前言

　　随着信息处理技术的不断发展，信息的存储、管理使用和维护显得越来越重要，而传统的数据库管理系统很难满足其要求，表现为：数据量成几何级数的增长，不同部分的数据难以集合，访问数据的响应性能不断降低。要使数据能够发挥其最佳功效，更好地为用户服务，数据仓库的出现为用户处理所需要的决策信息提供了一种有效的方法。

　　1 相关理论和技术基础

　　数据挖掘的定义：数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的原始数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。

　　数据挖掘其实是一个逐渐演变的过程。电子数据处理的初期，人们就试图通过一些方法来实现自动决策支持，当时机器学习成为人们关心的焦点。机器学习的过程就是将一些已知并成功解决的问题作为范例输入计算机，机器通过学习这些范例，总结并生成相应的规则。随后，随着神经网络技术的形成和发展，人们的注意力转向知识工程。知识工程不同于机器学习，不是为计算机输入范例，由其生成的规则，而是直接为计算机输入已被代码化的规则，而计算机是通过使用这些规则解决某些问题。专家系统就是这种方法所得到的成果，但有投资大和效果不甚理想等不足。20世纪80年代人们又在新的神经网络理论的指导下，重新回到机器学习的方法上。并将其成果应用于处理大型商业数据库，出现了数据库中的知识发现，简称KDD(Knowledged Discovery in Database)。它泛指从所有数据源中发掘模式的联系和方法，人们接受了这个术语。1995 在美国计算机学会(ACM)上，提出了数据挖掘(DM，DataMining)概念作为知识发现过程的关键步骤，但是现在人们对于KDD和DM 这两个概念通常不加以区别，所以往往混用。

　　2 数据挖掘中的聚类算法

　　聚类算法是本文重点研究的对象，通过介绍聚类算法的一些基本原理和概念，将此算法在CRM 系统中作出一个应用。

　　聚类：聚类是开始分析的好方法，特别是面临大量复杂的可能有很多内部结构的数据集。通过使用这种方法，分析者可以将一个大问题按照特征分成一组。，这些聚类提供了对其中成员的描述。通过提供分类这些聚类的方法，我们就能够对问题有个大致的了解。聚类就是将物理或抽象的集合分组成为由类似的对象组成的多个类的过程。聚类的结果是使同一个类别内的对象具有较高的相似度，而不同的类别的对象之间差别很大。聚类增强了人们对客观现实的认识，是概念描述和偏差分析的先决条件。

　　2.1 CRM的概念

　　CRM 的核心内容是通过不断地改善与管理企业销售、营销、客户服务和支持等与客户关系有关的业务流程，提高各个环节的自动化程度。从而缩短销售周期，降低销售成本，扩大销售量，抢占更多市场份额，寻求新的市场机会，最终达到从根本上提升企业核心竞争力的目的。

　　2.2 数据仓库的特点

　　数据仓库是面向主题的主题，是指用户使用数据仓库进行决策时所关心的重点方面，如工业情况、农业情况、整个高科技园发展状况等;所谓面向主题，是指数据仓库内的信息是按主题进行组织的，为按主题进行决策的过程提供信息。

　　数据仓库是集成的：集成，是指数据仓库中的信息不是从各个业务系统中简单抽取出来的，是经过系统加工、汇总和整理，保证数据仓库内的信息是关于整个系统的一致的全局信息。

　　数据仓库是稳定的：稳定，是指一旦某个数据进入数据仓库以后，一般情况下将被长期保留，也就是数据仓库中一般有大量的插入和查询操作，但修改和删除操作很少。

　　数据仓库是随时间增长的：数据仓库包含历史数据，是指数据仓库内的信息并不只是某一时点的信息，而是系统记录了从过去某一时点(如开始应用数据仓库的时点)到目前各个阶段的信息，通过这些信息表明发展历程并对趋势做出定量分析和预测。

图1 数据仓库概念结构图

　　在本文的CRM系统建模中，建立超市的数据仓库是一个关键的步骤。