商業和生活中，我們處處能夠看到數據挖掘的影子，Target 百貨分析16歲的少女買無香型沐浴露之后，判斷她懷孕了；語言學家通過記錄自己孩子出生到3歲每天每秒鐘的狀態數據，發現語言記憶和周遭環境相關性更大；調查局通過數據分析和挖掘發現改善公共環境有助于降低犯罪率。今天我們將從以下幾個方面來揭開數據挖掘的神秘面紗。
——導讀
數據挖掘涉及的學科？
首先我們可以看出，數據分析與挖掘位于中間，也就是紅點的位置，而旁邊有很多交叉的學科。
數據庫系統是現在比較普及的一種存儲數據信息的方式，也就是電子檔案的方式。統計學是一種傳統的數據分析方法，它的起源比較早。模式識別、機器學習和人工智能與數據挖掘的交集點不多。機器學習，它本身是我們人類在研究人工智能的一種分析方法，提出了一些計算機的算法，而這些算法是和數據分析、數據挖掘是有交集的，比如前段時間比較火熱的Alphago在人工神經網絡方面的成功應用，而這些算法目前也逐漸應用在了商業范圍內。
總體來說，數據分析與數據挖掘肯定是一門高度交叉的學科，而且包含的知識點，領域特別廣，是綜合社會科學和自然科學的一種交叉的一種學問。
數據挖掘的“道法術器”
▋1. 道以明向：建模流程、建模技術、業務場景的理解。
道，是放在最上層的東西，不管是什么學科，什么學問。而具體在數據挖掘領域，道著眼于對于整個數據挖掘的整套基本流程和建模技術、業務三者結合的深刻了解。需要大量的經驗積累形成自己的一套思路和方法。
▋2. 法以立本：數據挖掘的標準流程化的步驟。
目前比較成熟的數據挖掘標準化流程如KDD(Knowledge Discovery in Database)，CRISP-DM。
▋3. 術以立策：數據挖掘的具體建模方法。
‖?描述性（無監督學習）
·用處：分析具有多個屬性的數據集，找出 潛在的模式，沒有因變量
·場景：觀察個體之間的相似程度，例如根據年齡、性別、收入等因素進行客戶細分；根據客戶對多個產品的購買，發現產品之間的相關性，做精準商品推薦。
·主要算法：聚類、關聯分析、因子分析、主成份分析、社交網絡分析、…
‖?預測性（有監督學習）
·用處：用一個或多個自變量預測因變量的值
·場景：客戶是否會違約是一個因變量，可以用客戶的性別、年齡、收入、職位、經濟狀況、歷史信 用狀況等因素進行預測
·主要算法：決策樹、線性回歸、Logistic回歸、支持向量機、神經網絡、判別分析、…
▋4. 器以成事：建模的具體工具。
傳統商業分析工具SAS，SPSS，開源類工具R，python，weka，Hadoop等。
