案例01｜Miami-Dade Blue PALMS：預測式警務與懸案分析
案例04｜癌症研究：比較支援向量機、人工神經網路、決策樹與羅吉斯迴歸
案例05｜分類評估：混淆矩陣、資料切分、交叉驗證與接收者操作特徵曲線
案例07｜k-Means 與 Apriori：分群、關聯、支持度、信賴度與提升度
案例12｜顧客流失：1,000 位顧客、KNIME 與三模型比較
| 核心主題 | 主要觀點／方法 | 實務用途 | 重要條件／限制／延伸 |
|---|---|---|---|
| 資料探勘 | 從結構化資料庫發現新知識；結合統計、人工智慧、機器學習與數學建模 | 顧客理解、營運最佳化、詐欺偵測、預測 | 不是萬靈丹；需有足夠且具代表性的資料 |
| 主要任務 | 預測（分類／迴歸）、分群、關聯 | 預測結果、客群分群、共同購買／事件關係 | 先由商業問題決定任務，再選演算法 |
| 跨產業資料探勘標準流程（Cross-Industry Standard Process for Data Mining, CRISP-DM） | 商業理解 → 資料理解 → 資料準備 → 模型建立 → 測試／評估 → 部署 | 提供系統化資料探勘專案流程 | 流程具反覆迭代性；部署與維護不可省略 |
| 分類評估 | 混淆矩陣、資料切分、k 折交叉驗證、接收者操作特徵曲線 | 評估模型泛化能力與預測表現 | 不可只依訓練資料表現判斷模型 |
| 整合式模型 | 整合多個已訓練模型 | 提高預測穩健性／表現 | 仍需測試資料驗證，且可能增加複雜度 |
| 分群 | 以相似性／距離形成群組；k-Means 為代表方法 | 市場區隔、降低問題空間複雜度 | 群集解讀仍需商業脈絡 |
| 關聯 | Apriori、頻繁項目集、支持度、信賴度、提升度 | 購物籃分析、交叉銷售／向上銷售 | 高指標不自動等於高商業價值 |
| 軟體工具 | 商業與免費／開放原始碼資料探勘平台 | 模型建立、評估、部署 | 工具選擇需考慮功能、成本、技能、整合等；原書軟體流行度資料具特定年代 |
| 隱私／常見錯誤 | 敏感推論、未來資訊洩漏、資料準備、領域專家、部署等 | 降低資料探勘專案的技術與管理風險 | 合法取得資料不等於所有推論與目標行銷都適當 |
本章將資料探勘定位為預測分析的核心支援技術，但並不是把資料丟進演算法就會自動產生價值。管理者首先需要界定商業目標，再判斷問題屬預測、分群或關聯，最後才選擇適合的方法與演算法。
跨產業資料探勘標準流程包含六階段：商業理解、資料理解、資料準備、模型建立、測試與評估、部署。各階段不是單向流水線；資料與模型的新發現可能迫使團隊回到前一階段重新理解問題。