存在问题
IAURIF，法国一家地方研究机构，需要对大量原本不是为数据挖掘而收集的数据进行分析，预示巴黎将要采用的交通方式，以及采用的原因。
解决方案
IAURIF 采用 SPSS Clementine 的规则归纳算法得到了意想不到的结果，并证明预先单凭经验作出的假设是不正确的。Clementine 快速建模环境揭示出最重要的交通因素，并获得了基于实事的精确结果。
应用效果
分析和预测交通的流动和增长是一个复杂的过程。IAURIF 从现有的包括40万条记录的数据库开始。这是先前从一个详细的巴黎交通调查收集的数据，并不是专门用于数据挖掘的。这意味着一开始任务就非常复杂，因为必须对这些数据先进行预处理。
完成了更精确的交通预测
借助于 Clementine 强大的数据处理功能，IAURIF 首先把总标题下的200个原始字段进行分组，如居住地点和社会经济学类别。然后，分析师为每一组字段选择一个典型变量，并确保各组对交通方式的影响是独立的。经过这一重要的预处理，IAURIF
精选出26个字段作为有关变量的核心，这样就简化了数据挖掘过程，并极大地帮助了数据挖掘的顺利完成。
IAURIF 的分析师然后使用 Clementine 的规则归纳算法来预测一个三分变量：出行采用步行、
驾车或乘坐公共交通工具。利用Clementine 强大的建模技术，分析师发现了每种选择后面的因素。根据经验，IAURIF 首先想到社会学因素，如收入和类别，加上出行目的，将会是最重要的影响因素
。
改进了交通计划
但是，Clementine 发现了一个意想不到的重要结果，证明最重要的影响因素是旅行距离和时间，而不是上面单靠经验而作出的预测。为了确认，IAURIF 用验证数据对分析结果进行检验，结果证明了Clementine 的高度精确性。
作为结论，Clementine 及其新的建模过程提高了IAURIF计划未来交通的能力，同时也增强了 IAURIF 的可信性。
