1. 数据分析挖掘工具有哪些
天眼查更好一点。现在很多媒体，在查股东投资关系，股权结构时，都选择了这个工具，甚至还有一大部分媒体，利用天眼查给出的查询结果，搞出了一系列重磅新闻。
天眼查曾官方表态：天眼查的数据都来自政府公开渠道的信息，数据来源保证权威。比如国家企业信用信息公示系统，全国组织机构统一社会信用代码服务中心。截止目前，天眼查已收录了全国近2亿的社会实体信息（含企业，事业单位，基金会，学校，律所等），包含上市信息、企业背景、企业发展、司法风险、经营风险、经营状况、知识产权等100多种数据维度。
目前，天眼查是中国唯一一个任何人都可以无障碍访问的开放式企业信息查询平台，无需注册、登录，无须验证码。哪怕农民工兄弟，也能在天眼查上查询自己的公司有没有欠薪、跑路。
以往行业里的普遍观点是，非公开的数据才有价值。2015年到2016年，许多大数据公司通过贩卖私有数据获取高额利润，在国家出台《网络安全法》后，这些公司无法继续借此牟利。
天眼查却与其他人不同，从一开始就坚持只采用公开数据。
在柳超看来，数据的价值从来不在于其稀缺性，而在于数据分析、挖掘、联系之后得出的“洞见”型结论。
2. 数据分析挖掘工具有哪些类型
据的处理过程可以分为大数据采集、存储、结构化处理、隐私保护、挖掘、结果展示(发布)等，各种领域的大数据应用一般都会涉及到这些基本过程，但不同应用可能会有所侧重。对于互联网大数据而言，由于其具有独特完整的大数据特点，除了共性技术外，采集技术、结构化处理技术、隐私保护也非常突出。
有很多算法和模型可以解决这些处理过程中的技术问题，并且为了最终用户的使用方便，它们大都被进一步的封装，形成了比较简单易用的操作平台。目前大数据技术平台有很多，归纳起来可以按照以下方式进行分类：
(1)从大数据处理的过程来分：包括数据存储、数据挖掘分析、以及为完成高效分析挖掘而设计的计算平台，它们完成数据采集、ETL、存储、结构化处理、挖掘、分析、预测、应用等功能。
(2)从大数据处理的数据类型来划分：可以分为针对关系型数据、非关系型数据(图数据、文本数据、网络型数据等)、半结构化数据、混合类型数据处理的技术平台。
(3)从大数据处理的方式来划分：可以分为批量处理、实时处理、综合处理。其中批量数据是对成批数据进行一次性处理，而实时处理(流处理)对处理的延时有严格的要求，综合处理是指同时具备批量处理和实时处理两种方式。
(4)从平台对数据的部署方式看：可以分为基于内存的、基于磁盘的。前者在分布式系统内部的数据交换是在内存中进行，后者则是通过磁盘文件的方式。
此外，技术平台还有分布式、集中式之分，云环境和非云环境之分等。阿里云大数据平台构建在阿里云云计算基础设施之上，为用户提供了大数据存储、计算能力、大数据分析挖掘、以及输出展示等服务，用户可以容易地实现BI商业智能、人工智能服务，具备一站式数据应用能力。
不同的大数据技术平台提供了对这些处理过程的支持，有的平台可能会支持多个过程，但是侧重点也不同，支持的深度也有所不同，因此有必要熟悉各种平台的功能，并做出比较分析，以便在实际应用中选择适合于自己需求的技术平台。
选择一个合适的大数据技术平台是非常重要的，它能够使得大数据应用开发更加容易、让开发人员更集中精力在业务层面的数据分析与处理上。一些共性的基础问题，例如数据如何存储、如何检索、数据统计等，就可以由平台来完成。选择合适的大数据技术平台应当考虑以下因素：
(1)平台的功能与性能：由于不同平台侧重的功能不同，平台的性能也就有很多需要考察的方面。比如对于存储平台来说，数据的存储效率、读写效率、并发访问能力、对结构化与非结构化数据存储的支持，所提供的数据访问接口等方面就是比较重要的。对于大数据挖掘平台来说，所支持的挖掘算法、算法的封装程度、数据挖掘结果的展示能力、挖掘算法的时间和空间复杂度等，是比较重要的指标。
(2)平台的集成度：好的平台应该具有较高的集成度，为用户提供良好的操作界面，具有完善的帮助和使用手册、系统易于配置、移植性好。同时随着目前软件开源的趋势，开源平台有助于其版本的快速升级，尽快发现其中的bug，此外，开源的架构也比较容易进行扩展，植入更多的新算法，这对于最终用户而言也是比较重要的。
(3)是否符合技术发展趋势：大数据技术是当前发展和研究的热点，其最终将走向逐步成熟，可以预见在这个过程中，并非所有的技术平台都能生存下来。只有符合技术发展趋势的技术平台才会被用户、被技术开发人员所接受。因此，一些不支持分布式、集群计算的平台大概只能针对较小的数据量，侧重于对挖掘算法的验证。而与云计算、物联网、人工智能联系密切的技术平台将成为主流，是技术发展趋势。
技术迭代更新速度加快，当我们花很多时间去掌握熟悉某种技术平台后，可能新的更好的技术平台出现了，导致我们受累奔波于各种技术平台，因此，最好的策略就是全面系统地掌握大数据技术的原理和实现方案，这样学习新的技术平台就很容易上手。
3. 数据挖掘常用工具
数据挖掘的基本步骤是：1、定义问题；2、建立数据挖掘库；3、分析数据；4、准备数据；5、建立模型；6、评价模型；7、实施。
具体步骤如下：
1、定义问题
在开始知识发现之前最先的也是最重要的要求就是了解数据和业务问题。必须要对目标有一个清晰明确的定义，即决定到底想干什么。比如，想提高电子信箱的利用率时，想做的可能是“提高用户使用率”，也可能是“提高一次用户使用的价值”，要解决这两个问题而建立的模型几乎是完全不同的，必须做出决定。
2、建立数据挖掘库
建立数据挖掘库包括以下几个步骤：数据收集，数据描述，选择，数据质量评估和数据清理，合并与整合，构建元数据，加载数据挖掘库，维护数据挖掘库。
3、分析数据
分析的目的是找到对预测输出影响最大的数据字段，和决定是否需要定义导出字段。如果数据集包含成百上千的字段，那么浏览分析这些数据将是一件非常耗时和累人的事情，这时需要选择一个具有好的界面和功能强大的工具软件来协助你完成这些事情。
4、准备数据
这是建立模型之前的最后一步数据准备工作。可以把此步骤分为四个部分：选择变量，选择记录，创建新变量，转换变量。
5、建立模型
建立模型是一个反复的过程。需要仔细考察不同的模型以判断哪个模型对面对的商业问题最有用。先用一部分数据建立模型，然后再用剩下的数据来测试和验证这个得到的模型。有时还有第三个数据集，称为验证集，因为测试集可能受模型的特性的影响，这时需要一个独立的数据集来验证模型的准确性。训练和测试数据挖掘模型需要把数据至少分成两个部分，一个用于模型训练，另一个用于模型测试。
6、评价模型
模型建立好之后，必须评价得到的结果、解释模型的价值。从测试集中得到的准确率只对用于建立模型的数据有意义。在实际应用中，需要进一步了解错误的类型和由此带来的相关费用的多少。经验证明，有效的模型并不一定是正确的模型。造成这一点的直接原因就是模型建立中隐含的各种假定，因此，直接在现实世界中测试模型很重要。先在小范围内应用，取得测试数据，觉得满意之后再向大范围推广。
7、实施
模型建立并经验证之后，可以有两种主要的使用方法。第一种是提供给分析人员做参考；另一种是把此模型应用到不同的数据集上。
4. 数据分析挖掘工具有哪些种类
数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们事先不知道的但又是潜在有用的信息和知识的过程。数据挖掘的任务是从数据集中发现模式，可以发现的模式有很多种，按功能可以分为两大类：预测性（Predictive）模式和描述性（Descriptive）模式。在应用中往往根据模式的实际作用细分为以下几种：分类，估值，预测，相关性分析，序列，时间序列，描述和可视化等。
数据挖掘涉及的学科领域和技术很多，有多种分类法。
（1）根据挖掘任务分，可分为分类或预测模型发现、数据总结、聚类、关联规则发现、序列模式发现、依赖关系或依赖模型发现、异常和趋势发现等等；根据挖掘对象分，有关系数据库、面向对象数据库、空间数据库、时态数据库、文本数据源、多媒体数据库、异质数据库、遗产数据库以及环球网Web。
（2）根据挖掘方法分，可粗分为：机器学习方法、统计方法、神经网络方法和数据库方法。机器学习中，可细分为：归纳学习方法（决策树、规则归纳等）、基于范例学习、遗传算法等。统计方法中，可细分为：回归分析（多元回归、自回归等）、判别分析（贝叶斯判别、费歇尔判别、非参数判别等）、聚类分析（系统聚类、动态聚类等）、探索性分析（主元分析法、相关分析法等）等。神经网络方法中，可细分为：前向神经网络（BP算法等）、自组织神经网络（自组织特征映射、竞争学习等）等。数据库方法主要是多维数据分析或OLAP方法，另外还有面向属性的归纳方法等等。
5. 分析数据挖掘的工具
3大常用的数据分析工具如下：
1、思迈特软件Smartbi
思迈特软件Smartbi是专业的BI工具，基于统一架构实现数据采集、查询、报表、自助分析、多维分析、移动分析、仪表盘、数据挖掘以及其他辅助功能，并且具有分析报告、结合AI进行语音分析等特色功能。十多年的发展历史，国产BI软件中最全面和成熟稳定的产品。广泛应用于金融、政府、电信、企事业单位等领域。完善的在线文档和教学视频，操作简便易上手。
2、MineSet
MineSet是由SGI公司和美国Standford大学联合开发的多任务数据挖掘系统。MineSet集成多种数据挖掘算法和可视化工具，帮助用户直观地、实时地发掘、理解大量数据背后的知识。
3、QUEST
QUEST是IBM公司Almaden研究中心开发的一个多任务数据挖掘系统，他的目的是为新一代决策支持系统的应用开发提供高效的数据开采基本构件。
6. 数据挖掘的分析软件
人工智能与大数据应用常用的软件有:
1、对于传统分析和商业统计来说，常用的软件工具有Excel、SPSS和SAS。
2、对于数据挖掘来说，由于数据挖掘在大数据行业中的重要地位，所以使用的软件工具更加强调机器学习，常用的软件工具是SPSS Modeler。
3、大数据可视化。在这个领域，最常用目前也是最优秀的软件莫过于TableAU。
4、关系分析。关系分析是大数据环境下的一个新的分析热点，其最常用的是一款可视化的轻量工具——Gephi。
7. 数据挖掘工具概念
Python 和 SAS 是两个很常用的数据挖掘工具。Python 开源、免费、有丰富的三方库，一般在互联网公司广泛使用。而SAS需付费，且费用较高，一般互联网公司无法承担，更多的是在银行等传统金融机构中使用，不过这两年由于Python太火，原本使用SAS的也开始逐渐转向Python了。