3.只要有了數據挖掘工具，就能自動挖掘出所需要的信息
 
　　這是人們常有的一個認識誤區。數據挖掘利用了統計和人工智能技術的應用程序，它把這些高深復雜的技術封裝起來，使人們不用自己掌握這些技術也能完成同樣的功能，并且更專注于自己所要解決的問題。雖然如此，人們仍然需要知道所選用的數據挖掘工具是如何工作的。換句話說，數據挖掘永遠不會替代有經驗的商業分析師或管理人員所起的作用，它只是提供一個強大的工具。數據挖掘決不會在缺乏指導的情況下自動地發現模型。數據挖掘工具要做的就是使這些模型得到的更容易、更方便，而且有根據。比如客戶關系管理，不是只設一個客服專線，更不僅僅是把一堆客戶基本數據輸入計算機。一個完整的客戶關系管理運作機制在相關的硬軟件系統功能健全的支持之前，要有大量的數據準備工作與分析過程推動。
 
　　邁克爾·J·A·貝里和戈登·S·利諾夫指出，通過4種有效途徑可以實現數據挖掘技術在企業中的專業化應用，即：從企業外的制造商處購買與企業商業問題配套的評分機制，購買實施整體解決方案的數據挖掘軟件，針對特定問題聘請外部專家完成預測模型的建立，以及在組織內部掌握數據挖掘技能。他們認為，從公司長遠發展考慮，最后一種方法應作為企業首選。因為這將促使企業把數據挖掘視為企業的法寶，并通過它將客戶關系管理推向企業戰略的核心。鑒于此，一個企業想要在未來的市場中具有競爭力。必須有一些數據挖掘方面的專家，專門從事數據分析和數據挖掘工作，再同其他部門協調，把挖掘出來的信息提供給決策者參考，但國內的企業還很少有決策人員認識到這一點。如果管理者沒有這方面的意識，數據挖掘就很難發揮其應有的作用，且很容易走向兩個極端：一是認為數據挖掘沒有用處，二是認為數據挖掘是萬能的，而得到的結果往往與初始期望相去甚遠。
 
　　4.企業開發、運用數據挖掘的結果是可以預期的
 
　　這也是企業界對數據挖掘認識上的一個慣常誤區。實際上，企業界運用數據挖掘要受許多因素的影響，例如，不充足的教育訓練、不適當的支持工具、數據的無效性、過于豐富的模型、多變與具有時間性的數據、空間導向數據、數據的衡量性等。面對易變的環境，沒有立刻能用的現成的模型，數據挖掘的本質是發現非預期的模式，同樣，非預期的模式要以非預期的方法來發現，更不能期望按照程序即能成功。因此，要分析一些潛在的因素，如數據取舍、實體關系性、數量多寡、復雜性、數據質量、可取得性、專家意見等因素，才能做好挖掘工作。此外，所有通過數據挖掘發現的知識都是相對的.是有特定前提和約束條件且面向特定領域的。對于數據挖掘而言，需求牽引、市場驅動是永恒的，而對于企業應用數據挖掘而言，面向客戶、講求實際才是最主要的。
 
　　5.數據挖掘是企業商業智能的核心
 
　　簡而言之，商業智能是能夠幫助用戶對自身業務經營作出正確明智決定的工具。不可否認，數據挖掘可以增加企業智慧，提升企業競爭優勢，是企業走向智能化的重要組成部分。但是一個完整的知識挖掘過程牽涉大量的規劃與準備，包括理解數據、融合與核查資料、去除錯誤或不一致的數據、發展模式與假設、實際數據挖掘工作、測試與審核所挖掘的數據、解釋與使用數據等，從這個角度看，數據挖掘只是知識發掘過程中的一個步驟而已，而達到這個步驟前還有許許多多的工作要完成。
 
　　從技術層面來看，商業智能的技術體系包括數據倉庫、在線分析處理(OLAP)以及數據挖掘3部分。所謂數據倉庫就是面向主題的、集成的、穩定的、不同時間的數據集合.它提供在線分析處理或數據挖掘所需要的、整齊一致的數據，用以支持經營管理中的決策制定過程。OLAP則是幫助分析人員、管理人員多種角度地把從原始數據中轉化出來、能夠真正為用戶所理解的、并真實反映數據特性的信息，進行快速、一致、交互的訪問，從而獲得對數據更深入了解的一類軟件技術。而數據挖掘是一種決策支持過程，通過高度自動化地分析企業原有的數據，從中挖掘出潛在的模式，預測客戶的行為，幫助企業的決策者調整市場策略，減少風險，作出正確的決策圈。這三者的關系如圖2所示。
 
　　
 
　　圖2 數據挖掘、OLAP、數據倉庫之間的關系示意圖
 
　　由圖2可以看出，數據倉庫是商業智能的基礎，它是一個環境，主要提供用于決策支持的當前和歷史的數據;OLAP屬于數據倉庫應用，它以數據倉庫為基礎，其分析結果可以為數據挖掘提供分析信息，作為挖掘的依據;數據挖掘則可以拓展OLAP的深度，可以發現OLAP所不能發現的更為復雜細致的信息。可見，只有將數據挖掘與OLAP、數據倉庫結合起來，才能使企業的許多業務流程實現智能化運作。離開了數據倉庫和OLAP，商業智能無從實現，因此，數據挖掘、OLAP與數據倉庫均是企業商業智能的核心技術。