地去利用数据挖掘，让它为我们创造更多的价值和惊喜！。
数据挖掘技术在研发中的应用案例 (2)
VS
详细描述
利用数据挖掘技术收集和分析竞争对手的 产品信息、市场策略和用户反馈等数据， 了解竞争对手的优势和不足，以及市场上 的竞争态势。这些信息有助于研发团队制 定针对性的研发策略和市场计划，提高产 品的竞争力和市场占有率。
用户体验提升
总结词
通过数据挖掘技术分析用户行为和反馈数据 ，优化产品设计和用户体验。
详细描述
利用数据挖掘技术对用户行为数据和反馈信 息进行深入分析，了解用户对产品的使用情 况和满意度，发现产品设计和用户体验的问 题和不足。这些信息有助于研发团队针对性 地优化产品设计，提高用户体验和满意度。 同时，数据挖掘技术还可以用于个性化推荐
和定制化服务，提高用户黏性和忠诚度。
CHAPTER 03
03
处理缺失值和异常值，确保数据质量。
特征提取和选择
01
从数据中提取有用的特征，如时间序列数据、文本数
据等。
02
选择与研发目标相关的特征，去除无关或冗余的特征
。
03
对特征进行归一化、离散化等处理，以便于模型训练
。
模型构建和训练
使用训练好的模型进行预 测或分类等任务。
利用提取的特征训练模型 ，优化模型参数。
行为数据收集
通过日志分析、埋点等技术，收 集用户在产品上的点击、浏览、 停留等数据。
行为特征提取
利用数据挖掘技术，提取用户行 为的特征，进行分类、聚类等分 析，找出用户行为的规律和特点 。
案例三：故障预测和维护的应用
故障预测和维护
利用数据挖掘技术，对设备的运行数据进行挖掘和分析， 预测设备的故障时间和原因，提前进行维护和维修，提高 设备的可靠性和稳定性。
详细描述
利用数据挖掘技术对用户反馈、行为数据和产品使用情况进行深入分析，发现用户对产品的需求和痛点，以及产 品在使用过程中的问题和不足。这些信息有助于研发团队针对性地优化产品功能和用户体验，提高产品的竞争力 和用户满意度。
数据挖掘算法案例三篇
数据挖掘算法案例三篇篇一：数据挖掘算法经典案例国际权威的学术组织theIEEEInternationalConferenceonDataMining(ICDM)20XX年12月评选出了数据挖掘领域的十大经典算法：C4.5,k-Means,SVM,Apriori,EM,PageRank,AdaBoost,kNN,NaiveBayes,andCART 。
不仅仅是选中的十大算法，其实参加评选的18种算法，实际上随便拿出一种来都可以称得上是经典算法，它们在数据挖掘领域都产生了极为深远的影响。
（一）C4.5C4.5算法是机器学习算法中的一种分类决策树算法,其核心算法是ID3算法。
C4.5算法继承了ID3算法的优点，并在以下几方面对ID3算法进行了改进：1.用信息增益率来选择属性，克服了用信息增益选择属性时偏向选择取值多的属性的不足；2.在树构造过程中进行剪枝；3.能够完成对连续属性的离散化处理；4.能够对不完整数据进行处理。
C4.5算法有如下优点：产生的分类规则易于理解，准确率较高。
其缺点是：在构造树的过程中，需要对数据集进行多次的顺序扫描和排序，因而导致算法的低效。
（二）Thek-meansalgorithm即K-Means算法k-meansalgorithm算法是一个聚类算法，把n的对象根据他们的属性分为k个分割，k<n。
它与处理混合正态分布的最大期望算法很相似，因为他们都试图找到数据中自然聚类的中心。
它假设对象属性来自于空间向量，并且目标是使各个群组内部的均方误差总和最小。
（三）Supportvectormachines支持向量机，英文为SupportVectorMachine，简称SV机（论文中一般简称SVM）。
它是一种監督式學習的方法，它广泛的应用于统计分类以及回归分析中。
支持向量机将向量映射到一个更高维的空间里，在这个空间里建立有一个最大间隔超平面。
在分开数据的超平面的两边建有两个互相平行的超平面。
数据挖掘的案例
数据挖掘的案例数据挖掘是指从大量的数据中发现隐藏的、有价值的信息的过程。
在当今信息爆炸的时代，数据挖掘正发挥着越来越重要的作用。
它可以帮助企业发现市场趋势、预测客户需求、改进产品设计、提高运营效率等方面。
下面我们将介绍几个关于数据挖掘的案例，来看看数据挖掘是如何应用于实际生活中的。
首先，我们来看一个关于市场营销的案例。
某电商公司通过数据挖掘发现，购买婴儿尿布的顾客在周五晚上和周六早上也会购买啤酒。
这个看似毫不相关的数据其实揭示了一个有趣的市场现象，周末是人们购物和放松的时间，而婴儿尿布和啤酒的购买行为可能与家庭聚会有关。
基于这一发现，该公司调整了促销策略，将尿布和啤酒放在一起促销，结果销量大增。
其次，我们来看一个关于客户关系管理的案例。
一家银行通过数据挖掘发现，年龄在25岁到35岁之间、收入在中等水平、有一定的存款和投资的客户更有可能申请房贷。
基于这一发现，银行可以有针对性地向这部分客户推荐房贷产品，提高营销效率，同时也为客户提供更符合其需求的金融服务。
再来一个关于医疗健康的案例。
医院通过数据挖掘发现，某种特定的症状在一定时间内出现的概率较大，这可能是某种疾病的早期信号。
基于这一发现，医院可以建立预警系统，及时发现患者的病情变化，提高治疗效果，甚至挽救生命。
最后，我们来看一个关于交通运输的案例。
某城市的交通管理部门通过数据挖掘发现，某些路段在特定时间段内容易发生拥堵，这与学校放学时间、工厂下班时间等有关。
基于这一发现，交通管理部门可以调整信号灯时间、增加临时交通警力等措施，有效缓解交通拥堵问题。
通过以上几个案例的介绍，我们可以看到数据挖掘在各个领域都有着丰富的应用场景。
它不仅可以帮助企业发现商机、提高效率，还可以为社会各个领域带来更多的便利和效益。
数据挖掘已经不再是一种新鲜的技术，而是一种成熟的工具，它正在深刻地改变着我们的生活和工作方式。
相信随着科技的不断进步，数据挖掘的应用领域将会越来越广泛，效果也会越来越显著。
数据挖掘典型案例
数据挖掘典型案例数据挖掘是一种通过大数据分析技术来发现模式、关联、异常和趋势的过程。
它可以帮助企业和组织从海量数据中提取有用的信息，以支持决策和业务发展。
在实际应用中，数据挖掘有许多典型案例，下面我们将介绍几个典型的数据挖掘案例。
首先，零售行业是数据挖掘的重要应用领域之一。
零售商通过数据挖掘技术可以分析顾客的购买行为，发现潜在的购买模式和趋势。
比如，通过对顾客购买历史数据的分析，零售商可以发现某些商品之间的关联性，从而进行交叉销售和精准营销。
此外，数据挖掘还可以帮助零售商预测销售额、库存需求和季节性销售变化，从而更好地管理供应链和库存。
其次，金融领域也是数据挖掘的重要应用领域之一。
银行和金融机构可以利用数据挖掘技术来识别信用卡欺诈、预测贷款违约风险、个性化推荐理财产品等。
通过对客户的交易数据、信用记录和个人信息的分析，金融机构可以建立客户信用评分模型，从而更好地管理风险和提供个性化的金融服务。
另外，医疗保健领域也是数据挖掘的重要应用领域之一。
医疗机构可以利用数据挖掘技术来分析患者的病历数据、医疗影像数据和基因组数据，从而实现个性化诊疗和精准医疗。
通过对大量的医疗数据进行分析，医疗机构可以发现潜在的疾病模式、预测疾病发生和传播趋势，从而更好地进行疾病预防和控制。
最后，互联网领域也是数据挖掘的重要应用领域之一。
互联网企业可以利用数据挖掘技术来分析用户的行为数据、社交网络数据和内容数据，从而实现个性化推荐、精准广告投放和用户画像建模。
通过对用户的行为轨迹和兴趣偏好进行分析，互联网企业可以更好地理解用户需求，提高用户粘性和商业转化率。
综上所述，数据挖掘在零售、金融、医疗和互联网等领域有着广泛的应用。
通过对大数据进行分析，数据挖掘可以帮助企业和组织发现隐藏在数据背后的规律和价值，从而实现商业智能和数据驱动的决策。
随着大数据技术的不断发展和完善，数据挖掘在未来将发挥越来越重要的作用，成为推动企业创新和发展的重要引擎。
数据挖掘过程 python案例
数据挖掘过程 python案例数据挖掘是指从大量数据中发现隐藏在其中的有用信息的过程。
Python是一种广泛应用于数据挖掘的编程语言，它提供了丰富的库和工具，使得数据挖掘过程更加高效和便捷。
下面是十个以Python 实现的数据挖掘案例，每个案例都符合要求，并且包含了对应的代码和解释。
案例1：电商推荐系统在电商网站上，通过分析用户的购买历史、点击行为和浏览记录，可以利用数据挖掘算法构建一个个性化的推荐系统，为用户推荐他们可能感兴趣的商品。
这可以通过Python中的机器学习库（如scikit-learn）和推荐系统库（如Surprise）来实现。
案例2：航空公司客户细分航空公司可以通过分析乘客的航班记录、购票时间和价格等信息，将乘客细分为不同的群体，从而有针对性地制定营销策略。
这可以通过Python中的聚类算法（如K-means）来实现。
案例3：社交媒体情感分析通过分析社交媒体上用户的帖子、评论和表情符号等信息，可以判断用户对某个话题的情感倾向（如正面、负面或中性）。
这可以通过Python中的自然语言处理库（如NLTK）和情感分析算法来实现。
案例4：股票市场预测通过分析股票的历史交易数据、公司财务数据和市场指标等信息，可以预测股票的未来走势。
这可以通过Python中的时间序列分析库（如statsmodels）和机器学习库（如scikit-learn）来实现。
案例5：医疗诊断辅助通过分析患者的病历、症状和检查结果等信息，可以辅助医生进行疾病诊断和治疗决策。
这可以通过Python中的数据挖掘算法（如决策树、支持向量机）和人工智能库（如TensorFlow）来实现。
案例6：电力负荷预测通过分析电力系统的历史负荷数据、天气数据和节假日信息等，可以预测未来的电力负荷，从而合理调配电力资源。
这可以通过Python中的时间序列分析库（如Prophet）和回归算法（如线性回归）来实现。
案例7：客户流失预测通过分析客户的购买行为、服务投诉和退货记录等信息，可以预测客户是否会流失，从而采取相应的客户保留措施。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
成功案例：1，Credilogros改善客户信用评分业务(直接数据挖掘，预测统计分析方法/软件) Credilogros是阿根廷第五大信贷公司，它需要识别与潜在预先付款客户（缺乏充分的信用记录数据）相关的潜在风险，以便将承担的风险最小化。
Credilogros选择了SPSS Inc.的数据挖掘软件PASWModeler，因为它能够灵活并轻松地整合到Credilogros 的核心信息系统中。
数据挖掘的收益包括：1)处理信用数据和提供最终信用评分的时间缩短到了8秒以内。
平均每月使用PASWModeler处理35000份申请。
这使该组织能够迅速批准或拒绝信贷请求。
2)最小化每个客户必须提供的身份证明文档，某些情况，只需一份身份证明即可批准信贷；3)风险监控，仅在实施3 个月后就帮助Credilogros 将贷款支付失职减少了20%。
2，中国宝钢集团（直接数据挖掘，分类分析方法）宝钢自1985年投产至今，积累了大量的生产数据，从每一炉钢到每一块板坯到每一个钢圈，各级计算机系统可以把这些数据完整地收集起来。
采用数据挖掘技术对钢材生产的全流程进行质量监控和分析（通过全流程实时监控获得了丰富的生产数据），构建故障地图，实时分析产品出现瑕疵的原因，有效提高了产品的优良率。
宝钢采用了两个数据挖掘工具，一个是自行研发的基于SAS的practical Miner，另一个是美国SAS公司的Enterprise Miner。
在冷轧和热轧的产品质量控制中，仅2001年就取得超过3000万元的经济效益。
在配矿优化项目中，通过确定不同铁矿石的合理比例，每年可为宝钢降低成本6000万元。
另外，通过分析轧制计划，分析和优化库存结构，降低库存成本和平衡物流成本。
3，DHL实时跟踪货箱温度DHL每辆车都装有持续记录车速、时间及温度的特制“黑匣子”，拥有全球定位系统，并由随车安保人员实时监控。
一旦有偏离路线、超时停车和车内温度异常情况，货车必须重新装货。
基于“黑匣子”提供的大量数据进行数据挖掘，可以根据温度控制的目标，制定和优化行车线路、司机配置、提供车况评估等决策支持。
4，沃尔玛超市里的尿布与啤酒（间接数据挖掘，关联规则）在一家超市里，有一个有趣的现象：尿布和啤酒赫然摆在一起出售。
但是这个奇怪的举措却使尿布和啤酒的销量双双增加了。
沃尔玛拥有世界上最大的数据仓库系统，为了能够准确了解顾客在其门店的购买习惯，沃尔玛对其顾客的购物行为进行购物篮分析，想知道顾客经常一起购买的商品有哪些。
沃尔玛数据仓库里集中了其各门店的详细原始交易数据。
在这些原始交易数据的基础上，沃尔玛利用数据挖掘方法对这些数据进行分析和挖掘。
一个意外的发现是："跟尿布一起购买最多的商品竟是啤酒！经过大量实际调查和分析，揭示了一个隐藏在"尿布与啤酒"背后的美国人的一种行为模式：在美国，一些年轻的父亲下班后经常要到超市去买婴儿尿布，而他们中有30%～40%的人同时也为自己买一些啤酒。
产生这一现象的原因是：美国的太太们常叮嘱她们的丈夫下班后为小孩买尿布，而丈夫们在买尿布后又随手带回了他们喜欢的啤酒。
5，民生银行“高端客户流失风险预测研究”项目在客户关系管理中，“老客户的保留”是十分重要的研究领域。
已经发生流失的客户还有较高的挽回余地，若银行能在客户刚刚产生流失意向时就准确识别出他们，并辅以适当的客户关怀策略，这些客户应具有更高的可能性被挽留。
项目研究首先明确一个标准化、规范化的商业银行数据挖掘流程框架，结合相应的数据准备、字段筛选、模型选择等问题，逐步建立客户流失分类预测的映射关系、客户按流失可能性从高到低排序、从客户特征中挖掘出客户将发生流失的规律、实现客户挽留策略的个性化定制和资源的差异化配置、将分类预测模型及相关结果部署于现有管理信息系统中。
6，中国银联股份有限公司“异常交易检测方法”2006年网上支付在我国所有的电子支付交易中占比96%，而且会越来越普及。
另一方面，网上支付的便利性和信用卡用户的不断增加也为犯罪分子进行金融欺诈等犯罪提供了更多的机会。
这需要银行等金融机构采取一定的措施来予以控制。
这里异常交易被定义为，满足系统对于正常交易的规定，但本质具有一定的欺诈特性，比如攻击者利用盗取的合法用户信息进行的交易，或者合法用户进行的恶意透支行为等。
提出一种基于数据挖掘的异常交易检测方法，可以在业务层面和操作层面对交易中的异常进行检测。
当一个用户提交一笔新的消费交易时，采用贝叶斯信念网络算法判断当前交易属于正常交易的后验概率，作为在业务层面的可信因子；然后提取该用户在当前交易之前的若干个操作，与当前交易一起构成一个固定长度的操作序列，并通过BLAST-SSAHA算法将其与该用户正常操作序列和已知异常操作序列进行比对，得出在操作层面的可信因子。
综合考虑业务层面的可信因子和操作层面的可信因子，最终决定当前交易是否为异常交易。
7，英国电信英国电信需要发布一种新的产品，先通过数据挖掘对客户进行分析，然后通过直邮方式向客户推荐这种产品，最终直邮的回复率提高了100%另外，英国电信升级其Motive客户体验解决方案，并部署数据收集管理器，跟踪人们家中激增的通信设备，然后利用这些数据主动管理网络和设备的运行方式，确保客户有更好的体验。
8，GUS日用品零售商店（神经网络模型、规则归纳技术）多年来GUS用多元回归分析和大型机系统软件进行预测，但这些评估经常过于保守。
后来采用了SPSS快速、可视化建模的数据挖掘工作平台：Clementine，其神经网络模型所作的预测比较出色，均值绝对误差降低了4%，标准差降低了10%；通过Clementine的规则归纳技术，GUS在预测的风险等级分配的正确性方面提高了20%，通过数据挖掘的方法，更准确预测未来商品销售，库存成本比原来减少了3.8%。
9，美国国内税务局基于IBM DB2数据库软件的综合逃税人监察项目，仅1996年就帮助税务局追回补交税款2亿笔、增收200亿美元的税金和罚款，并进行了120万笔账目审计。
另外，可以合理安排税务官的工作，为纳税人提供更迅捷、更准确的服务。
10，Mellon银行商业银行的利润和风险是共存的。
为了保证最大利润和最小风险，必须对账户进行分析和归类，并进行信用评估。
Mellon银行使用数据挖掘软件Intelligent Agent提高销售和定价金融产品的精确度，如家庭普通贷款。
该工具可以（利用交往、分类或回归分析等商业智能）确定现有用户购买特定附加产品：家庭普通信贷限额的倾向，可生成用于检测的模型。
11，美国Firstar银行利用Marksman数据挖掘工具，读取800到1000个变量并且给它们赋值，根据消费者是否有家庭财产贷款、赊账卡、存款证或其它储蓄、投资产品，将它们分成若干组，然后预测何时为客户提供何种产品。
12，汇丰银行利用KXEN对不断增长的客户群进行分类，对每种产品找出最有价值的客户，营销费用减少30%；和SAS联合开发反欺诈管理系统（2009年整个金融行业由于欺诈造成的损失为48亿美元），对美国境内的信用卡交易进行实时的欺诈防范侦测，进一步保护客户利益。
13，股票预测股票市场是一个具有大量相互作用因素的复杂系统，它受政治形势、金融政策、公司状况和重大消息等多方面因素的影响。
股票价格一般要受一国货币、财政政策、物价、利率、汇率、上市公司重大事项、国际经济环境、投资者心理等信息的作用，其内部规律非常复杂，变化周期无序，更使行情的走势变化莫测。
大连理工大学的硕士生黄玲琴提出了股票交易数据挖掘模型，利用决策树分类算法中的ID3算法并适当调整以对股票交易数据样本集进行测试分析，由此生成决策树作为分类器并对其结果进行了检验，最后根据决策树分类规则开发出一淘股票分析预测系统。
更早之前，通过相关分析，可以找出一支股票与另一支股票走势的潜在规律，比如数据挖掘曾经得到过这个结论“如果微软的股票下跌4%，那么IBM的股票将在两周内下跌5%”14，NBA教练提升获胜机会大约20个NBA球队使用了IBM公司开发的数据挖掘应用软件Advanced Scout系统来优化他们的战术组合。
教练可以通过Advanced Scout访问NBA中心的服务器数据，包括每场比赛的事件统计：得分、助攻、失误等。
事件标记让教练非常容易地通过搜索NBA比赛的录像来理解统计发现的含义。
类似的应用还有NHL-ICE，是国家曲棍球联盟与IBM联合开发的，可以让教练、广播员、新闻记者及球迷挖掘NHL的统计。
15，蒙特利尔银行加拿大第三大银行，之前于晚上6-9点通过电话向客户推销产品，反馈率非常低。
采用IBM DB2 Intelligent Miner Scoring后，基于银行账户余额、客户已拥有的银行产品以及所处地点和信贷风险等标准来评价记录档案。
这些评价可以用于确定客户购买某一具体产品的可能性。
通过更具针对性的营销活动，银行能够区别对待不同的客户群，以提升产品和服务质量，同时还能制订适当的价格和设计各种奖励方案，甚至确定利息费用。
16，圣地亚哥proflowersProflowers是一家卖花的公司，因为鲜花极易枯萎，需要均匀地削减库存，否则可能导致一种商品过快地售罄或库存鲜花的凋谢。
通过采用Websidestory的数据挖掘ASP服务Hitbox，proflowers可以在业务高峰日也能对销售情况做出迅速反应。
比如，如果100人中仅有5人看到玫瑰时就会购买，而盘景的转换率则为100比20，那么不是页面设计有问题，就是玫瑰的价格有问题。
公司能迅速对网站进行调整。
对于可能过快售罄的商品，公司通常在网页中弱化该商品或取消优惠价格。
17，eBags利用数据挖掘实现网页定制自动化丹佛的eBags销售手提箱、手提袋、钱包以及提供其它旅行服务，通过采用Kana公司的E-Marketing Suite，获得客户购买行为习惯方面的信息。
根据不同的购买习惯，网站不停地创建页面以适合每个具体的访问者。
比如，如果访问者的浏览记录显示其对手提包感兴趣，网站将创建这些商品的客户化页面。
18，Carrier利用邮政编码数据提升销售Carrier是康涅狄格州的一家空调制造商，仅仅通过利用邮政编码数据，其升级版B2C网站的每位访问者所产生的平均收益在一个月内从1.47美元提高到了37.42美元。
当客户登陆时，系统提示输入邮政编码。
这些信息被发送到WebMiner服务器，然后数据挖掘软件对客户进行假设，并基于这些假设来展示商品。
例如，如果客户来自富裕的郊外地区，网站将显示带有遥控器的空调机；如果客户来自市区，则弹出式广告将展示窗式空调机。
19,零售业销售促销(零售业)：此案例的目的是想根据零售产品过去的促销记录，利用数据挖掘(预测模型-神经网络及回归树(Neural Network & Regression Tree))来预测未来的销售成效。