在当今复杂多变的商业世界中，只有那些目标明确、思路清晰的企业，才能在市场中握有胜算，所以，越来越来多的企业开始利用内部数据挖掘其中潜在的、有价值的信息，从而辅助企业进行决策支持。本文利用数据挖掘技术对进销存软件进行了一定的分析。从中我们可以看到挖掘技术在数据分析、知识发现等方面的巨大优势和对信息的深层挖掘能力。并且，我深信它将会日益显示出其强大的发展潜力和广阔的应用前景。
通常我们可以应用分类模式、聚类模式、回归分析、时间序列、关联规则、Web挖掘等技术手段对进销存软件中的信息，勘差绗深加工，从而为其提供决策支持。下面我只对关联规则、回归分析法、分类模式三种技术在本系统中的应用进行说明：
1 关联规则
关联规则就是从大量的数据中发现项集之间的有趣的联系、相关关系或因果结构，以及项集的频繁模式。若两个或多个变量的取值之间存在某种规律性，则称之为关联。关联可分为简单关联、时序关联、因果关联。关联规则的目的就是找出数据库中隐藏的关联规则。
关联规则挖掘是数据挖掘中的一个重要问题。一个最典型的关联规则例子就是“在购买面包和黄油的顾客中，有90％的人同时也买了牛奶”，即顾客在购买某些商品时也会购买另一些商品。显然，这种关联规则反映了顾客的购买习惯。如果商家能够充分利用这些购买习惯，就可以增加商品的销售，提高销售利润。对于进销存软件的管理者来说，可以通过对进销存软件数据库里的大量数据进行挖掘，从而发现有趣的关联关系。例如，可以对客户感兴趣的产品进行关联分析，找出客户感兴趣的产品，以及产品中隐含的某些关联性，从而合理制定营销策略，为他们提供更加个性化的服务，从而提高销售量。
2 回归分析法
回归分析法是从历史数据记录中自动推导出对给定数据的推广描述，从而能对未来数据进行预测。需要注意的是用回归法输出的是连续数值。其主要研究的问题包括数据序列的趋势特征、数据序列的预测以及数据问的相关关系等。
回归分析方法同样可以应用于进销存软件的预测分析。结合数据挖掘、数据仓库和联机分析技术，进销存软件管理者能够充分对其数据仓库中的海量数据进行分析，并根据分析结果找出其中出现的各种企业内部问题。从而便于管理人员能及时做出正确的决策，调整经营战略，以适应不断变化的市场需求。
3 分类模式
分类在数据挖掘中是一项非常重要的任务，目前它在商业中的应用也最多。分类的目的是找出一组能够描述数据集合典型特征的模型或函数，以便能够识别未知数据的归属或类别。其中分类模型能够通过数据挖掘分类算法从—组训练样本数据(其类别已知)中学习获得。实际上，分类过程包含两步：第一步，建立—个模型，描述指定的数据类集；第二步，使用模型进行分类。一般而言，客户分类研究包括客户的分类、客户的属性和特征分析、客户满意度分析等。这里进销存软件对客户群体按照年龄、购买能力、地域等因素进行了分类，从而将客户进行群体细分。通过这种手段，可以更清楚地了解用户的特点，分析不同的客户的销售情况。从而有针对性地提供不同的服务，以提高企业销量。