云计算应用开发实践：结果分析与行动反馈

对数据挖掘的结果进行评估和分析，进而根据结果来采取必要的措施，反馈并应用到实际的业务模型中。

“确定业务对象”这个步骤其实我们之前已经提到过了，就是利用宠物商店顾客已购买商品的历史信息作为依据，来进一步挖掘潜在的客户需求，增加宠物商店的销售量。而“数据准备”和“数据挖掘”这两个步骤则是后续几节中要深入讨论的重点。最后，“结果分析和行动反馈”就是对数据挖掘结果进行分析，根据顾客的购买情况，向他们推荐其他宠物商品。

在给出具体的解决方案之前有必要先向读者介绍一下本章所使用的数据挖掘分析方法和Apriori算法的背景知识。

数据挖掘的分析方法多种多样，每种方法的使用场景和目的也不尽相同。它们包括关联分析、聚类分析、分类、预测、时序模式和偏差分析等。限于本书篇幅，具体每种分析方法的内容和适用场景不再具体展开。这里只对下面几节即将用到的关联分析方法作一下简要介绍。(www.xing528.com)

关联分析是数据挖掘的一种主要形式，它最典型的应用场景体现在基于历史交易数据的分析当中。关联分析能够发现交易数据中不同商品之间的联系，如购买了某一商品对购买其他商品的影响。这种影响有时是正面的，有时是负面的。例如“90%的顾客在一次购买活动中购买商品A的同时购买了商品B”，表明商品A与B是正相关的。这种规则可以表示为“A=＞B”，表明顾客在购买商品A的条件下购买B的概率。通过相关方法可以对顾客的购买模式进行深入分析，发现对商业决策有价值的规则和知识，这对于改进销售业绩等商业活动的决策是非常重要的。

进行关联分析的数据挖掘方法有很多种，如基于SQL的关联规则挖掘算法（SETM）、Apriori算法、FP增长算法、QTTP算法等。本章将采用数据挖掘关联分析中的基本算法Apriori算法来完成后续工作。