通过使用数据挖掘可以探勘出数据中信息所隐含的真实意义，并能自动挖掘出数据之间微妙的关联，以致能发觉某种决策模型，通过这种模型可以协助决策者建立预测及决策模型。现代制造业体经常拥有大量数据，包括市场、客户、供货商、竞争对手以及未来趋势等重要信息，然而信息超载与无结构化使得制造业决策者们无法有效利用现存的信息，从而可能使决策行为产生混乱与误用。在营销管理中使用数据挖掘技术。就是在庞大的数据库中找出有价值的隐藏事件。并且加以分析，其主要的贡献在于从数据库中获取有意义的信息以及对数据归纳出有用的结构，作为制造业进行市场定位、消费者分析、辅助制定市场营销策略等的依据。所以妥善地运用数据挖掘技术，并以此从巨量的数据库中将发掘出不同的信息与知识作为决策支持之用，必将能产生并加强制造业的竞争优势。

　　1 制造业特征

　　制造业中主要有以下几个特点：

　　1）就生产厂家而言，制造业规模宏大，生产的产品成千上万，属于面向订单的制造业。产品一般通过销售公司销售。

　　2）就客户而言，以最终客户为主，这一群体数量庞大，主要通过销售人员直接与厂家订货。与制造厂家的关系是通过销售部门来反映。

　　3）就供应商而言，涉及到原材料、包装原材料等来源，所拥有的信息十分庞大。因此，在信息时代。要充分利用制造业的信息资源，从以产品为中心的管理模式转变为以客户为中心的管理模式上来。如何在与众多的制造商竞争中赢得更大的利益，是生产厂商首要关心的问题。商业现状迫使制造渡从“以产品为中心”转变为“以客户为中心”。对现有客户和潜在客户的培养和挖掘，现在被认为是制造业获得进一步成功的关键。资料显示发展一个新客户要比保留一个老客户多出5倍的投入。投资于现有客户，使其满意度增加会对客户忠诚度有直接的影响。进而影响到制造业的最终效益。

　　2 制造业中的数据挖掘

　　随着产业环境的日益动态化，技术创新的加快，竞争的国际化和顾客需求的多样化，持久的竞争优势已不存在。创新和创造未来成为战略制定研究的重点。在此背景下产生了超级竞争。超级竞争的核心是：制造业取得竞争优势的关键在于能否快速地从一种优势转到另一种优势，能否紧跟技术与经济的发展，向更高阶梯递进。数据挖掘技术正可以实现这些目标。可以通过分析生产管理、物流管理、编码系统、销售管理系统、客户资料管理及其它业务数据，收集到关于产品销售、客户信息、供应商及库存信息等信息资料。数据仓库的数据是从各种应用系统中采集并经条件分类而入库之后利用DM工具对这些数据进行分析，从而实现提供高效的科学决策过程。数据库中的内容仅允许高级管理人员、分析人员、采购人员、销售人员访问。使用数据挖掘的方式获取供应商作为的特征评价和供应商选择的依罟，具有与传统的供应商评价方法所不同之处，数据挖掘法是基于客观的统计资料，而传统的评价方式是基于主观判断，相比之下数据挖掘法克服了人为因素造成的随意性。不同的制造业，处于不同的行业、不同的地区、不同的发展阶段，具有不同的规模，其所拥有的供应商也具有不同的特征，数据挖掘法为不同行业充分保留了这种特殊性。以食品行业为例，如果我们对其数据使用数据库及数据仓库技术，则可以做到以下三点：

　　1）详细了解订单细节：可以通过分析产品种类、单价、销售商、销售量和销售时间等了解公司每天的运营和财政情况。由此详细掌握销售的增长、库存量以及盈利、销售额等的最新最及时的变化。

　　2）优化库存状态：数据挖掘系统可以将销售和库存数据做关联分析，以对在购进量几资金投资方面做正确的决策，确保最优的库存状态。数据仓库系统还可以将库存信息和产品销售订单预测信息。通过电子数据交换直接送到供应商那里，这样省去商业中介，而且由供应商负责定期补充库存。制造商可减少自身负担。

　　3）分析市场运营状况：可以使用数据仓库检索数据库中近年来的销售数据，以达到对产品品种和库存的趋势进行分析的目的，同时还可以利用数据挖掘工具和统计模型仔细研究数据仓库的数据，以获得有利于本公司的战略性的信息。

　　3 如何在制造业中运作数据挖掘技术

　　3.1 客户管理研究

　　客户关系管理以信息技术为手段，对业务功能进行重新设计，并对工作流程进行重组。它集合的现代信息技术包括和电子商务、多媒体技术、数据仓库和数据挖掘、专家系统和人工智能、呼叫中心等。的焦点是自动化并改善与市场营销、客户服务和支持等领域的与客户关系有关的商业流程。它的目标是缩减销售周期和销售成本、增加收入、寻找扩展业务所需的新市场和渠道以及提高客户的价值、满意度、盈利性和忠诚度。

　　客户关系管理系统实质上是一个决策支持系统，它需要借助特定的技术和手段而应用于在现实中，所用的技术有如数据仓库技术、联机分析处理、数据挖掘等，以此为制造业各个不问的管理层提供决策支持。数据挖掘的任务是以数据仓库和多维数据库中的大量数据为基础挖掘数据仓库和数据库中的知识，从而自动地发现数据中未被发现但潜往的模式，并以这些模式为基础自动的做出相关的预测，即从数据仓库中的集成数据出发。构建面向分析的多维数据模型。再使用多为分析方法从多个不同的视角对多维数据进行分析、比较，从而获得某种决策。数据仓库实现对决策问题数据的存储和综合处理。为决策支持系统提供数据存储及集成，即对底层数据库中的数据进行集成、转换、综合，组织成面向全局的数据视图；联机分析处理实现多维数据分析；模型库将多个模型以一定组织形式存储起来，以用于组合辅助决策；模型用于形成的关于客观存在问题的框架。方法即是过程算法：方法库提供算法支援模型应用。

　　3.2 数据挖掘的实现

　　数据挖掘的概念可以这样定义：按特定行业业务目标，对大量行业数据进行探索和分析，揭示隐藏在其中的、尚未发现的或验证已知的有价值的规律，并进一步将其模型化先进有效的方法。目前，在商业领域中数据挖掘所能解决的问题主要包括：客户群体划分、数据库营销、背景分析、交叉销售等市场分析行为，以及客户流失性分析、客户信用记分、欺诈发现等等。数据挖掘过程中可以使用的方法有很多，从挖掘任务的角度可分为：数据总结、序列模式发现、聚类、关联规则发现、依赖关系或依赖模型发现、分类或预测模型发现、异常和趋势发现等等；而根据挖掘方法可分为：统计、机器学习、神经网络和数据库等方法。

　　数据挖掘一方面，将数据转化为有价值的信息和知识，并基于分析结果做出正确的决策；同时，它可以提供一种机制，将知识融入到运营系统中，进行正确的运作。数据挖掘可以辨识出成功的营销特性，并协助新开张的商店选择恰当的地理位置；能分析哪种产品是最受欢迎的，这在为产品的推销、商店的布局或新产品的开发等方面制定新策略指明方向；数据挖句还能协助了解客户行为或找出产品使用模式，例如，如何在最合适的时间进行销售就能通过顾客生活周期模型来实施。

　　对于产品销售而言，数据可以被视为重要的资产，只有利用这些数据，把这些庞大的数据转换为有用的信息。才能产佳真正的价值。在今后的发展中，数据仓储的重要将日益加强，而数据挖掘工具则可以从数据仓储获取更全面的支持。数据仓储拥有庞大的资料，是由消费市场营销人员、零售商或服务公司在监控数百万顾客交易状况时所汇集而得的。由超高速计算机以特殊软件执行的，是制造业想要达成“及时作业”的必要条件。“即时作业”指立即调整产品销售组合、库存现状、资金准备、经营方案，或其它改变商业状况的因素。

　　制造业不存在数据不足的现象，反而大部分制造业的数据每三年就会呈倍数翻长，并出现过度的数据重复，这使得制造业在使用、有效管理、以及将这些数据用于决策过程方面都遭遇到了困难。若能够将海量数据转变成可靠与可用信息的系统，那将会给公司带来巨大的效益。事实上，制造业的数据仓库会将数据输入专用数据栈中，继而将数据输入个人终端数据仓库。这就需要一套完整的数据库管理，而这一点，运用数据挖掘可以实现。

　　4 结束语

　　如果能实现用数据挖掘手段进行信息发掘，势必可以指导生产销售者制定最优的制造业营销策略。降低制造业运营成本、增加利润，加速制造业的发展。如能将数据挖掘技术与现有技术很好地结合起来，将特殊领域的商业逻辑与数据仓库技术集成起来。数据挖掘的分析效果和效益可达到峰值。但是，实现并普及这一技术还需要很长一段时间。随着客户关系管理应用的不断推广。制造业营销数据和相关信息不断积累，数据仓库逐渐成为制造业组织信息的最有效方式，而数据挖掘也成为从这些信息中获取有价值的知识的重要工具。随着计算机应用面向网络化、普适化方向的发展，信息技术正面临以网络为中心的重大转变。当前的大规模软件应用基本上都是基于网络和分布式的，基于中间件的网络分布式软件系列已成为当今主流的软件形态，网络分布计算提供了跨越网络透明访问各种信息资源并协同处理的能力。如何在网络环境下及时高效全面地获取营销信息，并通过自动分析给出具体的指导方案，从而消除消息滞后等现象，是数据挖掘所要解决的主要问题。