提起数据挖掘的应用，大家一般会想起预测分析。例如，预测明年公司的业绩将会是多少？哪些客户可能流失？而实际上，数据挖掘除了预测未来，还可以帮助企业进行聚类分析、推荐、异常监测、相关性分析等等，还能广泛应用于企业运营、生产控制、城市规划、市场分析等各个领域。

　　大家都知道数据挖掘牛逼，但是真正能把数据挖掘技术用起来的却并不多，究其原因，主要是觉得数据挖掘太难了！不仅需要用户具备一定的专业知识，还需要花费大量的精力进行算法选择、数据训练。所以，数据挖掘的门槛很高，非专业高阶人士不可用。

　　那对于想用数据挖掘功能的普通用户来说，他们该怎么实现数据更深层的价值挖掘呢？下面，小麦给大家介绍Smartbi产品数据挖掘的一些功能，这些功能非常简单便捷，就算是业务人员都可以使用：

　　封装意味着屏蔽了底层技术的复杂性，留给用户的是可见的成品。Smartbi产品封装20+数据预处理方法、10+特征工程方法、50+数据挖掘算法，含统计分析、文本分析、分类、回归、聚类、关联算法等，用于对数据进行统计、处理、分析、预测和分类。

　　创建实验时，虽然通过拖拽即可进行组件的组合和流程的创建，但有的用户可能还是会觉得复杂，那我们就把组合和流程再次封装，实现向导化，进一步降低用户的使用门槛。

　　我们支持使用自助机器学习功能快速创建数据挖掘实验，你只需要根据页面向导提示，配置数据源、算法、特征三个步骤的设置项，即可快速自动生成实验，即使没有太多专业知识，也能使用机器学习。

　　有娃的都知道，若是家里的娃娃可以自主学习，那老母亲真是太幸福了。而对于模型来讲，能够自学习，也是代表着模型能够自动通过训练提高准确性。

　　已经发布的模型随着时间推移，准确性可能会逐步降低。这时若通过补充新的数据，重新进行训练，则有可能提高模型的准确性。模型自学习则是将这个步骤自动化，并能自动将符合一定要求的模型发布或者部署到生产中，它能解决模型长期得不到更新而导致准确性降低的问题，并极大地减轻运维人员的工作量。

　　类似于模板的复用，我们已保存的训练模型无需再次训练，可直接利用特征进行分类和回归预测，使用起来也更加简单方便。

　　如下图示例，我们可以将已经训练好的垃圾短信模型，直接拖拽进来对“垃圾短信识别”的数据进行预测，查看其是否为垃圾短信。

　　用户创建好模型后，需要进行对比，判断哪个模型的算法准确性更高。产品支持模型对比功能，通过可视化选择需要对比评估的算法模型，能把分散的结果统一汇总，一键生成对比报告，便于业务人员查看保存。

　　产品还内置丰富的案例，包括银行零售客户流失预测、波士顿房价预测、城市功能区识别、动物种类分类、二手车交易价格预测、购物篮分析等等，打开即可参考应用。

　　比如购物篮分析，使用FP-Growth关联规则算法实现，可以发现超市不同商品之间的关联关系，并根据商品之间的关联规则制定销售策略。