3.只要有了數(shù)據(jù)挖掘工具，就能自動挖掘出所需要的信息
 
　　這是人們常有的一個認識誤區(qū)。數(shù)據(jù)挖掘利用了統(tǒng)計和人工智能技術(shù)的應(yīng)用程序，它把這些高深復雜的技術(shù)封裝起來，使人們不用自己掌握這些技術(shù)也能完成同樣的功能，并且更專注于自己所要解決的問題。雖然如此，人們?nèi)匀恍枰浪x用的數(shù)據(jù)挖掘工具是如何工作的。換句話說，數(shù)據(jù)挖掘永遠不會替代有經(jīng)驗的商業(yè)分析師或管理人員所起的作用，它只是提供一個強大的工具。數(shù)據(jù)挖掘決不會在缺乏指導的情況下自動地發(fā)現(xiàn)模型。數(shù)據(jù)挖掘工具要做的就是使這些模型得到的更容易、更方便，而且有根據(jù)。比如客戶關(guān)系管理，不是只設(shè)一個客服專線，更不僅僅是把一堆客戶基本數(shù)據(jù)輸入計算機。一個完整的客戶關(guān)系管理運作機制在相關(guān)的硬軟件系統(tǒng)功能健全的支持之前，要有大量的數(shù)據(jù)準備工作與分析過程推動。
 
　　邁克爾·J·A·貝里和戈登·S·利諾夫指出，通過4種有效途徑可以實現(xiàn)數(shù)據(jù)挖掘技術(shù)在企業(yè)中的專業(yè)化應(yīng)用，即：從企業(yè)外的制造商處購買與企業(yè)商業(yè)問題配套的評分機制，購買實施整體解決方案的數(shù)據(jù)挖掘軟件，針對特定問題聘請外部專家完成預測模型的建立，以及在組織內(nèi)部掌握數(shù)據(jù)挖掘技能。他們認為，從公司長遠發(fā)展考慮，最后一種方法應(yīng)作為企業(yè)首選。因為這將促使企業(yè)把數(shù)據(jù)挖掘視為企業(yè)的法寶，并通過它將客戶關(guān)系管理推向企業(yè)戰(zhàn)略的核心。鑒于此，一個企業(yè)想要在未來的市場中具有競爭力。必須有一些數(shù)據(jù)挖掘方面的專家，專門從事數(shù)據(jù)分析和數(shù)據(jù)挖掘工作，再同其他部門協(xié)調(diào)，把挖掘出來的信息提供給決策者參考，但國內(nèi)的企業(yè)還很少有決策人員認識到這一點。如果管理者沒有這方面的意識，數(shù)據(jù)挖掘就很難發(fā)揮其應(yīng)有的作用，且很容易走向兩個極端：一是認為數(shù)據(jù)挖掘沒有用處，二是認為數(shù)據(jù)挖掘是萬能的，而得到的結(jié)果往往與初始期望相去甚遠。
 
　　4.企業(yè)開發(fā)、運用數(shù)據(jù)挖掘的結(jié)果是可以預期的
 
　　這也是企業(yè)界對數(shù)據(jù)挖掘認識上的一個慣常誤區(qū)。實際上，企業(yè)界運用數(shù)據(jù)挖掘要受許多因素的影響，例如，不充足的教育訓練、不適當?shù)闹С止ぞ摺?shù)據(jù)的無效性、過于豐富的模型、多變與具有時間性的數(shù)據(jù)、空間導向數(shù)據(jù)、數(shù)據(jù)的衡量性等。面對易變的環(huán)境，沒有立刻能用的現(xiàn)成的模型，數(shù)據(jù)挖掘的本質(zhì)是發(fā)現(xiàn)非預期的模式，同樣，非預期的模式要以非預期的方法來發(fā)現(xiàn)，更不能期望按照程序即能成功。因此，要分析一些潛在的因素，如數(shù)據(jù)取舍、實體關(guān)系性、數(shù)量多寡、復雜性、數(shù)據(jù)質(zhì)量、可取得性、專家意見等因素，才能做好挖掘工作。此外，所有通過數(shù)據(jù)挖掘發(fā)現(xiàn)的知識都是相對的.是有特定前提和約束條件且面向特定領(lǐng)域的。對于數(shù)據(jù)挖掘而言，需求牽引、市場驅(qū)動是永恒的，而對于企業(yè)應(yīng)用數(shù)據(jù)挖掘而言，面向客戶、講求實際才是最主要的。
 
　　5.數(shù)據(jù)挖掘是企業(yè)商業(yè)智能的核心
 
　　簡而言之，商業(yè)智能是能夠幫助用戶對自身業(yè)務(wù)經(jīng)營作出正確明智決定的工具。不可否認，數(shù)據(jù)挖掘可以增加企業(yè)智慧，提升企業(yè)競爭優(yōu)勢，是企業(yè)走向智能化的重要組成部分。但是一個完整的知識挖掘過程牽涉大量的規(guī)劃與準備，包括理解數(shù)據(jù)、融合與核查資料、去除錯誤或不一致的數(shù)據(jù)、發(fā)展模式與假設(shè)、實際數(shù)據(jù)挖掘工作、測試與審核所挖掘的數(shù)據(jù)、解釋與使用數(shù)據(jù)等，從這個角度看，數(shù)據(jù)挖掘只是知識發(fā)掘過程中的一個步驟而已，而達到這個步驟前還有許許多多的工作要完成。
 
　　從技術(shù)層面來看，商業(yè)智能的技術(shù)體系包括數(shù)據(jù)倉庫、在線分析處理(OLAP)以及數(shù)據(jù)挖掘3部分。所謂數(shù)據(jù)倉庫就是面向主題的、集成的、穩(wěn)定的、不同時間的數(shù)據(jù)集合.它提供在線分析處理或數(shù)據(jù)挖掘所需要的、整齊一致的數(shù)據(jù)，用以支持經(jīng)營管理中的決策制定過程。OLAP則是幫助分析人員、管理人員多種角度地把從原始數(shù)據(jù)中轉(zhuǎn)化出來、能夠真正為用戶所理解的、并真實反映數(shù)據(jù)特性的信息，進行快速、一致、交互的訪問，從而獲得對數(shù)據(jù)更深入了解的一類軟件技術(shù)。而數(shù)據(jù)挖掘是一種決策支持過程，通過高度自動化地分析企業(yè)原有的數(shù)據(jù)，從中挖掘出潛在的模式，預測客戶的行為，幫助企業(yè)的決策者調(diào)整市場策略，減少風險，作出正確的決策圈。這三者的關(guān)系如圖2所示。
 
　　
 
　　圖2 數(shù)據(jù)挖掘、OLAP、數(shù)據(jù)倉庫之間的關(guān)系示意圖
 
　　由圖2可以看出，數(shù)據(jù)倉庫是商業(yè)智能的基礎(chǔ)，它是一個環(huán)境，主要提供用于決策支持的當前和歷史的數(shù)據(jù);OLAP屬于數(shù)據(jù)倉庫應(yīng)用，它以數(shù)據(jù)倉庫為基礎(chǔ)，其分析結(jié)果可以為數(shù)據(jù)挖掘提供分析信息，作為挖掘的依據(jù);數(shù)據(jù)挖掘則可以拓展OLAP的深度，可以發(fā)現(xiàn)OLAP所不能發(fā)現(xiàn)的更為復雜細致的信息。可見，只有將數(shù)據(jù)挖掘與OLAP、數(shù)據(jù)倉庫結(jié)合起來，才能使企業(yè)的許多業(yè)務(wù)流程實現(xiàn)智能化運作。離開了數(shù)據(jù)倉庫和OLAP，商業(yè)智能無從實現(xiàn)，因此，數(shù)據(jù)挖掘、OLAP與數(shù)據(jù)倉庫均是企業(yè)商業(yè)智能的核心技術(shù)。