生產企業車間面臨的問題；1、盲目生產。產品的交貨日期就在眼前，但材料還沒有 t如期到達，導致無法按時送達或選擇空運等高成本運輸，增加額外費用。2.職責不清。看到公司 的好處可以 許多經理不能被提升。;

生產企業車間面臨的問題；

1、盲目生產。

產品的交貨日期就在眼前，但材料還沒有 t如期到達，導致無法按時送達或選擇空運等高成本運輸，增加額外費用。

2.職責不清。

看到公司 的好處可以 許多經理不能被提升。;對此我為力。雖然他們整天忙于各個部門的監督，但他們可以 不能找出哪個環節出了問題，這需要大量的時間和精力。

3.庫存混亂。

很多工廠的物料名稱都不一樣。生產部拿著指令去取料，卻發現沒有這個料，而我沒有 我不知道已經囤積了許多股票。庫存統計不清，買家無法及時了解準確的庫存信息，從而形成惡性循環。

4.數據很復雜。

以采購為例，采購經理每月需要將每個采購員的數據輸入

數據分析目的1:分類

檢查分類未知或暫時未知的數據，以預測數據屬于哪個類別或類別。與always一起使用通過知道分類的相似數據來學習分類規則，然后將這些規則應用于未知的分類數據。

數據分析目的2:預測

預測是指對數值連續變量而不是分類變量的預測。

數據分析目的3:關聯規則和推薦系統

關聯規則或關聯分析是指在包等大型數據庫中尋找通用的關聯模式。

在線推薦系統使用協同過濾算法，這是一種基于給定的歷史購買行為、評級、瀏覽歷史或任何其他可測量的偏好行為或甚至其他用戶 購買歷史。協同過濾可以產生 "可以在購買時購買的東西在單個用戶級別。因此，在許多推薦系統中使用協同過濾來為具有廣泛偏好的用戶提供個性化推薦。

數據分析目的4:預測分析

預測分析包括分類、預測、關聯規則、協同過濾和模式識別(聚類)等方法。

數據分析目標5:數據縮減和降維

當變量的數量有限并且大量樣本數據可以被分類到相似的組中時，數據挖掘算法的性能通常會得到提高。減少變量的數量通常被稱為 "降維與降維。降維是部署監督學習方法之前最常見的初始步驟，旨在提高可預測性、可管理性和可解釋性。

數據分析目的6:數據探索和可視化

數據探索的目的是了解數據的整體情況，檢測異常值。通過圖表和儀表板創建的數據瀏覽被稱為 "數據可視化及應用or "視覺分析與設計。對于數值型變量，可以用直方圖、箱線圖、散點圖來了解其值的分布，檢測異常值。對于分類數據，請使用條形圖分析。

數據分析目的7:監督學習和非監督學習