数据挖掘总结企业如何有效地进行数据挖掘和分析？

数据挖掘的前景，和学习过程简介

前景不用说，很好。

学习过程（自己心得）： 统计学+SQL+数据挖掘工具（SAS,R,CLEMENTINE等）+业务知识（很重要）+office（excel，ppt，word）+visio（思维导图软件）+案例 最好在企业的工作中锻炼； 其次找人带你，难，得花钱； 最后自学，会走很多弯路，进步缓慢。

关于数据挖掘

数据挖掘(Data Mining)，就是从大量数据中获取有效的、新颖的、潜在有用的、最终可理解的模式的非平凡过程。

数据挖掘的广义观点：数据挖掘就是从存放在数据库，数据仓库或其他信息库中的大量的数据中“挖掘”有趣知识的过程。

数据挖掘，又称为数据库中知识发现(Knowledge Discovery in Database, KDD)， 也有人把数据挖掘视为数据库中知识发现过程的一个基本步骤。

知识发现过程以下步骤组成：（1）数据清理，（2）数据集成，（3）数据选择，（4）数据变换，（5）数据挖掘，（6）模式评估，（7）知识表示。

数据挖掘可以与用户或知识库交互。

　　并非所有的信息发现任务都被视为数据挖掘。

例如，使用数据库管理系统查找个别的记录，或通过因特网的搜索引擎查找特定的Web页面，则是信息检索（information retrieval）领域的任务。

虽然这些任务是重要的，可能涉及使用复杂的算法和数据结构，但是它们主要依赖传统的计算机科学技术和数据的明显特征来创建索引结构，从而有效地组织和检索信息。

尽管如此，数据挖掘技术也已用来增强信息检索系统的能力。

企业如何有效地进行数据挖掘和分析？

经常听人提到数据分析，那么数据怎么去分析？简单来说，可能就是做一些数据做统计、可视化、文字结论等。

但是相比来说，数据挖掘就相对来说比较低调一些，这是这种低调，反而意味着数据挖掘对研究人员的要求要更高一些。

数据分析人员需要理解业务的核心指标，通过数据分析工具（比如R/SAS/SQL，或者内部的数据平台）对业务数据进行建模和分析，为相关的业务指标提供基于数据的解决方案。

所以，数据分析岗位要求具备扎实的统计学功底和对数据的敏感。

数据挖掘人员需要研究数据，试验和选择合适的机器学习相关的算法模型对数据进行建模和分析，最后自己在实际系统中将算法模型进行高性能的工程实现。

所以，数据挖掘岗位要求同时具备深厚的机器学习功底和扎实的编程能力。

数据分析与数据挖掘不是相互独立的。

数据分析通常是直接从数据库取出已有信息，进行一些统计、