数据挖掘论文2000字

楼主太有想法了，这种事也能叫别人帮你吗

1980年毕业于湖北师范学院外语系，留校任教;1983年考入北京外国语学院英语系研究生班；1986年获文学硕士学位;1986-1987年任教于清华大学外语系;1987年考入北京外国语学院读博士研究生，导师为许国璋教授;1989年赴美留学，就读于美国北卡罗莱纳大学信息社会学专业;1993年获硕士学位；1996年获博士学位．1996-2000年任美国鲁汶大学教授，并获终身教授资格;2000-2001年任美国安达信咨询公司IT咨询部经理．曾任美国MBNA银行数据挖掘顾问、美国FirstUSA银行数据挖掘咨询顾问、美国医学科学院数据挖掘咨询顾问、美国特种机械制造商JohnDeere公司数据挖掘咨询顾问．2001年回国，创办上海社会科学院互联网研究中心并担任中心主任．2001年12月创办上海天律信息技术有限公司，担任董事长兼总经理，成功研制出中国第一套大型数据挖掘和统计分析软件－马克威分析系统，填补了国家空白。2002年获上海市人才发展奖．2003年当选中国侨联华商会常务理事．2004年当选上海市信息学会会长2004年当选“上海市科技领军人物”2005年当选“长三角创新精英人物”2007年获得“中国商业智能领军人物”近期主要科研成果:《马克威软件与当代数据分析》2006，中国统计出版社：北京论文”智能城市:城市信息化建设新境界”<<社会观察>>2003年12月号论文”外国文化资本的崛起”<<国际社会学>>(英文)(国际社会学学会主刊>>2002年3月号论文”互联网社会学的兴起”<<国外社会科学前沿>>论文”美国虚拟阶级的产生”(英文)入选2002年国际社会学大会优秀论文(澳大利亚)课题:”智能城市:上海信息化建设新方向”上海团市委委托课题,课题:”信息技术对上海经济发展的贡献”上海市信息委、市统计局委托课题,2003

寿险行业数据挖掘应用分析　　寿险是保险行业的一个重要分支，具有巨大的市场发展空间，因此，随着寿险市场的开放、外资公司的介入，竞争逐步升级，群雄逐鹿已成定局。如何保持自身的核心竞争力，使自己始终立于不败之地，是每个企业必须面对的问题。信息技术的应用无疑是提高企业竞争力的有效手段之一。寿险信息系统经过了多年的发展，已逐步成熟完善，并积累了相当数量的数据资源，为数据挖掘提供了坚实的基础，而通过数据挖掘发现知识，并用于科学决策越来越普遍受到寿险公司的重视。　　数据挖掘　　数据挖掘（Data Mining，DM）是指从大量不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、有用的信息和知识的过程。其表现形式为概念（Concepts）、规则(Rules)、模式(Patterns)等形式。　　目前业内已有很多成熟的数据挖掘方法论，为实际应用提供了理想的指导模型。CRISP-DM（Cross-Industry Standard Process for Data Mining）就是公认的、较有影响的方法论之一。CRISP-DM强调，DM不单是数据的组织或者呈现，也不仅是数据分析和统计建模，而是一个从理解业务需求、寻求解决方案到接受实践检验的完整过程。CRISP-DM将整个挖掘过程分为以下六个阶段：商业理解（Business Understanding），数据理解(Data Understanding)，数据准备(Data Preparation)，建模(Modeling)，评估(Evaluation)和发布(Deployment)。　　商业理解就是对企业运作、业务流程和行业背景的了解；数据理解是对现有企业应用系统的了解；数据准备就是从企业大量数据中取出一个与要探索问题相关的样板数据子集。建模是根据对业务问题的理解，在数据准备的基础上，选择一种更为实用的挖掘模型，形成挖掘的结论。评估就是在实际中检验挖掘的结论，如果达到了预期的效果，就可将结论发布。在实际项目中，CRISP-DM模型中的数据理解、数据准备、建模、评估并不是单向运作的，而是一个多次反复、多次调整、不断修订完善的过程。　　行业数据挖掘　　经过多年的系统运营，寿险公司已积累了相当可观的保单信息、客户信息、交易信息、财务信息等，也出现了超大规模的数据库系统。同时，数据集中为原有业务水平的提升以及新业务的拓展提供了条件，也为数据挖掘提供了丰厚的土壤。　　根据CRISP-DM模型，数据挖掘首先应该做的是对业务的理解、寻找数据挖掘的目标和问题。这些问题包括：代理人的甄选、欺诈识别以及市场细分等，其中市场细分对企业制定经营战略具有极高的指导意义，它是关系到企业能否生存与发展、企业市场营销战略制定与实现的首要问题。　　针对寿险经营的特点，我们可以从不同的角度对客户群体进行分类归纳，从而形成各种客户分布统计，作为管理人员决策的依据。从寿险产品入手，分析客户对不同险种的偏好程度，指导代理人进行重点推广，是比较容易实现的挖掘思路。由于国内经济发展状况不同，各省差异较大，因此必须限定在一个经济水平相当的区域进行分析数据的采样。同时，市场波动也是必须要考虑的问题，一个模型从建立到废弃有一个生命周期，周期根据模型的适应性和命中率确定，因此模型需要不断修订。　　挖掘系统架构　　挖掘系统包括规则生成子系统和应用评估子系统两个部分。　　规则生成子系统主要完成根据数据仓库提供的保单历史数据，统计并产生相关规律，并输出相关结果。具体包括数据抽取转换、挖掘数据库建立、建模（其中包括了参数设置）、模型评估、结果发布。发布的对象是高层决策者，同时将模型提交给应用评估子系统根据效果每月动态生成新的模型。　　应用评估子系统可以理解为生产系统中的挖掘代理程序，根据生成子系统产生的规则按照一定的策略对保单数据进行非类预测。通过系统的任务计划对生产数据产生评估指标。具体包括核心业务系统数据自动转入数据平台、规则实时评估、评估结果动态显示、实际效果评估。规则评估子系统根据规则进行检测。经过一段时间的检测，可利用规则生成子系统重新学习，获得新的规则，不断地更新规则库，直到规则库稳定。　　目前比较常用的分析指标有: 险种、交费年期、被保人职业、被保人年收入、被保人年龄段、被保人性别、被保人婚姻状况等。　　实践中，可结合实际数据状况，对各要素进行适当的取舍，并做不同程度的概括，以形成较为满意的判定树，产生可解释的结论成果。

大数据工作量很大呢，还要写文字。虽然3000字话多不多，话少也不少。稿费多少？呵呵