商业和生活中，我们处处能够看到数据挖掘的影子：

Target 百货分析16岁的少女买无香型沐浴露之后，判断她怀孕了；

语言学家通过记录自己孩子出生到3岁每天每秒钟的状态数据，发现语言记忆和周遭环境相关性更大；

调查局通过数据分析和挖掘发现改善公共环境有助于降低犯罪率。

今天我们将从以下几个方面来揭开数据挖掘的神秘面纱。

数据挖掘涉及的学科？

首先我们可以看出，数据分析与挖掘位于中间，也就是红点的位置，而旁边有很多交叉的学科。

数据库系统是现在比较普及的一种存储数据信息的方式，也就是电子档案的方式。统计学是一种传统的数据分析方法，它的起源比较早。模式识别、机器学习和人工智能与数据挖掘的交集点不多。机器学习，它本身是我们人类在研究人工智能的一种分析方法，提出了一些计算机的算法，而这些算法是和数据分析、数据挖掘是有交集的，比如前段时间比较火热的Alphago在人工神经网络方面的成功应用，而这些算法目前也逐渐应用在了商业范围内。

总体来说，数据分析与数据挖掘肯定是一门高度交叉的学科，而且包含的知识点，领域特别广，是综合社会科学和自然科学的一种交叉的一种学问。

1：建模流程、建模技术、业务场景的理解。

道，是放在最上层的东西，不管是什么学科，什么学问。而具体在数据挖掘领域，道着眼于对于整个数据挖掘的整套基本流程和建模技术、业务三者结合的深刻了解。需要大量的经验积累形成自己的一套思路和方法。

2：数据挖掘的标准流程化的步骤。

目前比较成熟的数据挖掘标准化流程如KDD(Knowledge Discovery inDatabase)，CRISP-DM（Cross-industryStandard Process For Data Mining）。

3：数据挖掘的具体建模方法。

描述性（无监督学习）

用处：分析具有多个属性的数据集，找出潜在的模式，没有因变量

场景：观察个体之间的相似程度，例如根据年龄、性别、收入等因素进行客户细分；根据客户对多个产品的购买，发现产品之间的相关性，做精准商品推荐。

主要算法：聚类、关联分析、因子分析、主成份分析、社交网络分析、…

预测性（有监督学习）

用处：用一个或多个自变量预测因变量的值

场景：客户是否会违约是一个因变量，可以用客户的性别、年龄、收入、职位、经济状况、历史信用状况等因素进行预测

主要算法：决策树、线性回归、Logistic回归、支持向量机、神经网络、判别分析、…

4器以成事：建模的具体工具。

传统商业分析工具SAS，SPSS，开源类工具R，Python，Weka，Hadoop，Spark等。现在各种软件越来越智能化，越来越接近傻瓜化。但是软件的智能化不等于整个数据分析的智能化与自动化，如果没有对业务的深刻理解，建立的模型就没有说服力。关于软件的使用和选择，记住三点：

一、只要能达到目标的软件就是好软件；

二、你研究领域啥软件好用啥软件就是好软件；

三、不要妄想用一个软件解决一切问题。