砻窍氩榭葱∽橄酆透鋈讼鄣氖郑蚬丝驼嘶У氖帧２肪砻窃蛳氩榭锤菹矍阑值氖只蚋畈愕乜茨切┐婊醯ピ⊿KUs）销售势头旺盛或疲软。不同的人查看的信息也各不同，如月份销售量或本年度最近销售量、实际销售量与预算之比、销售的逐年变化，以美元计算的销售量或以其他货币计算的销售量。因此，典型的情况就是，一家公司的财会部门需要制做出许多不同的报表来满足这些多样的商务需求。
这些报表经常可以用电子表格的数字方式来制作。大纲控制可让商界人士从摘要层面开始，然后在任一项目上单击鼠标，以便深入到下属各层的细节。另一个被称作表格透视功能，即使您在多种视图上看到同样的数据。假如您正在看按销售员分类的销售数量，但又想转移到按顾客分类的视图，那么您就可以把“顾客标签”拖曳到恰当的那一行去改变视图。当这些功能与把潜在的数据转化为标准格式的模板结合起来，就得到功能强大的、灵活的数字报表，每个人都可以把该报表个性化，以满足具体的需要。这样的报表也可以用电子邮件四处发达，以供进一步分析和讨论。
中枢表格与一家公司的数据仓栈结合起来后其功能尤其强大。该仓栈的每一个数据库通常有有限的报表功能，从而把制表工作局限于更懂技术的人员。典型情况就是，当人们不知道他们什么时候需要某些详尽的信息时，就可能费时约20～30分钟进行数据库咨询。与数据库连接的中枢表格，可以把数据仓栈的进入权扩大到所有的商务用户，而电子表格界面则可以使用户进行摘要层面上的咨询，并且一步一步地细分下去，以得到更多细节。由于每次数据更新都牵涉到很少的数据，因此回应是很快的。这个界面可以延伸到一个活跃的数据来源，例如实时股票市场馈送。
对商界人士来说，数字工具意味着更快更深层的分析。对会计来说，数字工具意味着花更少时间编写报表，花更多时间帮助商务分析和探索例外情况。对管理商务数据的人员来说，数字工具意味着更快速地得到高质量的信息，使他们每月的结账只要一两天就够了，而不需要几星期。财会部门则不增加人员就可以接受新添加的、牵涉到新数据的任务，例如长期规划、雇员使用情况分析或固定资产分析。
数字工具能做而书面报表所不能做的事情，就是它能使每个人都可以提出即将发生的下一个问题，而您又不知道那个问题将会是什么，所以您就需要利用工具来帮助您独立地探索答案。
哈泼柯林斯公司的在线分析系统使它能够提出这样一些问题：该分销商本周关于这本书的盈利状况如何？但是在线分析系统需要有人来指导询问，而传统的数据库和在线分析系统都不能为在数据中表述不清楚，但又很重要的商务问题找到答案。例如，我的哪一位顾客可能选择产品甲而不是产品乙？满意的顾客和不满意的顾客之间区别何在？我的数据库中哪些顾客与该库中另一些顾客“相似”？诸如此类的非具体性探询，会使在线分析系统的使用者晕头转向、不知所措，因此是没有意义的。高级的数据挖掘技术会利用软件在富含信息的环境里漫游，帮助用户口答一些商务问题，而这些技术人员不必是统计学、数据分析或数据库方面的专家。
数据挖掘能处理的一些难题如下：基于顾客的年龄、性别、人口统计数据和其他类似因素，对顾客购买某一具体货物的可能性做出预测；识别出具有相似浏览习惯的顾客；辨别出具体的顾客偏好，以便提供改进的个人服务；辨别出频繁被访的网页顺序中所涉及到的日期和时间，或顾客打电话模式的频繁时间段；找出高频率地被组合在一起的所有产品组。其最后的一个技术难题通常对商家发现购买模式是很有价值的。但是同一程序的两种报销代码之间的联系，使一家澳大利亚保健公司能够发现用重复报销进行欺诈的1000万美元的花账。
数据挖掘也是预测销售量，并与合伙人和顾客共享这一分析成果的一种有价值的工具。数据挖掘正被利用于生产。银行业、远距离通信、行垦地质学/遥感，以及管理互动式网上商店。例如，微软网址服务器贸易3．0通过识别一个网址上的顾客行为模式，可以预测购物者的兴趣并可以为每一位来访者特制在线购物经验。网上商店可以为每一位来访者特制广告、促销活动和搭配销售报盘。数据挖掘技术也可以保证一家网上商店不用发出大批量的电子信件给其顾客，报一些他们不可能感兴趣的发盘，从而可以避免一项经常被忽略的成本，即用不相干的信息惹恼顾客的代价。
一些不那么典型但却有意义的数据挖掘技术的运用，包括对被领养儿童的档案分析，以便提供更好的社会服务，以及为NBA篮球队搜觅队员。数据挖掘为犹他州爵士队，提供了一整套关于芝加哥公牛队的迈克尔·乔丹的每一个动向的材料，包括一次单人运球，他在传球两三次后一跃而起投篮。但是，数据分析的好坏取决于您实施的能力。犹他州爵士队尽管知道了乔丹的情况，但却阻止不了他用那种运球动作投出决定胜负的一球。在那场球赛中，这一球为芝加哥队赢得了1998年度NBA总决赛冠军。
在商务上最常用的数据挖掘就是数据库营销，公司借此分析数据，以期发现顾客的喜好，然后向具体的顾客群体发出有针对性的报盘。例如，美国航空公司利用其频繁飞行的旅客项目中2600万个成员的信息——例如他们所使用的租车公司、旅馆，以及餐馆等——来拟订有针对性的营销活动，从而节约了1亿多美元的成本。
节约成本，在于编制更精确的顾客模式和削减发出邮件数量的能力。例如，一次诸如采用推销信用卡的直接营销活动，通常仅有大约2％的回应率。美国的梅隆银行在1997年设定了争取20万新户头的目标，为此计划向1000万可能的顾客邮寄邀请函。然而，这家银行却利用了数据挖掘技术产生了3000个最可能的顾客的模式。对这些模式的子集再加以精选，产生了更小的一个数目。测试表明，这个更小的数目会产生12％的回应率。这个回应率使得这家银行只需发出200万份邀请函即可获得他们想要的20万名顾客，而不是原定的向1000万人发出信函。因此，利用数据挖掘技术除了削减成本之外．还提高了每位新开户的顾客的平均利润率，其利润要比通常高3倍，因为该技术瞄准了那些需求最适合梅隆银行服务项目的顾客。
这个例子说明了数据挖掘的两个重要方面。第一个方面仅就其规模而言：牵涉到的数据量和所探索的模式数目要比传统的数据分析量大得多。第二个方面就是，即使是受过高级培训的专家也能获益于数据挖掘；正如我们在梅隆银行的例子中所见，一个外部专家小组得出的结果比本公司专职数据分析部门用常规方法得出的结果高6倍，而所花时间只是后者的四分之一。我们的一个主要目标就是使数据挖掘工具使用简易，因此连最终的商务用户，而不是专家，都会使用它们。
数据挖掘将成为在线互动行为的一项要求。NCR公司的董事长兼首席执行官拉斯·尼伯格向我描述了他使用的银行自动提款机给他显示的提示菜单：您想要英语还是西班牙语的说明？您想提取哪种户头？您想要哪种业务？业务完毕后，还想做另一种业务吗？最后，自动提款机显示一份广告，上面有一个电话号码，告诉顾客，如您想向银行借一笔抵押贷款就可拨这个号。大部分自动提款机用户都操作过类似的菜单。
然而拉斯几乎每次使用自动提款机时，都是从同一个账户上提取同样金额。他已经从这家银行借了一笔抵押贷款。而且每个月都给这家银行付一大笔款以还债。当他塞进他的银行卡时，这台机器为什么不用他通常使用的语言问他：“拉斯，您想从您的初级账户上提取通常的款项吗？”为什么不推销一项他还没有使用的、适合他个人情况的服务呢？这种专门化的服务对他和银行都会更有利。提出这些相关的问题所需要的信息，就储存在某处的一台电脑里。NCR公司实际上就为拉斯使用银行自动提款机的那家银行生产自动提款机，而且正在研制数据挖掘中的主要技术。拉斯非常想为他的顾客解决这种问题。
数据挖掘是顾客关系管理方面（CRM）的一部分，其中信息技术帮助公司靠单独接触而不是大众营销模式来管理顾客关系。在有特定交货渠道的地方，数据挖掘对于联系个人顾客是可行的，不管这货物是一台自动提款机、一个网址，还是通过电子邮件促销和报盘来做的直接营销，有了数据挖掘所提供出的模式，您就可以按此模式向顾客介绍您的产品，这最有可能增加您在他心目中的价值，或他在您心目中的价值。
这种个性化的方式，对于所有媒体上的广告来说有深刻的涵义，包括电视和杂志。随着数字化电视的流行以及电子书籍变为人们偏爱的阅读杂志和报纸的方法，几乎所有类型的广告都会摆脱大众广告，走向个性化广告。出现在屏幕上的广告将根据各地不同的电视观众人口统计情况而有所不同。
公司以后不必为美国每一家有大众媒体的家庭付为一辆汽车或其他商品做广告的费用。相反，它们只需买最有效的人口统计数据来联系自己潜在的顾客。例如，假设某人已经购买了某种类型的汽车，而您认为他或她到市场上购买一辆新车的时间范围正适合您的销售计划，那么您就可以较准确地瞄准那位顾客。一家大汽车公司仍然可以购买其他人口统计资料来保持自己品牌的高知名度，同时也可以把广告聚焦在最佳顾客群上。
我们已经在网上看到了某些个性化的端倪。假如一位用