資料探勘是一個逐步演進的過程，在電子資料處理的初期，人們就試圖通過某些方法來實現自動決策支援，當時機器學習正成為人們關注的焦點，機器學習的過程就是將一些已知的並已被成功解決的問題作為範例輸入計算機，相應的軟體通過學習這些範例總結並生成相應的規則，通常這些規則具有通用性，使用它們可以快速解決某一類的實際問題。隨著神經網路技術的形成和發展，人們將注意力轉向知識工程，知識工程不同於機器學習（向計算機輸入範例，讓它生成規則），而是直接給計算機輸入已被程式碼化的規則，計算機通過使用這些規則來解決某些問題。
上個世紀80年代人們又在新的神經網路理論的指導下，重新將注意力轉回到機器學習的方法上，並將其成果應用於處理大型商業資料庫。隨著新術語——知識發現（簡稱KDD，即Knowledge Discovery in Database）逐漸被人們所接受，並用KDD來描述整個資料探勘的過程，包括最開始的制定業務目標到最終的結果分析，利用資料探勘（Data Mining）來描述使用挖掘演算法進行資料探勘的子過程，在這一過程中，資料探勘工具的選擇變得越來越重要。
IBM SPSS Modeler強大的資料探勘功能將複雜的統計方法和機器學習技術應用到資料當中，幫助客戶揭示了隱藏在交易系統、企業資源計劃、結構資料庫和普通檔案中的模式和趨勢，讓客戶始終站在行業發展的前端，IBM公司於2009年收購了SPSS資料分析軟體公司，並將其和Clementine資料探勘軟體進行整合，且將Clementine更名為IBM SPSS Modeler，再次推向全球市場，本書介紹的是15.0版本，也是目前的最新版本。
作為一個數據挖掘平臺，Modeler結合商業技術可以快速建立預測性模型，進而應用到商業活動中，幫助人們改進決策過程。同那些僅僅著重於模型的外在表現而忽略了資料探勘在整個業務流程中應用價值的其他資料探勘工具相比，Modeler功能強大的資料探勘演算法，使資料探勘貫穿於業務流程的始終，在縮短投資回報週期的同時極大地提高了投資回報率。

本書的主要優勢：
目前，市場上大多數的SPSS Modeler圖書基本上還是按照較早版本的Clementine編寫，而且大多是理論性的介紹，沒有結合具體的案例進行深入分析。
理論部分：解決案例所涉及的理論知識和演算法，SPSS Modeler 作為資料探勘的工具畢竟不是智慧化的，需要了解工具的內在理論和邏輯，才能更有效地進行資料探勘。
案例分析：使用資料探勘理論對案例進行分析，找出解決問題的技術路線，幫助讀者從解決問題的角度進行思考。

本書面向的讀者：
本書由資料探勘與分析研究人員編寫，書中例項都具有很高的參考價值。本書對於高校理工學科、經濟金融學科及數量分析方面的學生，以及資料探勘和分析方面的研究人員和從業人員等，具有很強的可讀性、可操作性與可使用性，尤其適合商業銷售、經濟管理、社會研究和人文教育等行業的相關人員閱讀。
本書提供資原始檔下載，下載地址：

致謝：
本書是編者近年來使用SPSS Modeler的經驗彙總與提煉，在寫作過程中，得到了編者領導、同事、老師、同學以及朋友的幫助，借本書出版之際，向他們表示誠摯的感謝！
最後還要特別感謝清華大學出版社的支援，以及各位編輯熱情細緻的工作。由於作者水平有限，書中難免會出現不足和錯誤，敬請廣大讀者批評與指正。