作为IBM公司中国区全球商业智能解决方案的资深顾问，郑晓军在与目标用户接触时，曾被问到："我现在要对客户进行分类，是否应该采用数据挖掘？"郑晓军反问对方："你想要做什么样的客户划分？如果只是按照传统的客户社会背景划分，那就大没有必要动用数据挖掘；如果想根据客户的行为模式划分，你才用得上数据挖掘。"

这个场景目前在不少中国企业中都会再现。一方面，他们已经开始认识到数据挖掘的意义，对此持积极进取的心态。另外一个方面，他们对于采用数据挖掘应该具备什么样的基础，在实施的过程中应该注意什么问题，怎样才能获得理想的投资回报，却不甚明了。

数据挖掘是高层次的商业智能应用，不是一拍脑子就能上的项目。企业至少应该弄清楚以下三点：起点、难点、重点。

起点：建立数据仓库

企业需要具备什么信息技术基础才能应用数据挖掘技术？较为理想的起点就是建立一个数据仓库。

这个数据仓库里面应保存着所有客户的数据，并且还应有相应的市场竞争对手的相关数据。。数据挖掘的数据应该来自于数据仓库。所用的数据库可以是各种市场上的数据库：IBM、Oracle、Sybase、NCR等等。

有的企业走入了一个误区：在数据仓库还没有建设起来之前，就直接上数据挖掘应用。企业在花了大量人力物力财力之后，却发现这个项目怎么这么难做。结果很有可能放弃，使项目中途夭折。

造成这种结果是因为只看到了数据挖掘的诱人前景，而低估了准备数据的难度。数据挖掘前期的工作量很大，几乎80％的工作都是在准备数据。必须把数据整合、抽取、清洗、转换、装载，在所有数据准备就绪的情况下，来进行数据挖掘，才能有效。

在数据挖掘中有一句至理名言是"垃圾进来，垃圾出去"，指的是进来的数据质量不佳，最后的结果一定不理想。数据的质量一方面靠供应商提供的模型来保障，另一方面靠企业自身。如果给出的最初数据不对，模型再好，最后做出的预测也肯定是错的。

企业级数据仓库的建立在国内刚刚起步，主要集中在IT基础建设比较完善的金融电信行业。对大多数企业来说，一开始就建立整个企业的庞大数据库，显然不太现实。

企业可以根据具体的情况，由总部先定下一些规范性文件，授权和指导不同分支机构在此规则之上运作。每个分支机构根据不同的特点分别建立小一点的数据库，但必须互相交流，确保今后可以把不同的数据库整合起来。如此一来，最后企业级数据仓库的建立就水到渠成了。

难点：和业务目标紧密结合

数据挖掘本身并不产生价值，实施了数据挖掘的结果才有价值。如果没有和业务的核心应用紧密相连，促进业务，那么引入数据挖掘就毫无意义。

怎么让数据挖掘与业务目标真正结合？企业需要思考一系列问题：为什么要上数据挖掘？面临什么紧迫的业务挑战？要解决什么主要的业务问题？业务在哪些方面有改进的余地？现在做得不太好的差距何在？这些差距可以通过发现什么规律得到解决？所需要的信息哪些是可以得到的？

不同的行业侧重解决不同的业务问题，有各自的业务痛苦点，比如电信客户的流失最厉害，而银行客户的信贷风险最突出。不同厂商的产品和解决方案也各有长短，在选型的时候要从自身的需求出发，看哪个产品可以带来更好的技术支持，能够帮助解决主要的业务问题。综合考虑以上问题，确立现实的业务目标，在这种思路指导下，才能保证数据挖掘得到最大的投资回报。

数据挖掘项目不同于一般硬件平台的搭建，成功不是IT部门单独能做到的，需要业务部门的参与。数据挖掘要解决的是业务方面的问题，比如银行对客户的分析：哪些是能带来最大利润度的？哪些是流失风险最高的？由此推出针对性的产品套餐服务、市场推广和销售策略。这些都来自于业务部门，而不是技术部门。技术部门是从技术角度提供支持，负责挑选成熟产品，帮助控制实施风险。技术部门和业务部门的密切配合，需要高层领导的重视、介入、规划和主导。

借助数据挖掘实现业务目标，确定可量化的指标也是很有必要的。要明确系统建立后，能达到什么效益，清楚地定出各个阶段不同的KPI（核心绩效指标）来衡量项目是否成功。当达到一个指标时，会激励大家向下一个阶段努力，帮助推进项目的整体进程。

数据挖掘为了服务于业务部门的需求，在做二次应用开发的时候，应该让内部所有的使用者都参与其中，一起去入口。这样建起来的系统才会让他们感觉能为自己所用，用户界面友好，才会时常使用，运转越来越好。如果入口不好，比较难用，使用者就不会愿意使用，达不到促进业务的目的。

数据挖掘是一套整体解决方案，除了技术因素，咨询服务也是很重要的环节。用户在选型规划的时候，除了选择有成熟的产品、领先技术的厂商外，还要看他是否有丰富的实施经验、行业应用经验、项目管理经验，最好在销售产品的同时也能提供商业咨询服务。厂商的这种知识传递能避免用户少走很多弯路。

重点：培养真正消化技术的实施队伍

郑晓军介绍了数据挖掘项目组的具体构成：业务类的市场分析人员；IT的分析人员；数据工程组（负责把数据抽取出来，准备数据，如果有了数据仓库，数据工程组就会相对轻闲一些）；业务的用户（他们要参与，要看某个工具是否有用）；项目管理员、负责人。

项目组成员所要具备的技能，分为四个方面：了解数据源，了解数据准备过程，了解算法，了解业务。其中数据准备和了解数据源是相关的，了解业务和算法之间的关系最重要。

显然，数据挖掘项目组的成员来自于各个部门，对人员素质的要求是很高的。他们要能够掌握相应的技术匹配和支持服务，才能最大限度地自主应用数据挖掘于业务中。企业内部必须培养一支专门的、真正消化技术的实施队伍，否则是不可能获得成功的。

根据SAS公司的经验，数据挖掘项目是双向互动的过程。在构建实施的过程中，一方面厂商要能把成熟的产品技术、丰富的实践经验、和实用的方法论传递给用户。另一方面用户本身也要消化、应用它。不应用的话，是不会带来任何效益的。

数据挖掘在国外蓬勃发展，很大程度是由于客户成熟度的提高。企业自身将此提高到战略层的高度来重视，而不仅仅是作为IT项目的投入，从业务部门到技术部门都全方位地重视，同时形成相配合相支持的实施队伍。

美林证券公司从1992年就开始建立数据仓库进行数据挖掘了。数据挖掘队伍由开始时只有30余人，几年间扩大成为数百人。同时国外也有一些失败案例，都是因为把数据挖掘当成硬件投入的项目进行管理，忽略了知识的传递、积累，忽略了在方法论指导下的应用。

国内过去一些IT项目失败的主要原因，就在于用户过分依赖厂商，企业自身没有形成一支懂技术、懂业务、懂管理、素质全面的、综合的核心团队。而目前国内凤毛麟角的数据挖掘成功案例，也进一步证明了培养真正消化技术的实施队伍的重要性。

例官网形象入口如宝钢历任领导都非常重视数据仓库项目，每一任领导都亲自参与数据仓库项目的规划。几年来，企业自己已经培养了上千人掌握SAS核心技术的队伍，并且将应用真正深入到了业务中，充分发掘出了数据挖掘的作用。