目录
什么是数据挖掘分析
数据挖掘是指从大量的数据中通过算法搜索隐藏于其中信息的过程---百度百科
从百科的定义中，有几个关键字标签：大量数据、算法、搜索、信息
对应到日常工作中，也就是：提出需要解决的问题、圈定数据范围、设计算法模型、找出解决办法
数据挖掘能够干什么
总得来说，数据挖掘能够解决以下几类问题：
描述
发现数据中隐藏的模式和趋势描述信息，侧重点，在于发现隐藏的描述信息
评估
用已有的数据，通过一定的分类或者回归方法，来估计出目标对象的值
如：通过建立收入与支出回归分析模型，来估计某一收入条件下，对应的支出能力，常用的方法有参数估计(点估计、置信区间估计、回归分析等)
预测
预测同评估非常类似，但评估侧重点在于针对已有统计情况内的估计属于现在，而预测则是在统计情况外的估计，属于未来。其方法同评估的方法类似。
分类
分类同评估类似，不同点在于评估是连续型变量，而分类是字典型变量，比如性别的分类：男、女
而连续型变量也在特定处理下，也可归纳为分类问题，比如将人均收入进行分段处理
聚类
聚类是将同一类对象，或相似的对象，划分到同一个大类中、不同类对象，相似度低的划分到不同大类中的方法，同分类相比，分类的前提需要确定目标对象的类别，而聚类则不需要提前分类。站在技术角度上看，分类是有监督、聚类是无监督，聚类的思想重点在于发现数据中包含的类别信息
关联
关联，即发现不同属性/信息之间的关联程度，经典的案例如啤酒与尿布
数据挖掘的一般流程
CRISP-DM(跨行业数据挖掘标准流程):
商业理解
明确要达到的业务目标，并将其转化为数据挖掘主题，同时制定相应的数据挖掘项目计划
考虑的问题有：业务的背景、发展情况、当前的问题、造成这些问题的原因、解决的办法/途径、预计达到的效果、投入成本、意外情况等
数据理解
数据理解即掌握当前阶段的各类数据情况，包括数据来源、数据指标含义、数据的质量、数据意义(业务影响)
从流程上来讲：数据收集、数据分析、数据质量评估
数据准备阶段
数据准备阶段即数据处理阶段，将第二步所收集到的数据，进行处理，按照数据挖掘的建模要去，将数据处理转换为对应的格式
从流程上来讲：数据筛选、数据清洗、数据构造
建模阶段
选择合适的建模方法，结合数据准备阶段的数据，进行模型训练，挖掘必要的数据信息，同时调整模型参数，优化模型性能
从流程上来讲：建立模型、训练模型、优化模型、保存模型
评估阶段
从业务角度和统计角度进行模型结论的评估，核验模型过程中的每一个环节指标，评判是否达到预期效果，评估阶段仍然是测试阶段，非正式环境中的评估
部署阶段
提交功能模块，或者数据挖掘分析报告，对于系统来讲，则是进行系统集成或上线