磨刀不誤砍柴工。在學習數(shù)據(jù)挖掘之前應該明白幾點：
數(shù)據(jù)挖掘目前在中國的尚未流行開，猶如屠龍之技。
數(shù)據(jù)初期的準備通常占整個數(shù)據(jù)挖掘項目工作量的70%左右。
數(shù)據(jù)挖掘本身融合了統(tǒng)計學、數(shù)據(jù)庫和機器學習等學科，并不是新的技術(shù)。
數(shù)據(jù)挖掘技術(shù)更適合業(yè)務人員學習（相比技術(shù)人員學習業(yè)務來的更高效）
數(shù)據(jù)挖掘適用于傳統(tǒng)的BI（報表、OLAP等）無法支持的領(lǐng)域。
數(shù)據(jù)挖掘項目通常需要重復一些毫無技術(shù)含量的工作。
一、目前國內(nèi)的數(shù)據(jù)挖掘人員工作領(lǐng)域大致可分為三類。
數(shù)據(jù)分析師：在擁有行業(yè)數(shù)據(jù)的電商、金融、電信、咨詢等行業(yè)里做業(yè)務咨詢，商務智能，出分析報告。
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)里做機器學習算法實現(xiàn)和分析。
科學研究方向：在高校、科研單位、企業(yè)研究院等高大上科研機構(gòu)研究新算法效率改進及未來應用。
二、說說各工作領(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)計基礎(chǔ)，但是對程序開發(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)計分析）工具如Business Analytics and Business Intelligence Software（SAS）、SPSS、EXCEL等。
需要對與所在行業(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)典圖書推薦：《概率論與數(shù)理統(tǒng)計》、《統(tǒng)計學》推薦David Freedman版、《業(yè)務建模與數(shù)據(jù)挖掘》、《數(shù)據(jù)挖掘導論》、《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
需要理解主流機器學習算法的原理和應用。
需要熟悉至少一門編程語言如（Python、C、C++、Java、Delphi等）。
需要理解數(shù)據(jù)庫原理，能夠熟練操作至少一種數(shù)據(jù)庫（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)典圖書推薦：《數(shù)據(jù)挖掘概念與技術(shù)》、《機器學習實戰(zhàn)》、《人工智能及其應用》、《數(shù)據(jù)庫系統(tǒng)概論》、《算法導論》、《Web數(shù)據(jù)挖掘》、《 Python標準庫》、《thinking in Java》、《Thinking in C++》、《數(shù)據(jù)結(jié)構(gòu)》等。
(3).科學研究方向
需要深入學習數(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）、分類算法（C4.5、KNN、Logistic Regression、SVM等) 、聚類算法 （Kmeans、Spectral Clustering）。目標可以先吃透數(shù)據(jù)挖掘10大算法各自的使用情況和優(yōu)缺點。
相對SAS、SPSS來說R語言更適合科研人員The R Project for Statistical Computing，因為R軟件是完全免費的，而且開放的社區(qū)環(huán)境提供多種附加工具包支持，更適合進行統(tǒng)計計算分析研究。雖然目前在國內(nèi)流行度不高，但是強烈推薦。
可以嘗試改進一些主流算法使其更加快速高效，例如實現(xiàn)Hadoop平臺下的SVM云算法調(diào)用平臺--web 工程調(diào)用hadoop集群。
需要廣而深的閱讀世界著名會議論文跟蹤熱點技術(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)全方面解決實際問題的能力。如Sig KDD ，Kaggle: Go from Big Data to Big Analytics等。
可以嘗試為一些開源項目貢獻自己的代碼，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)更多好玩的項目）。
經(jīng)典圖書推薦：《機器學習》 《模式分類》《統(tǒng)計學習理論的本質(zhì)》《統(tǒng)計學習方法》《數(shù)據(jù)挖掘實用機器學習技術(shù)》《R語言實踐》，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)挖掘項目實踐的角度講，溝通能力對挖掘的興趣愛好是最重要的，有了愛好才可以愿意鉆研，有了不錯的溝通能力，才可以正確理解業(yè)務問題，才能正確把業(yè)務問題轉(zhuǎn)化成挖掘問題，才可以在相關(guān)不同專業(yè)人才之間清楚表達你的意圖和想法，取得他們的理解和支持。所以我認為溝通能力和興趣愛好是個人的數(shù)據(jù)挖掘的核心競爭力，是很難學到的；而其他的相關(guān)專業(yè)知識誰都可以學，算不上個人發(fā)展的核心競爭力。

        說到這里可能很多數(shù)據(jù)倉庫專家、程序員、統(tǒng)計師等等都要扔磚頭了，對不起，我沒有別的意思，你們的專業(yè)對于數(shù)據(jù)挖掘都很重要，大家本來就是一個整體的，但是作為單獨一個個體的人來說，精力有限，時間有限，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，我想應該是數(shù)據(jù)挖掘技能和相關(guān)業(yè)務能力吧（從另外的一個極端的例子，我們可以看， 比如一個迷你型的挖掘項目，一個懂得市場營銷和數(shù)據(jù)挖掘技能的人應該可以勝任。這其中他雖然不懂數(shù)據(jù)倉庫，但是簡單的Excel就足以勝任高打6萬個樣本的數(shù)據(jù)處理；他雖然不懂專業(yè)的展示展現(xiàn)技能，但是只要他自己看的懂就行了，這就無需什么展示展現(xiàn)；前面說過，統(tǒng)計技能是應該掌握的，這對一個人的迷你項目很重要；他雖然不懂編程，但是專業(yè)挖掘工具和挖掘技能足夠讓他操練的；這樣在迷你項目中，一個懂得挖掘技能和市場營銷業(yè)務能力的人就可以圓滿完成了，甚至在一個數(shù)據(jù)源中根據(jù)業(yè)務需求可以無窮無盡的挖掘不同的項目思路，試問就是這個迷你項目，單純的一個數(shù)據(jù)倉庫專家、單純的一個程序員、單純的一個展示展現(xiàn)技師、甚至單純的一個挖掘技術(shù)專家，都是無法勝任的）。這從另一個方面也說明了為什么溝通能力的重要，這些個完全不同的專業(yè)領(lǐng)域，想要有效有機地整合在一起進行數(shù)據(jù)挖掘項目實踐，你說沒有好的溝通能力行嗎？

        數(shù)據(jù)挖掘能力只能在項目實踐的熔爐中提升、升華，所以跟著項目學挖掘是最有效的捷徑。國外學習挖掘的人都是一開始跟著老板做項目，剛開始不懂不要緊，越不懂越知道應該學什么，才能學得越快越有效果。我不知道國內(nèi)的數(shù)據(jù)挖掘學生是怎樣學的，但是從網(wǎng)上的一些論壇看，很多都是紙上談兵，這樣很浪費時間，很沒有效率。

        另外現(xiàn)在國內(nèi)關(guān)于數(shù)據(jù)挖掘的概念都很混亂，很多BI只是局限在報表的展示和簡單的統(tǒng)計分析，卻也號稱是數(shù)據(jù)挖掘；另一方面，國內(nèi)真正規(guī)?；瘜嵤?a href='/map/shujuwajue/' style='color:#000;font-size:inherit;'>數(shù)據(jù)挖掘的行業(yè)是屈指可數(shù)（銀行、保險公司、移動通訊），其他行業(yè)的應用就只能算是小規(guī)模的，比如很多大學都有些相關(guān)的挖掘課題、挖掘項目，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)挖掘在中國一定是好的前景，因為這是歷史發(fā)展的必然。

        講到移動方面的實踐案例，如果你是來自移動的話，你一定知道國內(nèi)有家叫華院分析的公司（申明，我跟這家公司沒有任何關(guān)系，我只是站在數(shù)據(jù)挖掘者的角度分析過中國大多數(shù)的號稱數(shù)據(jù)挖掘服務公司，覺得華院還不錯，比很多徒有虛名的大公司來得更實際），他們的業(yè)務現(xiàn)在已經(jīng)覆蓋了絕大多數(shù)中國省級移動公司的分析挖掘項目，你上網(wǎng)搜索一下應該可以找到一些詳細的資料吧。我對華院分析印象最深的一點就是2002年這個公司白手起家，自己不懂不要緊，一邊自學一邊開始拓展客戶，到現(xiàn)在在中國的移動通訊市場全面開花，的確佩服佩服呀。他們最開始都是用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。

        至于移動通訊的具體的數(shù)據(jù)挖掘的應用，那太多了，比如不同話費套餐的制訂、客戶流失模型、不同服務交叉銷售模型、不同客戶對優(yōu)惠的彈性分析、客戶群體細分模型、不同客戶生命周期模型、渠道選擇模型、惡意欺詐預警模型，太多了，記住，從客戶的需求出發(fā)，從實踐中的問題出發(fā)，移動中可以發(fā)現(xiàn)太多的挖掘項目。最后告訴你一個秘密，當你數(shù)據(jù)挖掘能力提升到一定程度時，你會發(fā)現(xiàn)無論什么行業(yè)，其實數(shù)據(jù)挖掘的應用有大部分是重合的相似的，這樣你會覺得更輕松