數(shù)據(jù)挖掘綜述第1頁，共51頁，2023年，2月20日，星期五1數(shù)據(jù)挖掘技術(shù)的由來1.1網(wǎng)絡(luò)技術(shù)的高度發(fā)展1.2數(shù)據(jù)爆炸但知識貧乏1.3支持?jǐn)?shù)據(jù)挖掘技術(shù)的基礎(chǔ)1.4從商業(yè)數(shù)據(jù)到商業(yè)信息的進(jìn)化第2頁，共51頁，2023年，2月20日，星期五1.2數(shù)據(jù)爆炸但知識貧乏

激增的數(shù)據(jù)背后隱藏著許多重要的信息，人們希望能夠?qū)ζ溥M(jìn)行更高層次的分析，以便更好地利用這些數(shù)據(jù)。目前的數(shù)據(jù)庫系統(tǒng)可以高效地實(shí)現(xiàn)數(shù)據(jù)的錄入、查詢、統(tǒng)計(jì)等功能，但無法發(fā)現(xiàn)數(shù)據(jù)中存在的關(guān)系和規(guī)則，無法根據(jù)現(xiàn)有的數(shù)據(jù)預(yù)測未來的發(fā)展趨勢。第3頁，共51頁，2023年，2月20日，星期五1.3支持?jǐn)?shù)據(jù)挖掘技術(shù)的技術(shù)基礎(chǔ)

海量數(shù)據(jù)搜集強(qiáng)大的多處理器計(jì)算機(jī)數(shù)據(jù)挖掘算法第4頁，共51頁，2023年，2月20日，星期五1.4從商業(yè)數(shù)據(jù)到商業(yè)信息的進(jìn)化進(jìn)化階段商業(yè)問題支持技術(shù)產(chǎn)品廠家產(chǎn)品特點(diǎn)數(shù)據(jù)搜集

(60年代)“過去五年中我的總收入是多少？”計(jì)算機(jī)、磁帶和磁盤IBM,CDC提供歷史性的、靜態(tài)的數(shù)據(jù)信息數(shù)據(jù)訪問

(80年代)“在新英格蘭的分部去年三月的銷售額是多少？”關(guān)系數(shù)據(jù)庫（RDBMS），結(jié)構(gòu)化查詢語言（SQL），ODBCOracle、Sybase、Informix、IBM、MicrosoftOracle、Sybase、Informix、IBM、Microsoft在記錄級提供歷史性的、動態(tài)數(shù)據(jù)信息數(shù)據(jù)倉庫；

決策支持

(90年代)“在新英格蘭的分部去年三月的銷售額是多少？波士頓據(jù)此可得出什么結(jié)論？”聯(lián)機(jī)分析處理（OLAP）、多維數(shù)據(jù)庫、數(shù)據(jù)倉庫Pilot、Comshare、Arbor、Cognos、Microstrategy在各種層次上提供回溯的、動態(tài)的數(shù)據(jù)信息數(shù)據(jù)挖掘

（正在流行）“下個(gè)月波士頓的銷售會怎么樣？為什么？”高級算法、多處理器計(jì)算機(jī)、海量數(shù)據(jù)庫Pilot、Lockheed、IBM、SGI、其他初創(chuàng)公司提供預(yù)測性的信息第5頁，共51頁，2023年，2月20日，星期五2數(shù)據(jù)挖掘的定義

2.1技術(shù)上的定義2.2商業(yè)角度的定義2.3數(shù)據(jù)挖掘與傳統(tǒng)分析方法的區(qū)別第6頁，共51頁，2023年，2月20日，星期五2.1數(shù)據(jù)挖掘在技術(shù)上的定義數(shù)據(jù)挖掘（DataMining）就是從大量的、不完全的、有噪聲的、模糊的、隨機(jī)的實(shí)際應(yīng)用數(shù)據(jù)中，提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程。數(shù)據(jù)源必須是真實(shí)的、大量的、含噪聲的；發(fā)現(xiàn)的是用戶感興趣的知識；發(fā)現(xiàn)的知識要可接受、可理解、可運(yùn)用；第7頁，共51頁，2023年，2月20日，星期五原始數(shù)據(jù)可以是結(jié)構(gòu)化，如關(guān)系數(shù)據(jù)庫中的數(shù)據(jù)；也可以是半結(jié)構(gòu)化的，如文本、圖形和圖像數(shù)據(jù)；甚至是分布在網(wǎng)絡(luò)上的異構(gòu)型數(shù)據(jù)。發(fā)現(xiàn)知識的方法可以是數(shù)學(xué)的，也可以是非數(shù)學(xué)的；可以是演繹的，也可以是歸納的。發(fā)現(xiàn)的知識可以被用于信息管理，查詢優(yōu)化，決策支持和過程控制等，還可以用于數(shù)據(jù)自身的維護(hù)。第8頁，共51頁，2023年，2月20日，星期五2.2商業(yè)角度定義數(shù)據(jù)挖掘是一種新的商業(yè)信息處理技術(shù)，其主要特點(diǎn)是對商業(yè)數(shù)據(jù)庫中的大量業(yè)務(wù)數(shù)據(jù)進(jìn)行抽取、轉(zhuǎn)換、分析和其他模型化處理，從中提取輔助商業(yè)決策的關(guān)鍵性數(shù)據(jù)。

按企業(yè)既定業(yè)務(wù)目標(biāo)，對大量的企業(yè)數(shù)據(jù)進(jìn)行探索和分析，揭示隱藏的、未知的或驗(yàn)證已知的規(guī)律性，并進(jìn)一步將其模型化的先進(jìn)有效的方法。

第9頁，共51頁，2023年，2月20日，星期五2.3數(shù)據(jù)挖掘與傳統(tǒng)分析方法的區(qū)別數(shù)據(jù)挖掘與傳統(tǒng)的數(shù)據(jù)分析(如查詢、報(bào)表、聯(lián)機(jī)應(yīng)用分析)的本質(zhì)區(qū)別是數(shù)據(jù)挖掘是在沒有明確假設(shè)的前提下去挖掘信息、發(fā)現(xiàn)知識.數(shù)據(jù)挖掘所得到的信息應(yīng)具有先未知,有效和可實(shí)用三個(gè)特征.

第10頁，共51頁，2023年，2月20日，星期五3數(shù)據(jù)挖掘的研究歷史和現(xiàn)狀3.1研究歷史3.2國內(nèi)現(xiàn)狀3.3業(yè)界現(xiàn)狀3.4出版物及工具第11頁，共51頁，2023年，2月20日，星期五3.1研究歷史第12頁，共51頁，2023年，2月20日，星期五3.2國內(nèi)現(xiàn)狀1993年國家自然科學(xué)基金首次支持我們對該領(lǐng)域的研究項(xiàng)目。目前，國內(nèi)的許多科研單位和高等院校競相開展知識發(fā)現(xiàn)的基礎(chǔ)理論及其應(yīng)用研究，這些單位包括清華大學(xué)、中科院計(jì)算技術(shù)研究所、空軍第三研究所、海軍裝備論證中心等。其中，北京系統(tǒng)工程研究所對模糊方法在知識發(fā)現(xiàn)中的應(yīng)用進(jìn)行了較深入的研究，北京大學(xué)也在開展對數(shù)據(jù)立方體代數(shù)的研究，華中理工大學(xué)、復(fù)旦大學(xué)、浙江大學(xué)、中國科技大學(xué)、中科院數(shù)學(xué)研究所、吉林大學(xué)等單位開展了對關(guān)聯(lián)規(guī)則開采算法的優(yōu)化和改造；南京大學(xué)、四川聯(lián)合大學(xué)和上海交通大學(xué)等單位探討、研究了非結(jié)構(gòu)化數(shù)據(jù)的知識發(fā)現(xiàn)以及Web數(shù)據(jù)挖掘。

第13頁，共51頁，2023年，2月20日，星期五3.3業(yè)內(nèi)現(xiàn)狀最近，業(yè)內(nèi)的一次高級技術(shù)調(diào)查將數(shù)據(jù)挖掘和人工智能列為“未來三到五年內(nèi)將對工業(yè)產(chǎn)生深遠(yuǎn)影響的五大關(guān)鍵技術(shù)”之首，并且還將并行處理體系和數(shù)據(jù)挖掘列為未來五年內(nèi)投資焦點(diǎn)的十大新興技術(shù)前兩位。第14頁，共51頁，2023年，2月20日，星期五3.4出版物及工具有不少KDD電子出版物，其中以半月刊KnowledgeDiscoveryNuggets最為權(quán)威。在網(wǎng)上還有許多自由論壇，如DMEmailClub等。至于DMKD書籍，可以在任意一家計(jì)算機(jī)書店找到十多本。目前，世界上比較有影響的典型數(shù)據(jù)挖掘系統(tǒng)有：SAS公司的EnterpriseMiner、IBM公司的IntelligentMiner、SGI公司的SetMiner、SPSS公司的Clementine、Sybase公司的WarehouseStudio、RuleQuestResearch公司的See5、還有CoverStory、EXPLORA、KnowledgeDiscoveryWorkbench、DBMiner、Quest等。還可以訪問.網(wǎng)站，該網(wǎng)站提供了許多數(shù)據(jù)挖掘系統(tǒng)和工具的性能測試報(bào)告。

第15頁，共51頁，2023年，2月20日，星期五4.數(shù)據(jù)挖掘研究的內(nèi)容目前DMKD的主要研究內(nèi)容包括：基礎(chǔ)理論、發(fā)現(xiàn)算法、數(shù)據(jù)倉庫、可視化技術(shù)、定性定量互換模型、知識表示方法、發(fā)現(xiàn)知識的維護(hù)和再利用、半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)中的知識發(fā)現(xiàn)以及網(wǎng)上數(shù)據(jù)挖掘等。第16頁，共51頁，2023年，2月20日，星期五數(shù)據(jù)挖掘所發(fā)現(xiàn)的知識最常見的有以下幾類：4.1廣義知識(Generalization)4.2關(guān)聯(lián)知識(Association)4.3分類知識(Classification&Clustering)4.4預(yù)測型知識(Prediction)4.5偏差型知識(Deviation)第17頁，共51頁，2023年，2月20日，星期五4.1廣義知識（Generalization）廣義知識指類別特征的概括性描述知識。根據(jù)數(shù)據(jù)的微觀特性發(fā)現(xiàn)其表征的、帶有普遍性的、較高層次概念的知識，反映同類事物共同性質(zhì)，是對數(shù)據(jù)的概括、精煉和抽象。

第18頁，共51頁，2023年，2月20日，星期五廣義知識的發(fā)現(xiàn)方法和實(shí)現(xiàn)技術(shù)有很多，如數(shù)據(jù)立方體、面向?qū)傩缘臍w約等。

數(shù)據(jù)立方體

:基本思想是實(shí)現(xiàn)某些常用的代價(jià)較高的聚集函數(shù)的計(jì)算，諸如計(jì)數(shù)、求和、平均、最大值等，并將這些實(shí)現(xiàn)視圖儲存在多維數(shù)據(jù)庫中。

面向?qū)傩缘臍w約方法:基本思想是收集數(shù)據(jù)庫中的相關(guān)數(shù)據(jù)集，然后在相關(guān)數(shù)據(jù)集上應(yīng)用一系列數(shù)據(jù)推廣技術(shù)進(jìn)行數(shù)據(jù)推廣，包括屬性刪除、概念樹提升、屬性閾值控制、計(jì)數(shù)及其他聚集函數(shù)傳播等。

第19頁，共51頁，2023年，2月20日，星期五4.2關(guān)聯(lián)知識(Association)它反映一個(gè)事件和其他事件之間依賴或關(guān)聯(lián)的知識。如果兩項(xiàng)或多項(xiàng)屬性之間存在關(guān)聯(lián)，那么其中一項(xiàng)的屬性值就可以依據(jù)其他屬性值進(jìn)行預(yù)測。最為著名的關(guān)聯(lián)規(guī)則發(fā)現(xiàn)方法是R.Agrawal提出的Apriori算法。第20頁，共51頁，2023年，2月20日，星期五關(guān)聯(lián)規(guī)則的發(fā)現(xiàn)可分為兩步：第一步是迭代識別所有的頻繁項(xiàng)目集，要求頻繁項(xiàng)目集的支持率不低于用戶設(shè)定的最低值；第二步是從頻繁項(xiàng)目集中構(gòu)造可信度不低于用戶設(shè)定的最低值的規(guī)則。第21頁，共51頁，2023年，2月20日，星期五分類知識(Classification＆Clustering)分類知識反映同類事物共同性質(zhì)的特征型知識和不同事物之間的差異型特征知識。最為典型的分類方法是基于決策樹的分類方法。它是從實(shí)例集中構(gòu)造決策樹，是一種有指導(dǎo)的學(xué)習(xí)方法。第22頁，共51頁，2023年，2月20日，星期五數(shù)據(jù)分類還有統(tǒng)計(jì)、粗糙集（RoughSet）等方法。線性回歸和線性辨別分析是典型的統(tǒng)計(jì)模型。為降低決策樹生成代價(jià)，人們還提出了一種區(qū)間分類器。最近也有人研究使用神經(jīng)網(wǎng)絡(luò)方法在數(shù)據(jù)庫中進(jìn)行分類和規(guī)則提取。

第23頁，共51頁，2023年，2月20日，星期五4.4預(yù)測型知識（Prediction）預(yù)測知識根據(jù)時(shí)間序列型數(shù)據(jù)，由歷史的和當(dāng)前的數(shù)據(jù)去推測未來的數(shù)據(jù)，也可以認(rèn)為是以時(shí)間為關(guān)鍵屬性的關(guān)聯(lián)知識。時(shí)間序列預(yù)測方法有經(jīng)典的統(tǒng)計(jì)方法、神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)等。第24頁，共51頁，2023年，2月20日，星期五4.5偏差型知識(Deviation)偏差型知識是對差異和極端特例的描述，揭示事物偏離常規(guī)的異?，F(xiàn)象，如標(biāo)準(zhǔn)類外的特例，數(shù)據(jù)聚類外的離群值等。第25頁，共51頁，2023年，2月20日，星期五5數(shù)據(jù)挖掘的功能

5.1自動預(yù)測趨勢和行為

5.2關(guān)聯(lián)分析

5.3聚類

5.4概念描述

5.5偏差檢測第26頁，共51頁，2023年，2月20日，星期五

5.1自動預(yù)測趨勢和行為

數(shù)據(jù)挖掘自動在大型數(shù)據(jù)庫中尋找預(yù)測性信息，以往需要進(jìn)行大量手工分析的問題如今可以迅速直接由數(shù)據(jù)本身得出結(jié)論。一個(gè)典型的例子是市場預(yù)測問題，數(shù)據(jù)挖掘使用過去有關(guān)促銷A的數(shù)據(jù)來尋找未來投資中回報(bào)最大的用戶，其它可預(yù)測的問題包括預(yù)報(bào)破產(chǎn)以及認(rèn)定對指定事件最可能作出反應(yīng)的群體。

第27頁，共51頁，2023年，2月20日，星期五5.2關(guān)聯(lián)分析關(guān)聯(lián)分析的目的是找出數(shù)據(jù)庫中隱藏的關(guān)聯(lián)網(wǎng)。若兩個(gè)或多個(gè)變量的取值之間存在某種規(guī)律性，就稱為關(guān)聯(lián)。關(guān)聯(lián)可分為簡單關(guān)聯(lián)、時(shí)序關(guān)聯(lián)、因果關(guān)聯(lián)。有時(shí)并不知道數(shù)據(jù)庫中數(shù)據(jù)的關(guān)聯(lián)函數(shù)，即使知道也是不確定的，因此關(guān)聯(lián)分析生成的規(guī)則帶有可信度。

第28頁，共51頁，2023年，2月20日，星期五5.3聚類數(shù)據(jù)庫中的記錄可被化分為一系列有意義的子集，即聚類。聚類增強(qiáng)了人們對客觀現(xiàn)實(shí)的認(rèn)識，是概念描述和偏差分析的先決條件。聚類技術(shù)主要包括傳統(tǒng)的模式識別方法和數(shù)學(xué)分類學(xué)。第29頁，共51頁，2023年，2月20日，星期五5.4概念描述概念描述就是對某類對象的內(nèi)涵進(jìn)行描述，并概括這類對象的有關(guān)特征。概念描述分為特征性描述和區(qū)別性描述，前者描述某類對象的共同特征，后者描述不同類對象之間的區(qū)別。生成一個(gè)類的特征性描述只涉及該類對象中所有對象的共性。生成區(qū)別性描述的方法很多，如決策樹方法、遺傳算法等。

第30頁，共51頁，2023年，2月20日，星期五5.5偏差檢測數(shù)據(jù)庫中的數(shù)據(jù)常有一些異常記錄，從數(shù)據(jù)庫中檢測這些偏差很有意義。偏差包括很多潛在的知識，如分類中的反常實(shí)例、不滿足規(guī)則的特例、觀測結(jié)果與模型預(yù)測值的偏差、量值隨時(shí)間的變化等。偏差檢測的基本方法是，尋找觀測結(jié)果與參照值之間有意義的差別。第31頁，共51頁，2023年，2月20日，星期五6數(shù)據(jù)挖掘常用技術(shù)

6.1人工神經(jīng)網(wǎng)絡(luò)6.2決策樹6.3遺傳算法6.4近鄰算法6.5規(guī)則推導(dǎo)第32頁，共51頁，2023年，2月20日，星期五6.1人工神經(jīng)網(wǎng)絡(luò)優(yōu)點(diǎn)1:為解決大復(fù)雜度問題提供了一種相對來說比較有效的簡單方法。神經(jīng)網(wǎng)絡(luò)可以很容易的解決具有上百個(gè)參數(shù)的問題。優(yōu)點(diǎn)2：很容易在并行計(jì)算機(jī)上實(shí)現(xiàn)，可以把他的節(jié)點(diǎn)分配到不同的CPU上并行計(jì)算。

第33頁，共51頁，2023年，2月20日，星期五第34頁，共51頁，2023年，2月20日，星期五在使用神經(jīng)網(wǎng)絡(luò)時(shí)的幾點(diǎn)注意神經(jīng)網(wǎng)絡(luò)很難解釋，目前還沒有能對神經(jīng)網(wǎng)絡(luò)做出顯而易見解釋的方法學(xué)。神經(jīng)網(wǎng)絡(luò)會過度學(xué)習(xí)，在訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)一定要恰當(dāng)?shù)氖褂靡恍┠車?yán)格衡量神經(jīng)網(wǎng)絡(luò)的方法，如測試集方法和交叉驗(yàn)證法等。這主要是由于神經(jīng)網(wǎng)絡(luò)太靈活、可變參數(shù)太多，如果給足夠的時(shí)間，他幾乎可以“記住”任何事情。

第35頁，共51頁，2023年，2月20日，星期五在使用神經(jīng)網(wǎng)絡(luò)時(shí)的幾點(diǎn)注意除非問題非常簡單，訓(xùn)練一個(gè)神經(jīng)網(wǎng)絡(luò)可能需要相當(dāng)可觀的時(shí)間才能完成。當(dāng)然，一旦神經(jīng)網(wǎng)絡(luò)建立好了，在用它做預(yù)測時(shí)運(yùn)行時(shí)還是很快得。建立神經(jīng)網(wǎng)絡(luò)需要做的數(shù)據(jù)準(zhǔn)備工作量很大。

第36頁，共51頁，2023年，2月20日，星期五

6.2決策樹決策樹是應(yīng)用最廣的歸納推理算法之一。它提供了一種獲取分類規(guī)則的方法。第37頁，共51頁，2023年，2月20日，星期五決策樹的基本組成部分：根節(jié)點(diǎn)、分支和葉節(jié)點(diǎn)。第38頁，共51頁，2023年，2月20日，星期五決策樹很擅長處理非數(shù)值型數(shù)據(jù)，這與神經(jīng)網(wǎng)絡(luò)只能處理數(shù)值型數(shù)據(jù)比起來，就免去了很多數(shù)據(jù)預(yù)處理工作。甚至有些決策樹算法專為處理非數(shù)值型數(shù)據(jù)而設(shè)計(jì)。第39頁，共51頁，2023年，2月20日，星期五6.3遺傳算法

基于進(jìn)化理論，并采用遺傳結(jié)合、遺傳變異、以及自然選擇等設(shè)計(jì)方法的優(yōu)化技術(shù)。第40頁，共51頁，2023年，2月20日，星期五7數(shù)據(jù)挖掘的主要流程（四個(gè)階段）

系統(tǒng)的數(shù)據(jù)挖掘過程是一個(gè)不斷循環(huán)、優(yōu)化的過程。

第41頁，共51頁，2023年，2月20日，星期五數(shù)據(jù)挖掘各階段的工作量

DataMining牽涉大量的規(guī)劃與準(zhǔn)備，專家聲稱高達(dá)80%的過程花在準(zhǔn)備數(shù)據(jù)階段。確定業(yè)務(wù)對象數(shù)據(jù)準(zhǔn)備模式發(fā)現(xiàn)模式評估與解釋

第42頁，共51頁，2023年，2月20日，星期五8數(shù)據(jù)挖掘未來研究方向及熱點(diǎn)8.1數(shù)據(jù)挖掘未來研究方向8.2數(shù)據(jù)挖掘熱點(diǎn)

8.2.1網(wǎng)站的數(shù)據(jù)挖掘

8.2.2生物信息或基因的數(shù)據(jù)挖掘

8.2.3文本的數(shù)據(jù)挖掘第43頁，共51頁，2023年，2月20日，星期五8.1數(shù)據(jù)挖掘未來研究方向發(fā)現(xiàn)語言的形式化描述，即研究專門用于知識發(fā)現(xiàn)的數(shù)據(jù)挖掘語言。尋求數(shù)據(jù)挖掘過程中的可視化方法，使知識發(fā)現(xiàn)的過程能夠被用戶理解，也便于在知識發(fā)現(xiàn)的過程中進(jìn)行人機(jī)交互。研究在網(wǎng)絡(luò)環(huán)境下的數(shù)據(jù)挖掘技術(shù)特別是在因特網(wǎng)上建立DMKD服務(wù)器，并且與數(shù)據(jù)庫服務(wù)器配合，實(shí)現(xiàn)WebMining。第44頁，共51頁，2023年，2月20日，星期五加強(qiáng)對各種非結(jié)構(gòu)化數(shù)據(jù)的開采，如對文本數(shù)據(jù)、圖形數(shù)據(jù)、視頻圖像數(shù)據(jù)、聲音數(shù)據(jù)乃至綜合多媒體數(shù)據(jù)的開采。知識的維護(hù)更新。

第45頁，共51頁，2023年，2月20日，星期五9數(shù)據(jù)挖掘的應(yīng)用數(shù)據(jù)挖掘解決的典型商業(yè)問題

需要強(qiáng)調(diào)的是，數(shù)據(jù)挖掘技術(shù)從一開始就是面向應(yīng)用的。目前，在很多領(lǐng)域，數(shù)據(jù)挖掘(datamining)都是一個(gè)很時(shí)髦的詞，尤其是在如銀行、電信、保險(xiǎn)、交通、零售（如超級市場）等商業(yè)領(lǐng)域。數(shù)據(jù)挖掘所能解決的典型商業(yè)問題包括：數(shù)據(jù)庫營銷（DatabaseMarketing）、客戶群體劃分（CustomerSegmentation&Classification）、背景分析（ProfileAnalysis）、交叉銷售（Cross-selling）等市場分析行為，以及客戶流失性分析(ChurnAnalysis)、客戶信用記分(CreditScoring)、欺詐發(fā)現(xiàn)(FraudDetection)等等。第46頁，共51頁，2023年，2月20日，星期五數(shù)據(jù)挖掘在市場營銷的應(yīng)用

數(shù)據(jù)挖掘技術(shù)在企業(yè)市場營銷中得到了比較普遍的應(yīng)用，它是以市場營銷學(xué)的市場細(xì)分原理為基礎(chǔ)，其基本假定是“消費(fèi)者過去的行為是其今后消費(fèi)傾向的最好說明”。

通過收集、加工和處理涉及消費(fèi)者消費(fèi)行為的大量信息，確定特定消費(fèi)群體或個(gè)體的興趣、消費(fèi)習(xí)慣、消費(fèi)傾向和消費(fèi)需求，進(jìn)而推斷出相應(yīng)消費(fèi)群體或個(gè)體下一步的消費(fèi)行為，然后以此為基礎(chǔ)，對所識別出來的消費(fèi)群體進(jìn)行特定內(nèi)容的定向營銷，這與傳統(tǒng)的不區(qū)分消費(fèi)者對象特征的大規(guī)模營銷手段相比，大大節(jié)省了營銷成本，提高了營銷效果，從而為