磨刀不誤砍柴工。在學(xué)習(xí)數(shù)據(jù)挖掘之前應(yīng)該明白幾點(diǎn)：
數(shù)據(jù)挖掘目前在中國(guó)的尚未流行開(kāi)，猶如屠龍之技。
數(shù)據(jù)初期的準(zhǔn)備通常占整個(gè)數(shù)據(jù)挖掘項(xiàng)目工作量的70%左右。
數(shù)據(jù)挖掘本身融合了統(tǒng)計(jì)學(xué)、數(shù)據(jù)庫(kù)和機(jī)器學(xué)習(xí)等學(xué)科，并不是新的技術(shù)。
數(shù)據(jù)挖掘技術(shù)更適合業(yè)務(wù)人員學(xué)習(xí)（相比技術(shù)人員學(xué)習(xí)業(yè)務(wù)來(lái)的更高效）
數(shù)據(jù)挖掘適用于傳統(tǒng)的BI（報(bào)表、OLAP等）無(wú)法支持的領(lǐng)域。
數(shù)據(jù)挖掘項(xiàng)目通常需要重復(fù)一些毫無(wú)技術(shù)含量的工作。
一、目前國(guó)內(nèi)的數(shù)據(jù)挖掘人員工作領(lǐng)域大致可分為三類(lèi)。
數(shù)據(jù)分析師：在擁有行業(yè)數(shù)據(jù)的電商、金融、電信、咨詢(xún)等行業(yè)里做業(yè)務(wù)咨詢(xún)，商務(wù)智能，出分析報(bào)告。
數(shù)據(jù)挖掘工程師：在多媒體、電商、搜索、社交等大數(shù)據(jù)相關(guān)行業(yè)里做機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)和分析。
科學(xué)研究方向：在高校、科研單位、企業(yè)研究院等高大上科研機(jī)構(gòu)研究新算法效率改進(jìn)及未來(lái)應(yīng)用。
二、說(shuō)說(shuō)各工作領(lǐng)域需要掌握的技能。 
(1).數(shù)據(jù)分析師
需要有深厚的數(shù)理統(tǒng)計(jì)基礎(chǔ)，但是對(duì)程序開(kāi)發(fā)能力不做要求。
需要熟練使用主流的數(shù)據(jù)挖掘（或統(tǒng)計(jì)分析）工具如Business Analytics and Business Intelligence Software（SAS）、SPSS、EXCEL等。
需要對(duì)與所在行業(yè)有關(guān)的一切核心數(shù)據(jù)有深入的理解，以及一定的數(shù)據(jù)敏感性培養(yǎng)。
經(jīng)典圖書(shū)推薦：《概率論與數(shù)理統(tǒng)計(jì)》、《統(tǒng)計(jì)學(xué)》推薦David Freedman版、《業(yè)務(wù)建模與數(shù)據(jù)挖掘》、《數(shù)據(jù)挖掘導(dǎo)論》、《SAS編程與數(shù)據(jù)挖掘商業(yè)案例》、《Clementine數(shù)據(jù)挖掘方法及應(yīng)用 》、《Excel 2007 VBA參考大全》、《IBM SPSS Statistics 19 Statistical Procedures Companion》等。
(2).數(shù)據(jù)挖掘工程師
需要理解主流機(jī)器學(xué)習(xí)算法的原理和應(yīng)用。
需要熟悉至少一門(mén)編程語(yǔ)言如（Python、C、C++、Java、Delphi等）。
需要理解數(shù)據(jù)庫(kù)原理，能夠熟練操作至少一種數(shù)據(jù)庫(kù)（Mysql、SQL、DB2、Oracle等），能夠明白MapReduce的原理操作以及熟練使用Hadoop系列工具更好。
經(jīng)典圖書(shū)推薦：《數(shù)據(jù)挖掘概念與技術(shù)》、《機(jī)器學(xué)習(xí)實(shí)戰(zhàn)》、《人工智能及其應(yīng)用》、《數(shù)據(jù)庫(kù)系統(tǒng)概論》、《算法導(dǎo)論》、《Web數(shù)據(jù)挖掘》、《 Python標(biāo)準(zhǔn)庫(kù)》、《thinking in Java》、《Thinking in C++》、《數(shù)據(jù)結(jié)構(gòu)》等。
(3).科學(xué)研究方向
需要深入學(xué)習(xí)數(shù)據(jù)挖掘的理論基礎(chǔ)，包括關(guān)聯(lián)規(guī)則挖掘 （Apriori和FPTree）、分類(lèi)算法（C4.5、KNN、Logistic Regression、SVM等) 、聚類(lèi)算法 （Kmeans、Spectral Clustering）。目標(biāo)可以先吃透數(shù)據(jù)挖掘10大算法各自的使用情況和優(yōu)缺點(diǎn)。
相對(duì)SAS、SPSS來(lái)說(shuō)R語(yǔ)言更適合科研人員The R Project for Statistical Computing，因?yàn)镽軟件是完全免費(fèi)的，而且開(kāi)放的社區(qū)環(huán)境提供多種附加工具包支持，更適合進(jìn)行統(tǒng)計(jì)計(jì)算分析研究。雖然目前在國(guó)內(nèi)流行度不高，但是強(qiáng)烈推薦。
可以嘗試改進(jìn)一些主流算法使其更加快速高效，例如實(shí)現(xiàn)Hadoop平臺(tái)下的SVM云算法調(diào)用平臺(tái)--web 工程調(diào)用hadoop集群。
需要廣而深的閱讀世界著名會(huì)議論文跟蹤熱點(diǎn)技術(shù)。如KDD，ICML，IJCAI，Association for the Advancement of Artificial Intelligence，ICDM 等等；還有數(shù)據(jù)挖掘相關(guān)領(lǐng)域期刊：ACM Transactions on Knowledge Discovery from Data，IEEE Transactions on Knowledge and Data Engineering，Journal of Machine Learning Research Homepage，IEEE Xplore: Pattern Analysis and Machine Intelligence, IEEE Transactions on等。
可以嘗試參加數(shù)據(jù)挖掘比賽培養(yǎng)全方面解決實(shí)際問(wèn)題的能力。如Sig KDD ，Kaggle: Go from Big Data to Big Analytics等。
可以嘗試為一些開(kāi)源項(xiàng)目貢獻(xiàn)自己的代碼，比如Apache Mahout: Scalable machine learning and data mining ,myrrix等（具體可以在SourceForge或GitHub.上發(fā)現(xiàn)更多好玩的項(xiàng)目）。
經(jīng)典圖書(shū)推薦：《機(jī)器學(xué)習(xí)》 《模式分類(lèi)》《統(tǒng)計(jì)學(xué)習(xí)理論的本質(zhì)》《統(tǒng)計(jì)學(xué)習(xí)方法》《數(shù)據(jù)挖掘實(shí)用機(jī)器學(xué)習(xí)技術(shù)》《R語(yǔ)言實(shí)踐》，英文素質(zhì)是科研人才必備的《Machine Learning: A Probabilistic Perspective》《Scaling up Machine Learning : Parallel and Distributed Approaches》《Data Mining Using SAS Enterprise Miner : A Case Study Approach》《Python for Data Analysis》等。
三、以下是通信行業(yè)數(shù)據(jù)挖掘工程師的工作感受。

        真正從數(shù)據(jù)挖掘項(xiàng)目實(shí)踐的角度講，溝通能力對(duì)挖掘的興趣愛(ài)好是最重要的，有了愛(ài)好才可以愿意鉆研，有了不錯(cuò)的溝通能力，才可以正確理解業(yè)務(wù)問(wèn)題，才能正確把業(yè)務(wù)問(wèn)題轉(zhuǎn)化成挖掘問(wèn)題，才可以在相關(guān)不同專(zhuān)業(yè)人才之間清楚表達(dá)你的意圖和想法，取得他們的理解和支持。所以我認(rèn)為溝通能力和興趣愛(ài)好是個(gè)人的數(shù)據(jù)挖掘的核心競(jìng)爭(zhēng)力，是很難學(xué)到的；而其他的相關(guān)專(zhuān)業(yè)知識(shí)誰(shuí)都可以學(xué)，算不上個(gè)人發(fā)展的核心競(jìng)爭(zhēng)力。

        說(shuō)到這里可能很多數(shù)據(jù)倉(cāng)庫(kù)專(zhuān)家、程序員、統(tǒng)計(jì)師等等都要扔磚頭了，對(duì)不起，我沒(méi)有別的意思，你們的專(zhuān)業(yè)對(duì)于數(shù)據(jù)挖掘都很重要，大家本來(lái)就是一個(gè)整體的，但是作為單獨(dú)一個(gè)個(gè)體的人來(lái)說(shuō)，精力有限，時(shí)間有限，不可能這些領(lǐng)域都能掌握，在這種情況下，選擇最重要的核心，我想應(yīng)該是數(shù)據(jù)挖掘技能和相關(guān)業(yè)務(wù)能力吧（從另外的一個(gè)極端的例子，我們可以看， 比如一個(gè)迷你型的挖掘項(xiàng)目，一個(gè)懂得市場(chǎng)營(yíng)銷(xiāo)和數(shù)據(jù)挖掘技能的人應(yīng)該可以勝任。這其中他雖然不懂數(shù)據(jù)倉(cāng)庫(kù)，但是簡(jiǎn)單的Excel就足以勝任高打6萬(wàn)個(gè)樣本的數(shù)據(jù)處理；他雖然不懂專(zhuān)業(yè)的展示展現(xiàn)技能，但是只要他自己看的懂就行了，這就無(wú)需什么展示展現(xiàn)；前面說(shuō)過(guò)，統(tǒng)計(jì)技能是應(yīng)該掌握的，這對(duì)一個(gè)人的迷你項(xiàng)目很重要；他雖然不懂編程，但是專(zhuān)業(yè)挖掘工具和挖掘技能足夠讓他操練的；這樣在迷你項(xiàng)目中，一個(gè)懂得挖掘技能和市場(chǎng)營(yíng)銷(xiāo)業(yè)務(wù)能力的人就可以圓滿(mǎn)完成了，甚至在一個(gè)數(shù)據(jù)源中根據(jù)業(yè)務(wù)需求可以無(wú)窮無(wú)盡的挖掘不同的項(xiàng)目思路，試問(wèn)就是這個(gè)迷你項(xiàng)目，單純的一個(gè)數(shù)據(jù)倉(cāng)庫(kù)專(zhuān)家、單純的一個(gè)程序員、單純的一個(gè)展示展現(xiàn)技師、甚至單純的一個(gè)挖掘技術(shù)專(zhuān)家，都是無(wú)法勝任的）。這從另一個(gè)方面也說(shuō)明了為什么溝通能力的重要，這些個(gè)完全不同的專(zhuān)業(yè)領(lǐng)域，想要有效有機(jī)地整合在一起進(jìn)行數(shù)據(jù)挖掘項(xiàng)目實(shí)踐，你說(shuō)沒(méi)有好的溝通能力行嗎？

        數(shù)據(jù)挖掘能力只能在項(xiàng)目實(shí)踐的熔爐中提升、升華，所以跟著項(xiàng)目學(xué)挖掘是最有效的捷徑。國(guó)外學(xué)習(xí)挖掘的人都是一開(kāi)始跟著老板做項(xiàng)目，剛開(kāi)始不懂不要緊，越不懂越知道應(yīng)該學(xué)什么，才能學(xué)得越快越有效果。我不知道國(guó)內(nèi)的數(shù)據(jù)挖掘學(xué)生是怎樣學(xué)的，但是從網(wǎng)上的一些論壇看，很多都是紙上談兵，這樣很浪費(fèi)時(shí)間，很沒(méi)有效率。

        另外現(xiàn)在國(guó)內(nèi)關(guān)于數(shù)據(jù)挖掘的概念都很混亂，很多BI只是局限在報(bào)表的展示和簡(jiǎn)單的統(tǒng)計(jì)分析，卻也號(hào)稱(chēng)是數(shù)據(jù)挖掘；另一方面，國(guó)內(nèi)真正規(guī)模化實(shí)施數(shù)據(jù)挖掘的行業(yè)是屈指可數(shù)（銀行、保險(xiǎn)公司、移動(dòng)通訊），其他行業(yè)的應(yīng)用就只能算是小規(guī)模的，比如很多大學(xué)都有些相關(guān)的挖掘課題、挖掘項(xiàng)目，但都比較分散，而且都是處于摸索階段，但是我相信數(shù)據(jù)挖掘在中國(guó)一定是好的前景，因?yàn)檫@是歷史發(fā)展的必然。

        講到移動(dòng)方面的實(shí)踐案例，如果你是來(lái)自移動(dòng)的話(huà)，你一定知道國(guó)內(nèi)有家叫華院分析的公司（申明，我跟這家公司沒(méi)有任何關(guān)系，我只是站在數(shù)據(jù)挖掘者的角度分析過(guò)中國(guó)大多數(shù)的號(hào)稱(chēng)數(shù)據(jù)挖掘服務(wù)公司，覺(jué)得華院還不錯(cuò)，比很多徒有虛名的大公司來(lái)得更實(shí)際），他們的業(yè)務(wù)現(xiàn)在已經(jīng)覆蓋了絕大多數(shù)中國(guó)省級(jí)移動(dòng)公司的分析挖掘項(xiàng)目，你上網(wǎng)搜索一下應(yīng)該可以找到一些詳細(xì)的資料吧。我對(duì)華院分析印象最深的一點(diǎn)就是2002年這個(gè)公司白手起家，自己不懂不要緊，一邊自學(xué)一邊開(kāi)始拓展客戶(hù)，到現(xiàn)在在中國(guó)的移動(dòng)通訊市場(chǎng)全面開(kāi)花，的確佩服佩服呀。他們最開(kāi)始都是用EXCEL處理數(shù)據(jù)，用肉眼比較選擇比較不同的模型，你可以想象這其中的艱難吧。

        至于移動(dòng)通訊的具體的數(shù)據(jù)挖掘的應(yīng)用，那太多了，比如不同話(huà)費(fèi)套餐的制訂、客戶(hù)流失模型、不同服務(wù)交叉銷(xiāo)售模型、不同客戶(hù)對(duì)優(yōu)惠的彈性分析、客戶(hù)群體細(xì)分模型、不同客戶(hù)生命周期模型、渠道選擇模型、惡意欺詐預(yù)警模型，太多了，記住，從客戶(hù)的需求出發(fā)，從實(shí)踐中的問(wèn)題出發(fā)，移動(dòng)中可以發(fā)現(xiàn)太多的挖掘項(xiàng)目。最后告訴你一個(gè)秘密，當(dāng)你數(shù)據(jù)挖掘能力提升到一定程度時(shí)，你會(huì)發(fā)現(xiàn)無(wú)論什么行業(yè)，其實(shí)數(shù)據(jù)挖掘的應(yīng)用有大部分是重合的相似的，這樣你會(huì)覺(jué)得更輕松