14年毕业，那会进了现在的公司，做当时很红火的数据挖掘。在有些人眼里我们很神秘，感觉研究的东西很高端;在有些人眼里就是个打杂工，哪里需要去哪里;还有些人决定我们什么都会就会吹水。
真实的情况是有数据挖掘项目的时候搞项目，没项目的时候就搞培训、做系统需求分析和产品设计。确实是个看起来高端，实际上打杂和吹水的活~
4年时间里，大部分时间其实自己是很飘的，首先飘在感觉自己做的东西确实是比较高端，随便说个词都是那帮开发没听过的，所讲的概念都比较新。随着数据挖掘这个词的热度的下降，自己完成人生的三件大事(结婚、买房、生娃)后，开始回顾过去，定位现在，放眼未来，才开始思考我所从事的行业是做什么?未来在哪里?现在需要做些什么?这几年，职场经历的领域知识太多了，人生经历也够丰富，什么东西都要知道，但是什么东西都懂的不够深入，脑子里的关于这个行业的体系、职场和生活都迫切的需要通过文字的方式梳理出来。这样才能在职场第5年，梳理出未来的5年规划。
首先梳理数据挖掘到底是什么?数据挖掘的任务、需要解决的问题和数据挖掘的流程。本文大部分是书上或商业理论，但均经过我的行业验证，也是我一个字一个字的打出来的。无比的认可的东西。
什么是数据挖掘：从海量数据中发现未发现的有用信息
数据挖掘任务：分类、预测、关联、聚类
数据挖掘需要解决的问题：海量、高维、可伸缩、多类型数据：异种数据和复杂数据 (以提升性能【效率和效果】为标准)
数据挖掘涉及的领域：数据挖掘是一门综合性强学科和应用
{
应用(提升建模效果)：统计学、人工智能、机器学习和模式识别
基础(提升运算效率)：数据库技术、并行计算、分布式计算
}
数据挖掘流程
下面介绍的数据挖掘流程是跨行业数据挖掘通用流程，运用了好的方法论，事情就成功了一半。这个方法论就是一个数据挖掘项目的流程，包括阶段性目标、工作任务和实施要点。操作性很强，也是业界公认标准。
运用项目流程有两个要点需要记得：
1、数据挖掘项目数据预处理可能会花费大量的工作时间;
2、数据挖掘项目流程并非一次性执行完毕而是不断的迭代优化，最终获得最优结果。
商业理解：
【阶段目标】
明确商业问题和数据挖掘目标
制定项目计划。
【工作任务】
业务需求调研，了解商业问题背景
项目环境评估，确定需要的资源(人力、成本、数据、各方)
商业目标确定，明确商业目标和成功的标准
挖掘目标确定，明确数据挖掘目标和成功标准
项目计划制定，指导项目实施
【实施要点】
充分的需求调研和沟通交流，
合理的资源、约束条件假设，
合适的挖掘结果应用场景设定
数据理解：
【阶段目标】
确定建模所需用的数据
探索建模需要的目标变量
【工作任务】
数据字典编制，梳理内外部数据类型
取数口径确定，明确数据业务指标含义(各特征的取数口径、取数周期、范围)
映射规则确定，明确数据使用的业务规则
质量校验，确保数据可用
目标变量探索，为模型构建做准备
【实施要点】
必备的内外部数据可获取
数据一致性、完整性、准确性
目标因子初步分析确定
数据准备：
【阶段目标】
建立数据集市或宽表
有效加载数据
【工作任务】
数据集市或宽表设计
ETL脚本编写
数据清洗、加载、转换
数据质量校验
数据标准化
【实施要点】
科学的编码规范指导编码
准确的数据映射规则
高效的ETL保障项目进度和质量
数据建模：
【阶段目标】
选择合适的技术建模
实现数据挖掘目标
【工作任务】
技术选型，选择合适的模型算法
样本选取，确定训练样本、测试样本和验证样本
模型建立，筛选变量、模型训练、模型测试
模型评估，评估模型是否满足数据挖掘目标
【实施要点】
合适的技术帮助实现挖掘目标
样本数据真实反映业务需求
变量因子有效解释业务现象
全面评估模型数据挖掘效果
模型评估：
【阶段目标】
进行模型的业务应用测试
判断是否实现商业目标
【工作任务】
模型试用，确定业务场景，进行模型应用测试，收集反馈效果
效果评价，对测试效果进行评估分析，判断模型是否满足商业目标
营销建议，根据试用效果提取营销规则并给出营销建议
【实施要点】
合适的业务场景试用方案
全面科学的效果评价
针对性的营销建议
模型部署：
【阶段目标】
把数据挖掘成果部署到商业环境，应用于生产
【工作任务】
规划部署，制定部署计划和方案
监控与维护，实时跟踪，验证商业目标达成情况
总结报告，经验积累
【实施要点】
科学规划，保障无缝部署
即时监控及维护响应，保障运营
全面的总结分析，积累经验
数据挖掘的过程中所涉及到的技能包括业务理解、数据开发、统计学人工智能能方面的知识。需要个人有很强大的综合能力，比如沟通能力，比如业务分析能力，比如SQL技术，比如挖掘建模能力等等。数据挖掘的魅力就在于他需要不断的扩宽知识面，找寻最好的方法，在项目中需要与人沟通、需要了解业务、需要应用技术，还需要管理整个项目，其实更像是个项目经理的角色。未来可以走项目管理和产品经理的方向。
