商業(yè)和生活中，我們處處能夠看到數據挖掘的影子：

Target 百貨分析16歲的少女買無香型沐浴露之后，判斷她懷孕了；

語言學家通過記錄自己孩子出生到3歲每天每秒鐘的狀態(tài)數據，發(fā)現語言記憶和周遭環(huán)境相關性更大；

調查局通過數據分析和挖掘發(fā)現改善公共環(huán)境有助于降低犯罪率。

今天我們將從以下幾個方面來揭開數據挖掘的神秘面紗。

數據挖掘涉及的學科？

首先我們可以看出，數據分析與挖掘位于中間，也就是紅點的位置，而旁邊有很多交叉的學科。

數據庫系統(tǒng)是現在比較普及的一種存儲數據信息的方式，也就是電子檔案的方式。統(tǒng)計學是一種傳統(tǒng)的數據分析方法，它的起源比較早。模式識別、機器學習和人工智能與數據挖掘的交集點不多。機器學習，它本身是我們人類在研究人工智能的一種分析方法，提出了一些計算機的算法，而這些算法是和數據分析、數據挖掘是有交集的，比如前段時間比較火熱的Alphago在人工神經網絡方面的成功應用，而這些算法目前也逐漸應用在了商業(yè)范圍內。

總體來說，數據分析與數據挖掘肯定是一門高度交叉的學科，而且包含的知識點，領域特別廣，是綜合社會科學和自然科學的一種交叉的一種學問。

1：建模流程、建模技術、業(yè)務場景的理解。

道，是放在最上層的東西，不管是什么學科，什么學問。而具體在數據挖掘領域，道著眼于對于整個數據挖掘的整套基本流程和建模技術、業(yè)務三者結合的深刻了解。需要大量的經驗積累形成自己的一套思路和方法。

2：數據挖掘的標準流程化的步驟。

目前比較成熟的數據挖掘標準化流程如KDD(Knowledge Discovery inDatabase)，CRISP-DM（Cross-industryStandard Process For Data Mining）。

3：數據挖掘的具體建模方法。

描述性（無監(jiān)督學習）

用處：分析具有多個屬性的數據集，找出潛在的模式，沒有因變量

場景：觀察個體之間的相似程度，例如根據年齡、性別、收入等因素進行客戶細分；根據客戶對多個產品的購買，發(fā)現產品之間的相關性，做精準商品推薦。

主要算法：聚類、關聯(lián)分析、因子分析、主成份分析、社交網絡分析、…

預測性（有監(jiān)督學習）

用處：用一個或多個自變量預測因變量的值

場景：客戶是否會違約是一個因變量，可以用客戶的性別、年齡、收入、職位、經濟狀況、歷史信用狀況等因素進行預測

主要算法：決策樹、線性回歸、Logistic回歸、支持向量機、神經網絡、判別分析、…

4器以成事：建模的具體工具。

傳統(tǒng)商業(yè)分析工具SAS，SPSS，開源類工具R，Python，Weka，Hadoop，Spark等。現在各種軟件越來越智能化，越來越接近傻瓜化。但是軟件的智能化不等于整個數據分析的智能化與自動化，如果沒有對業(yè)務的深刻理解，建立的模型就沒有說服力。關于軟件的使用和選擇，記住三點：

一、只要能達到目標的軟件就是好軟件；

二、你研究領域啥軟件好用啥軟件就是好軟件；

三、不要妄想用一個軟件解決一切問題。