当前位置：首页 > 实用文档 > 其他范文> 网络信息挖掘系统评价初探

网络信息挖掘系统评价初探

时间：2023-07-07 07:42:23 其他范文收藏本文下载本文

网络信息挖掘系统评价初探（共6篇）由网友“卷毛兔MAXINE”投稿提供，以下是小编整理过的网络信息挖掘系统评价初探，欢迎阅读分享，希望对大家有帮助。

网络信息挖掘系统评价初探

篇1：网络信息挖掘系统评价初探

网络信息挖掘系统评价初探

【正文】

随着电子商务的蓬勃兴起，许多企业已经开始意识到其所拥有的丰富的信息资源在商业决策中具有潜在的巨大商业价值。更好的决策支持需求和企业电子商务的开展正推动着网络信息挖掘系统的研究与开发。

鉴于网络信息挖掘是在数据挖掘的基础上发展起来的，因此对于网络信息挖掘系统的基本问题，本文仍将利用数据挖掘系统的基本理论来描述。

目前，由于网络信息挖掘系统的发展正在起步阶段，因此它的分类还无法达到数据挖掘系统分类那样细致。具体而言，对网络信息挖掘系统分类可以从商业能力、挖掘数据类型、挖掘功能、数据分析方法和应用领域角度进行。其中商业能力角度的分类与数据挖掘系统的商业能力分类完全相同，即分为商业产品和研究原型。而从另外几个角度看，网络信息挖掘系统的类型具有自身一些特点，例如从应用领域角度看，网络信息挖掘系统可以分为面向电子商务型、面向远程教育型、面向旅游型、面向广告业型等。随着网络信息挖掘技术的进一步发展，将出现更加丰富的网络信息挖掘系统类型。

1 系统评价现状调查

据调查，目前国内外还没有出现完全针对网络信息挖掘系统的评价成果，因而对网络信息挖掘系统的评价具有一定的创新性。笔者认为，对网络信息挖掘系统的评价可以充分地借鉴数据挖掘系统的评价方法。应该说这两类系统在很多评价指标上都有重合。

从国外来讲，前后已经有一些研究人员和机构对数据挖掘系统进行了一定的评价研究。他们所采用的评价体系各有特点，以下是一些简要介绍。

1）J.F.Elder等人主要对17种数据挖掘系统进行了评价[1]，其中包括了著名的Clementine、Intelligent Miner系统。这些系统具有以下共同的特点：单平台（Stand Alone）、多用途、支持多种模式和分类算法，并支持模式构建中的项目阶段。他们主要从6大方面对这些系统进行比较，除此之外，他们还单独从用户端角度对数据挖掘系统性能进行评价。他们认为并非支持的算法越多越好，各种算法面对不同的问题其解决能力也是不同的，它们具有自身的优点与缺点。在文章的最后，还对这17种产品的优势/劣势作了总体的描述性评价。

2）M.A. King等人针对14种桌面型数据挖掘系统[2]，重点对各个系统的特征和性能进行比较。他们选用了20个评价指标，并设计了一个标准的评价过程――6分制评分标准来评价各种软件工具的优点和缺点。他们评价的特色在于针对4种算法的产品分别评价，并采用4类数据集测试系统的性能。他们认为网络法（Polynomial and Neural）要比分割法（Trees and Rules）更精确，另外也提出可以加入计算机环境、数据库连接性、提供商的稳定性等指标进一步评价。

3）D.W.Abbott等人主要针对高端型（High-end）用于欺诈甄别的数据挖掘系统进行了评价[3]。尽管仅选择了5个系统（Clementine、Intelligent Miner for Mata、Darwin、En- terprise Miner、Pattern Recognition Workbench）进行评价，但是他们针对这5个专门应用于欺诈甄别的系统进行了细致的比较。

4）M.Goebel等人将数据库中知识发现（KDD）与数据挖掘结合到一起评价[4]。他们在介绍一般知识发现任务以及解决这些任务的`方法基础上，主要调查了43种提供这类功能的软件工具。这些工具既包括研究的原型系统，也包括已经商业化的产品。其中有较为著名的Clementine、DBMiner、Intelligent Miner系统。他们采用了一个系统特征分类体系对上述产品进行比较，并提出一些尚待解决的问题：如不同技术的集成、可扩展性、与数据库的无缝集成、对正在变化中的数据进行管理以及非标准的数据类型等问题。

5）J.Hah博士没有针对个别的数据挖掘系统具体评价，但他认为评价一个数据挖掘系统应包括如下几个方面[5]：数据类型、系统问题、数据源、数据控制的功能与方法、数据挖掘系统和数据库或数据仓库系统的结合、可伸缩性、可视化工具、数据挖掘查询语言和图形用户接口。

6）A.Berson等认为数据挖掘软件产品因为不同的目标用户和不同类型的解决问题而具有不同的重点[6]。主要可以分为目标解决方案、商业工具、商业分析工具、研究分析工具4类。另外，从目前整个数据挖掘市场看也可以分成3个主要组成部分：通用的工具、综合DSS/OLAP/数据挖掘工具和快速成长的面向特定应用的工具。他们还进一步提供了一套专门用于数据挖掘工具评价的属性和方法，对11种具体的工具进行了评价，其中包括Clementine、Intelligent Miner等著名的工具。

从国内来看，数据挖掘系统的评价研究不如国外活跃，这与数据挖掘系统在国内的应用仍处于初步阶段有直接关系。目前这方面的研究状况如下。

朱爱群提出了一种高级记分卡系统[7]，采用该记分系统有助于商业用户更好地比较不同的数据挖掘技术，并以此作出正确的选择。该系统共有3种不同的记分卡：商业记分卡、算法记分卡、应用记分卡。

从上述文献的调查看，国内外数据挖掘系统评价普遍具有的特点是：

1）重视系统算法能力的评价。在7个调查对象中，其中6个都明确采用了算法评价指标，特别是J.F.Elder、D.W.Abbott、朱爱群等人，对算法指标的分析尤为细致。

2）突出或者具有从商业能力角度的评价。朱爱群和A.Berson都明确提出采用商业能力指标，而其他研究者提供的从用户端角度对系统易用性的评价实际上可以作为系统商业能力评价的一部分。

3）缺少对数据挖掘流程的评价。数据准备、数据预处理、数据建模、模型评估、模型应用等一系列步骤是几乎每个数据挖掘系统所必须经历的，往往各种系统在每个阶段表现的能力各有不同，因此有必要对过程中的每个阶段进行评价。

4）缺少从应用能力角度的评价。从所有的调查对象中看，仅有国内的一个评价提到了应用评价，而且其具体的指标并不是直接针对如保险业、零售业、电子商务等实际应用领域的。

由此可见，本文所要进行的网络信息挖掘系统的评价应当积极吸取已有数据挖掘系统评价的优点，同时结合网络信息挖掘的特点来弥补评价中的不足。

2 评价系统的选择

由于目前许多数据挖掘系统也同时提供网络信息挖掘功能，因此本文所要评价的网络信息挖掘系统，一方面从一些著名的数据挖掘系统中选择，一方面将参考KD-nuggets上有关网络信息挖掘软件的最新统计报道。

从文献调查

看[8]，Intelligent Miner、Enterprise Miner、 MineSet、Clementine、Darwin、Scenario等被超过50％的团体或个人选用作为数据挖掘评价系统。

从KDNuggets对数据挖掘工具利用情况的调查看，位于前5位的工具依次为：Clementine（18％）、SPSS/An-swerTree（16％）、SAS（12％）、CART/MARS（11％）、 SASEM（6％）。

通过进一步调查KDnuggets关于网络信息挖掘的报道[9]，可以发现它所提供的19种网络信息挖掘软件工具是目前这个领域比较全面和权威的。因此，本文决定对这19种网络信息挖掘软件工具展开调查（见表1）。

表1 商业能力评价（产品成熟度和提供商实力）

附图

注：采用7分制评分，各个数字代表的含义分别是：1―优秀；2―好；3―一般；4―还可以；5―较差；6―没有；7―有，但无法评价。

从上述调查可以发现，比较熟悉的数据挖掘系统的提供商诸如SPSS公司、SAS公司在网络信息挖掘市场上仍然比较活跃，特别是SPSS公司，它目前拥有Clementine和net.Analysis两种网络信息挖掘软件产品。

3 评价指标与方法

通过对数据挖掘系统评价方法的调查，了解到目前还没有针对网络信息挖掘系统评价报告公布出来。因此，本文在借鉴多种数据挖掘系统评价方法的基础上，提出从商业能力、算法能力、网络信息挖掘过程能力、电子商务应用能力这4个角度来评价网络信息挖掘系统的综合能力，以期为网络信息挖掘系统的选择提供一定的参考。

3.1 商业能力

这个指标又具体通过下面3个子指标体现：

1）产品的成熟度和提供商的实力。这个指标可以体现网络信息挖掘软件产品是否成熟及它的提供商具备的实力的大小。通常可以从产品推出时间、更新频率、公司创立时间、拥有客户数量、客户涉及领域等多个方面综合考虑。

2）易用性。这个指标主要从用户端角度来考虑的，又可以分为如下4个子指标：①挖掘过程的清晰度；②无技术术语；③熟悉的环境；④可视化的报告。

3）投资回报率（Return on Investment，ROI）。这个指标通常被认为是一个主观性很强、不易衡量的指标，因为对它的评价很大程度上依赖于开展的个别项目以及挖掘专家的专业知识和技能。然而它仍不失为衡量网络信息挖掘系统商业能力的重要指标之一。在电子商务环境下，网络可以使投资回报率的评测较易实现，结果更为客观。这个指标的评价，一方面可以通过各个网络信息挖掘软件的新闻报道进行分析，另一方面如果可以获得网络信息挖掘软件提供商或领域专家的客观评价则更好。

3.2 算法能力

算法能力指标用于评价在系统挖掘网络信息过程中某种算法的有效性。该指标下目前仅列出了8个子指标，即8种算法：①决策树；②神经网络；③回归；④Radial Basis Functions；⑤最近邻；⑥Nearest Mean Kohonen和自组织图（Self-organizing Maps）；⑦聚类；⑧关联规则。

由于新的挖掘算法不断出现，可能这里列出的算法不完整，在具体评价时可添加。

3.3 网络信息挖掘过程能力

这个角度的评价是以往的数据挖掘系统评价所缺乏的，因此本文所提出的网络信息挖掘系统的评价体系中特别加入这个指标。它主要被用来评价网络信息挖掘系统在网络信息挖掘过程的各个阶段所表现的能力。具体分为如下5个子指标：①商业问题理解；②数据准备：数据选择，数据预处理，数据转换；③网络信息挖掘模型；④模型评价；⑤模型应用。

一般的网络信息挖掘系统都遵循这样的5个基本阶段。当然有些系统可能也有略微的差别，如WUM6.0的挖掘过程重点就是在前3个阶段。

3.4 电子商务应用能力

应用能力角度的评价也是数据挖掘系统评价中所忽视的，同时由于网络信息挖掘在电子商务方面的应用点在不断增多，本文特别设置从电子商务应用能力角度评价的指标。根据目前掌握的应用情况，又具体分为如下5个子指标：①站点布局/设计；②交叉销售；③促销（Up-sells）；④个性化/推荐；⑤早期预警。

如果新的应用层面出现，可以考虑添入新的子指标。

4 初步评价分析

目前，笔者仅根据在网上可获取的信息来对各种系统的相应属性进行评价。目前可以得到的结果如下。

1）网络信息挖掘软件与数据挖掘软件的关联。本文调查的网络信息挖掘软件的提供商中一些是比较熟知的提供数据挖掘软件的公司，如Clementine网络信息挖掘应用模板（Clementine Web Mining）的提供者就是SPSS公司，该模板是该公司Clementine的应用模板之一。又如Web-hound的提供者是SAS公司。可见，越来越多的数据挖掘软件公司将目光投入到网络信息挖掘及其应用中。当然这个充满前景的领域也吸引了众多新的拥有网络信息挖掘先进技术的小公司的加盟。

2）产品的成熟度和提供商的实力比较。通过对这19种软件产品的成熟度和提供商的实力进行评价，发现大概有1/3的网络信息挖掘软件的商业能力超过了普通水平（见图1）。原来数据挖掘系统领域的领先者，像SPSS公司和SAS公司，在网络信息挖掘系统领域仍然保持很强的商业能力。当然，本文的评价中还有NetTracker的商业能力也获得了较好的评价。调查中大概有一半的软件产品的商业能力处于普通水平之下。另外表1中Analog和WUM6.0仍为研究原型系统，故本次调查暂不对其商业能力进行评价。

附图

图1 商业能力评价（产品成熟度和提供商实力）

当然；由于笔者主要通过网站调查，对信息的理解往往带有个人主观色彩，在评价结果中不可避免存在偏差。

5 未来工作

笔者认为此类评价工作应该将专家调查和二手信息收集相结合。可以利用专家调查法获得较为科学的指标权重，进一步完善本文所建立的网络信息挖掘系统的评价指标体系。另外可以尝试利用现有的数据集进行一些可能的测试工作，如网络信息挖掘准确度的定量评价。

综上所述，网络信息挖掘发展方兴未艾。从国内外现状看，网络信息挖掘系统评价工作也仅处于起步阶段。希望本文所提出的网络信息挖掘系统评价体系和初步的评价结果对国内进一步开展这方面的研究有所裨益。

【参考文献】

1 Elder J，Abbott D W.A Comparison of Leadin

g Data Mining Tools In: Fourth Annual

Conference on Knowledge Discovery & Data Mining. New York：[s.n]，

2 King M A，Elder J F，et al.Evaluation of Fourteen Desktop Data Mining

Tools，Im：1998 IEEE International Conference on Systems， Man，and Cybernetics，San Diego：[s.n]，1998

3 Abbott D W，Matkovsky I P，Elder J F.An Evaluation of High-end Data Mining Tools for Fraud Detection.In：1998 IEEE International Conference on Systems，Man，and Cybernetics.San Diego：[s.n]， 1998

4 Goebel N，Gruenwald L.A Survey of Data Mining and Knowledge Discovery Software

Tools.ACM SIGKDD，（6）

5 Han J Kamber M.数据挖掘：概念与技术.北京：机械工业出版社，2001

6 Berson A，el al，构建面向CRM的数据挖掘应用.贺奇等译.北京：人民邮电出版社，2001

7 朱爱群.客户关系管理与数据挖掘.北京：中国财政经济出版社，2001

8 http：//www.kdnuggets.com/polls/dm_tools_2001_october.htm

9 http：//www.kdnuggets.com/soft ware/web.Html

篇2：网络信息挖掘系统评价初探

网络信息挖掘系统评价初探

【正文】

鉴于网络信息挖掘是在数据挖掘的基础上发展起来的，因此对于网络信息挖掘系统的基本问题，本文仍将利用数据挖掘系统的基本理论来描述。

目前，由于网络信息挖掘系统的发展正在起步阶段，因此它的分类还无法达到数据挖掘系统分类那样细致。具体而言，对网络信息挖掘系统分类可以从商业能力、挖掘数据类型、挖掘功能、数据分析方法和应用领域角度进行。其中商业能力角度的分类与数据挖掘系统的商业能力分类完全相同，即分为商业产品和研究原型。而从另外几个角度看，网络信息挖掘系统的类型具有自身一些特点，例如从应用领域角度看，网络信息挖掘系统可以分为面向电子商务型、面向远程教育（www.xfhttp.com－雪风网络xfhttp教育网）型、面向旅游型、面向广告业型等。随着网络信息挖掘技术的进一步发展，将出现更加丰富的网络信息挖掘系统类型。

1 系统评价现状调查

从国外来讲，19前后已经有一些研究人员和机构对数据挖掘系统进行了一定的评价研究。他们所采用的评价体系各有特点，以下是一些简要介绍。

1）J.F.Elder等人主要对17种数据挖掘系统进行了评价[1]，其中包括了著名的Clementine、Intelligent Miner系统。这些系统具有以下共同的特点：单平台（Stand Alone）、多用途、支持多种模式和分类算法，并支持模式构建中的项目阶段。他们主要从6大方面对这些系统进行比较，除此之外，他们还单独从用户端角度对数据挖掘系统性能进行评价。他们认为并非支持的算法越多越好，各种算法面对不同的问题其解决能力也是不同的`，它们具有自身的优点与缺点。在文章的最后，还对这17种产品的优势/劣势作了总体的描述性评价。

[1] [2] [3] [4] [5]

篇3：网络信息下的图书馆管理系统

网络信息下的图书馆管理系统

文章介绍了图书馆管理在现代经济生活中知识传播的作用,指出网络信息技术的发展对图书馆管理系统提出新的要求和理念; 介绍了图馆管理系统的.功能需求和性能需求,以及网络化与信息化下的图书馆管理系统的特征,阐述和分析了网络信息技术在图书馆管理系统中的意义以及网络信息技术的发展对传统图书馆管理系统的影响.

作者：叶大恩作者单位：浙江国际海运职业技术学院,浙江舟山,316000 刊名：中国科教创新导刊英文刊名：CHINA EDUCATION INNOVATION HERALD 年，卷(期)： “”(23) 分类号：G250.7 关键词：网络信息技术图书馆管理系统

篇4：复杂网络交叠团模糊分析与信息挖掘

复杂网络交叠团模糊分析与信息挖掘

摘要:针对复杂网络交叠团的聚类与模糊分析方法设计问题,给出一种新的模糊度量及相应的模糊聚类方法,并以新度量为基础,设计出两种挖掘网络模糊拓扑特征的新指标:团间连接紧密程度和模糊点对交叠团的连接贡献度,并将其用于网络交叠模块拓扑结构宏观分析和团间关键点提取。实验结果表明,使用该聚类与分析方法不仅可以获得模糊团结构,而且能够揭示出新的网络特征。该方法为复杂网络聚类后分析提供了新的视角。

针对复杂网络交叠团的聚类与模糊剖析办法设计Issue(问题),给出一种新的模糊度量及对应的模糊聚类办法,并以新度量为根底,设计出两种发掘网络模糊拓扑特征的新目标:团间衔接严密水平和模糊点对交叠团的衔接奉献度,并将其用于网络交叠模块拓扑构造微观剖析和团间关键点提取。实验后果标明,运用该聚类与剖析办法不只能够取得模糊勾结构,并且可以提醒出新的网络特征。该办法为复杂网络聚类后剖析提供了新的视角。

关键词:网络模糊聚类;团—点相似度;团间连接紧密度;团间连接贡献度;对称非负矩阵分解;网络宏观拓扑

团结构是复杂网络普遍而又重要的拓扑属性之一,具有团内连接紧密、团间连接稀疏的特点。网络团结构提取是复杂网络分析中的一个基本步骤。揭示网络团结构的复杂网络聚类方法[1~5]对分析复杂网络拓扑结构、理解其功能、发现其隐含模式以及预测网络行为都具有十分重要的理论意义和广泛的应用前景。目前,大多数提取方法不考虑重叠网络团结构,但在多数网络应用中,重叠团结构更为普遍,也更具有实际意义。

现有的网络重叠团结构提取方法[6~10]多数只对团间模糊点进行初步分析,如Nepusz等人[9,10]的模糊点提取。针对网络交叠团结构的深入拓扑分析,本文介绍一种新的团—点相似度模糊度量。由于含有确定的物理含意和更为丰富的拓扑信息,用这种模糊度量可进一步导出团与团的连接紧密程度,以及模糊节点对两团联系的贡献程度,并设计出新指标和定量关系来深度分析网络宏观拓扑连接模式和提取关键连接节点。本文在三个实际网络上作了实验分析,其结果表明,本方法所挖掘出的网络拓扑特征信息为网络的模糊聚类后分析提供了新的.视角。

1 新模糊度量和最优化逼近方法

设A=[Aij]n×n(Aij≥0)为n点权重无向网络G(V,E)的邻接矩阵,Y是由A产生的特征矩阵,表征点—点距离,Yij>0。假设图G的n个节点划分到r个交叠团中,用非负r×n维矩阵W=[Wki]r×n来表示团—点关系,Wki为节点i与第k个团的关系紧密程度或相似度。W称为团—点相似度矩阵。令

Mij=?rk=1WkiWkj(1)

若Wki能精确反映点i与团k的紧密度,则Mij可视为对点i、j间相似度Yij的一个近似。所以可用矩阵W来重构Y,视为用团—点相似度W对点—点相似度Y的估计:

W ?TW→Y(2)

用欧式距离构造如下目标函数:

minW≥0 F?G(Y,W)=‖Y-W ?TW‖?F=?12?ij[(Y-W ?TW)。(Y-W ?TW)]ij(3)

其中:‖•‖?F为欧氏距离;A。B表示矩阵A、B的Hadamard 矩阵乘法。由此,模糊度量W的实现问题转换为一个最优化问题,即寻找合适的W使式(3)定义的目标函数达到最小值。

式(3)本质上是一种矩阵分解,被称为对称非负矩阵分解,或s-NMF (symmetrical non-negative matrix factorization)。?s-NMF的求解与非负矩阵分解NMF[11,12]的求解方法非常类似。非负矩阵分解将数据分解为两个非负矩阵的乘积,得到对原数据的简化描述,被广泛应用于各种数据分析领域。类似NMF的求解,s-NMF可视为加入限制条件(H=W)下的NMF。给出s-NMF的迭代式如下:

Wk+1=W?k。[W?kY]/[W?kW ?T?kW?k](4)

其中:[A]/[B]为矩阵A和B的Hadamard矩阵除法。

由于在NMF中引入了限制条件,s-NMF的解集是NMF的子集,即式(4)的迭代结果必落入NMF的稳定点集合中符合附加条件(H=W)的部分,由此决定s-NMF的收敛性。

在求解W之前还需要确定特征矩阵。本文选扩散核[13]为被逼近的特征矩阵。扩散核有明确的物理含义,它通过计算节点间的路径数给出任意两节点间的相似度,能描述网络节点间的大尺度范围关系,当两点间路径数增加时,其相似度也增大。扩散核矩阵被定义为

K=exp(-βL)(5)

其中:参数β用于控制相似度的扩散程度,本文取β=0.1;L是网络G的拉普拉斯矩阵:

Lij=-Aiji≠j

?kAiki=j(6)

作为相似度的特征矩阵应该是扩散核矩阵K的归一化?形式:

Yij=Kij/(KiiKjj)??1/2(7)

基于扩散核的物理含义,团—点相似度W也具有了物理含义:团到点的路径数。实际上,W就是聚类结果,对其列归一化即可得模糊隶属度,需要硬聚类结果时,则选取某点所对应列中相似度值最大的团为最终所属团。

2 团—团关系度量

团—点相似度W使得定量刻画网络中的其他拓扑关系成为可能。正如W ?TW可被用来作为点与点的相似度的一个估计,同样可用W来估计团—团关系:

Z=WW ?T(8)

其物理含义是团与团间的路径条数。很明显,Z的非对角元ZJK刻画团J与团K之间的紧密程度,或团间重叠度,对角元ZJJ则刻画团J的团内密度。?

以图1中的对称网络为例,二分团时算得

Z=WW ?T=1.337 60.035 3

0.035 31.337 6

由于图1中的网络是对称网络,两团具有同样的拓扑连接模式,它们有相同的团内密度1.337 6,而团间重叠度为?0.035 3。

篇5：互联网国学信息的挖掘

互联网国学信息的挖掘

网上国学信息资源在我国传统文化研究中占有非常重要的`地位.该文在总结网上众多国学信息源的基础上,论述了挖掘网上国学信息资源的主要方式,并提出了构建基于移动Agent和XML的国学虚拟数据库的设想.

作者：高明作者单位：浙江大学,杭州,310028 刊名：现代情报 PKU英文刊名：MODERN INFORMATION 年，卷(期)： 27(10) 分类号：G250.73 关键词：互联网国学信息挖掘信息利用虚拟数据库

篇6：信息挖掘体现情报价值

最近赛立信竞争情报市场人员在和客户交流的过程中，遇到不少这样的问题――客户希望了解竞争对手的客户情况，以方便自己策反竞争对手客户，成为自己业绩的增长点，据了解，目前在国内很多行业的企业竞争，都面临着这样的问题。

这令笔者想到了去年的“三一间谍门”事件：同处一城，产品重合度很高，几乎所有重要经济数据都非常接近……总部同处于湖南长沙的中国重型机械制造双巨头――三一重工与中联重科，近年来竞争持续白热化。因在市场销售、客户竞争等方面引发恶性竞争，两者“互掐”的新闻屡见媒体。2012年11月13日，一则网帖出现在各大网站，指责三一重工涉嫌派遣间谍和技术手段窃取中联重科商业秘密，被称“三一间谍门”。

且不论“间谍门”事件是真是假，在一个行业集中度非常高的竞争环境中，如果主要的几个企业都是通过这样的办法去争夺客户、增加业绩，那么，给整个行业带来的是一个恶性循环的竞争环境，不利于企业及整个行业的生存与发展。

不论是三一、中联、徐工等重型机械企业，还是其他企业，去收集竞争对手客户信息，只要是不违法的情况下收集，都是一个正常的调研活动。了解竞争对手客户的具体信息，对自身业务的发展有帮助固然是好。但赛立信认为，如果只收集到这些信息，并将此信息仅仅用于策反竞争对手客户（用于策反客户，无非是在相同的服务上，给予客户比竞争对手更优惠的价格，或在相同的价格上，给予客户更多的服务），而不对客户信息加以整理分析，挖掘更大价值的信息，无疑是一个严重的浪费，

竞争信息的核心是竞争对手信息的收集和分析，是情报和反情报技术，主要涉及环境监测，市场预警，技术跟踪，对手分析，策略制定，商业秘密保护等领域，它是企业商战中不可缺少的谋士。

竞争情报是经过收集竞争信息，通过分析之后得出来的结论。未经分析挖掘的信息，其重量级别也就是重要的竞争信息，而不能称为竞争情报信息。竞争对手客户信息就是竞争信息的一种，而非真正的竞争情报信息。所以，赛立信认为，对竞争对手客户信息应该要进行深度分析和挖掘，以获取更多更深层次更有价值的信息。譬如：

从竞争对手客户的种类分析，可以得出竞争对手主要客户集中在哪些行业，分析这些行业的特点；

从竞争对手客户的区域分析，可以得出竞争对手主要营销资源在哪个区域，分析该区域客户的特点；

从竞争对手客户使用产品情况分析，可以得出竞争对手主推产品的情况；

从竞争对手客户合作金额看，可以分析竞争对手客户的重要性情况……

从整体分析，同一个产品对不同客户的价格基本会不同，基于平均价格以下的客户，竞争对手是如何营销的；基于平均价格以上的客户，竞争对手又是如何做到的。从更深的层面去挖掘客户对产品的新需求，去争取客户、服务客户，这样才能促进行业的良性竞争。

因此，企业管理者要重视竞争情报工作，改变原有观念，更好地利用那些从合法途径获取的竞争对手客户信息，并进行归类整理分析，使之成为对企业日常运营决策有帮助的竞争情报信息。

★ 关于拼音教学的论文题目

★ 德育教学论文题目

★ “活动数学”课堂教学模式初探

★ 加强实践，分层教学－信息技术教学方法之二