健康险”，却没有你的体检数据，只能靠“年龄、职业”这些简单信息判断，推荐的产品自然不精准。
2 “黑盒子”问题：算法说“对”，但说不出“为啥对”
现在最火的神经网络算法，有个致命缺点：像个“黑盒子”——它能给出正确答案，但你问它“为啥这么判断”，它说不清楚。这在“需要解释”的关键领域，比如医疗、金融，特别要命。
比如医疗ai模型说“这个患者有肺癌，概率95”，医生得知道“模型是根据哪些特征判断的”——是看肿瘤的大小？还是密度？还是边界形状？如果模型说不出来，医生根本不敢信，更不敢根据这个结论给患者做手术；再比如银行用模型拒绝了你的贷款申请，你问“为啥拒绝”，银行只说“模型判断你风险高”，却不说“是因为你有两次逾期，还是因为你收入不稳定”，你肯定不服气，甚至会觉得“银行在歧视我”。
这个“可解释性差”的问题，是现在数据挖掘领域的一大痛点。科学家们正在研究“可解释ai”（xai），想让算法“开口说话”——比如让模型在判断“有肺癌”的同时，用红圈标出ct片里的“异常区域”，并说明“这个区域密度异常，符合早期肺癌特征”，就像医生一样给出理由。
3 隐私和伦理：挖数据不能“没底线”
数据挖掘得用大量数据，其中很多是“个人数据”——比如你的身份证号、手机号、健康记录、消费习惯、甚至是你每天的行动轨迹（手机定位数据）。要是这些数据被滥用，就会严重侵犯你的隐私，甚至引发伦理问题。
比如有的app会偷偷收集你的“聊天记录”“浏览历史”，用来做精准推荐——你在微信里和朋友说“想买个跑步机”，过会儿打开购物app，首页全是跑步机推荐，这就是app在偷偷挖你的隐私数据；更严重的，有人会用数据挖掘“预测用户的行为”，比如用你的“社交数据”“消费数据”预测你的“性格和收入”，然后卖给诈骗分子，给你带来安全风险。
还有伦理问题：比如用数据挖掘做“信用评分”时，要是模型把“性别、种族、年龄”当成重要特征——比如认为“女性比男性信用差”“30岁以下的人还款能力弱”，就会导致“算法歧视”，这显然不公平；再比如用数据挖掘分析“求职者数据”，要是模型认为“某所大学的毕业生能力差”，就会拒绝给这些毕业生面试机会，这也是典型的“算法歧视”。
现在各国都在出台法律管这事，比如中国的《个人信息保护法》、欧盟的《通用数据保护条例》（gdpr），要求“收集个人数据必须征得用户同意，不能滥用，更不能买卖”。但怎么在“挖数据创造价值”和“保护个人隐私”之间找平衡，还是个很难的问题——比如医院想用电解质患者的病历数据做研究，既能帮更多患者，又不能泄露患者的隐私，这就需要更先进的“隐私保护技术”（比如联邦学习，让医院不用拿到原始数据，也能一起挖规律）。
六、追历史：数据挖掘是怎么从“小工具”变成“大热门”的？
数据挖掘不是突然火起来的，它跟着“数据量”和“技术”的发展，走了几十年，就像从“小铲子”进化成“大型挖土机”，一步步变得更强大、更实用。
1 萌芽期（1960s-1980s）：从“数据库”
这个阶段电脑刚普及，数据量很少，主要存在“关系型数据库”里（就是像excel表格一样，按行和列存储数据的数据库）。那时候还没有“数据挖掘”这个词，叫“知识发现”（kdd），主要用简单的统计方法（比如计算平均值、百分比）找数据里的规律。
比如1970年代，美国的大型超市会用数据库存“销售记录”，然后用简单的关联分析找“哪些商品一起卖得多”发现“买面包的人里，有30会买黄油”，于是把面包和黄油放在相邻的货架上，提升销量。但那时候的数据量很小，一次只能分析几千条记录，算法也很简单，只能处理结构化数据（表格数据），对图片、语音这些非结构化数据还没辙。这时候的“挖宝工具”很简陋，就像用小铲子挖沙子，只能挖表面的小石子。
2 发展期（1990s-2000s）：算法爆发，开始“规模化挖宝”
1990年代，互联网开始兴起，数据量开始“爆炸式增长”——比如1995年，全球互联网用户突破1000万，每天产生的数据包比1980年代全年还多。数据多了，就需要更高效的工具来挖规律，于是各种数据挖掘算法开始爆发：
- 1993年，apriori算法（关联规则挖掘的核心算法）被提出，能快速找“商品之间的关联关系”
- 1995年，决策树算法的升级版c45算法出现，让分类更精准；
5年，“数据挖掘”这个词在国际会议上被正式提出，标志着它从“知识发现”的分支，变成了独立的研究领域。
这个阶段，企业开始大规模用数据挖掘解决实际问题：银行用决策树算法做信用评分，把审核时间从“3天”缩短到“1小时”；电商平台用apriori算法做商品推