1. 数据挖掘有用吗
1、在发展前景方面，大数据的发展前景是比较好的，因为大数据运用广泛，各种行业都需要对于大数据的开发、挖掘、分析。
2、在就业方面，基于大数据基础的岗位较多，有大数据开发工程师、大数据分析师、数据挖掘工程师、大数据可视化工程师等，所以为更多的人提供了就业机会。
3、关于薪资方面，现在有关大数据方面的专业性人才稀少，尤其是缺乏高端人才，这就使得大数据人才的薪资水涨船高。
4、在政策方面，从2015年开始，国家就颁布了关于大数据的各种政策，推出了《促进大数据发展行动纲要》、《大数据产业发展规划（2016-2020年）》、《关于工业大数据发展的指导意见》、《全国一体化大数据中心协同创新体系算力枢纽实施方案》等政策，因此可体现出国家对于大数据的发展是表示着支持并从多方面推行大数据的发展。
2. 为什么要挖掘数据
因为OLAP是一种分析技术，具有汇总、合并和聚集以及从不同的角度观察信息的能力。
快速增长的海量数据收集、存放在大量的大型数据库中，没有强有力的工具，理解他们已经远远超出了人的能力，导致 数据丰富但信息贫乏。数据和信息之间的鸿沟越来越宽，这就要求必须系统的开发数据挖掘工具，将数据转换成有用的信息。
3. 数据挖掘你真的了解吗
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。
4. 数据挖掘好吗
在美国，计算机专业是理工学科中就业好、薪资高的专业之一。
在2016年PayScale美国专业薪水排名中，计算机科学、计算机工程等相关专业名列前茅。美国劳工部公布的数据显示，计算机行业在美国的平均薪资超过7万美元。美国大学尤其是如 Carnegie Mellon, MIT, Stanford 等名校都开设有计算机科学系，而且已经把这个专业的领域分得很细，而且该专业的科研经费也是十分充足。
5. 数据挖掘有什么用
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。
数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统（依靠过去的经验法则）和模式识别等诸多方法来实现上述目标。
数据挖掘对象
1.数据的类型可以是结构化的、半结构化的，甚至是异构型的。发现知识的方法可以是数学的、非数学的，也可以是归纳的。最终被发现了的知识可以用于信息管理、查询优化、决策支持及数据自身的维护等。
2.数据挖掘的对象可以是任何类型的数据源。可以是关系数据库，此类包含结构化数据的数据源；也可以是数据仓库、文本、多媒体数据、空间数据、时序数据、Web数据，此类包含半结构化数据甚至异构性数据的数据源。
3.发现知识的方法可以是数字的、非数字的，也可以是归纳的。最终被发现的知识可以用于信息管理、查询优化、决策支持及数据自身的维护等。
数据挖掘步骤
在实施数据挖掘之前，先制定采取什么样的步骤，每一步都做什么，达到什么样的目标是必要的，有了好的计划才能保证数据挖掘有条不紊地实施并取得成功。很多软件供应商和数据挖掘顾问公司投提供了一些数据挖掘过程模型，来指导他们的用户一步步地进行数据挖掘工作。比如，SPSS公司的5A和SAS公司的SEMMA。
数据挖掘过程模型步骤主要包括定义问题、建立数据挖掘库、分析数据、准备数据、建立模型、评价模型和实施。下面让我们来具体看一下每个步骤的具体内容：
(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。
6. 数据挖掘的误区
非常有前途的。
现在的社会，是充满着大数据的时代，数据挖掘工程师是一个非常好的职业，是为社会发展需要做工作的行业
7. 数据挖掘的利弊
有利于提高数据的运用能力，促进物联网的发展进步。
8. 数据挖掘能做什么?
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。
9. 数据挖掘有前途吗
统计学是新世纪最有前途的学科
"语言学、心理学和统计学是21世纪中国最有发展前途的三大学科。"这是教育部社政司司长、中国人民大学博士生导师顾海良教授在一次重要会议上发表的观点。
"语言学、心理学和统计学是21世纪中国最有发展前途的三大学科。"这是教育部社政司司长、中国人民大学博士生导师顾海良教授在一次重要会议上发表的观点。为什么统计学是最有前途的学科之一，这个观点的依据是什么，这个判断对我国统计学、乃至我国统计工作的发展意味着什么?
统计学在我国是亟待发展和具有辉煌前景的学科，这样讲主要有三点依据。首先，20世纪后半个世纪，人文社会科学的发展与统计学的关系越来越紧密，统计学的发展已经渗透到人文社会科学的许多领域，并由此产生许多新的学科，如人口统计学、历史统计学、教育统计学、心理统计学、社会统计学，等等。统计学与人文社会科学的结合，改变了原有单一学科发展的思路、视野和应用功能，对人文社会科学的发展具有极大的支撑作用；反过来，这种结合又促进了统计学的发展。但是，最根本的是统计学对人文社会科学巨大的推动作用，这种推动作为一个大趋势还将在21世纪得到更充分的体现。第二，21世纪是信息经济时代，信息经济时代的特征是计算机的普及应用，但是，从本质上讲，信息经济所依赖的不只是信息处理手段的先进性，更重要的是信息收集、整理的准确性，而准确的信息收集、整理离不开统计学学科的发展。因此，统计学对信息经济的发展同样具有重要的支撑作用。第三，目前在中国，统计学的发展还处于"肢体不全"的状态。一说到统计，人们总想到的就是报表，而不是从学科角度认识它。实际上，统计学不仅在物理、化学等自然科学领域广泛应用，而且在政治、经济、文化、历史等社会实践和学科发展中都有深入的应用。但在我国，统计学在政治、文化等领域的发展还较弱。因此，统计学在这些领域的发展余地越大，它未来发展的前景就越好。目前在我国，人们对统计学的认识还不全面，在高校，财会、金融、国际贸易等专业都很"火"，而统计专业却在萎缩。这与国外有很大不同，在一些发达国家如法国等，统计学是大学里最受重视的学科，统计学发展得如何是衡量某一大学学术水平的标志。在这些国家，统计学是强势学科，而在我国，统计学仍是弱势学科，这个现状也决定了统计学在我国应有更大的发展空间。
随着我国经济体制改革的快速推进以及经济全球化趋势的日益显著，人们逐步认识到统计在信息时代中的重要作用。站在二十一世纪的起跑线上，统计工作的发展将紧跟时代前进的步伐，以系统、科学的统计理论及信息技术为基础，以改革和创新的思维寻求突破，逐步构筑起统计现代化之路。
统计是一门融合自然科学和社会科学的学问，同时也是一项严谨细致的工作。从基础数据的采集到综合处理，从数据的分析研究到最终服务于社会，各个环节紧密相连，牵一发而动全身。其涉及层面之广，处理流程之严密，可以认为统计工作本身就是一项复杂的系统工程。如果以中等城市为研究对象，按照统计工作的规律，以系统工程的理论为基础去探讨建立现代统计系统，该系统可以由四个"子系统"组成，即：数据源子系统、数据处理子系统、数据分析研究子系统和统计服务子系统。该系统涵盖并拓展了诸如加强统计队伍组织建设、建立统计信息自动化系统、繁荣统计科学研究、提供统计优质服务等方面内容。可以说，建立并衔接好这四个"子系统"，统计数据的质量才有可靠的保证、统计工作的效率才可以大大提高、统计工作的职能才能得到充分的发挥。
一、建立数据源子系统。准确、全面、及时地采集基础数据是开展统计工作之本。没有一个健全和高素质的基层统计组织体系，就不可能快、精、准地收集统计基础数据；没有高质量的基础数据，据此而从事的所有后续的工作，都将会是精力上的浪费并进而可能导致决策上的失误。因此，建立数据源子系统是现代统计系统中最基本和最重要的一部分。具体地说，在巩固和加强市、县统计机构的基础上，重点要建立起镇、村级及企事业单位等基层的数据源统计组织机构，各有关同级部门也必须建立自己的统计组织，由此形成上下贯通、纵横交织、完整高效的统计数据收集的组织网络。各统计组织机构要配备充足的素质优良的统计人员，并保持其稳定性，应采用先进的数据采样方法、技术及装备，同时还要辅以统计法制手段来确保上报数据的质量。
二、建立数据处理子系统。当收集到纷繁庞杂的原始数据后，数据处理子系统就要启动。在该子系统中要实行"软硬兼施"。从应用和处理功能出发，在市级统计局内构建适度超前并有良好扩展功能的计算机数据处理中心及延伸至数据源子系统基层组织的计算机网络系统，这就是数据处理子系统的硬件环境。而该子系统的灵魂在于软件，也就是说要下大力气开发应用于统计信息处理和网络信息平台的各种通用和专用软件，从而实现统计数据处理的自动化。
三、建立数据分析研究子系统。数据分析研究是对统计数据的深加工和精加工，是实现统计优质服务的基础，统计工作水平的高低由此可以充分体现出来。因此，要有一批精通统计学、经济学、社会学的专家参与该研究工作，使计算机辅助分析和人工智能分析充分结合。研究工作要紧密结合上级领导决策及制定有关政策的需要、结合地方经济发展状况及社会热点难点问题展开。
四、建立统计服务子系统。体现统计工作的价值关键在于服务。服务对象不仅局限于各级领导部门，也包括社会各界及各行各业。要逐步变被动服务为主动服务，大力开辟统计服务的新内容、新形式和新领域。以服务为导向，向前述的三个子系统及时反馈信息和提出新的课题，从而推动整个系统的高效运作。
二十一世纪是信息的时代。现代的统计系统就是一个基于现代信息技术，实施网络化运行和管理的庞大复杂的开环及闭环复合系统。随着统计方法制度改革的深化、信息技术的日益进步和统计组织机构的不断优化，统计的工作链将逐步缩短，各子系统就有可能达到最佳的运行状态，整个统计系统的综合效率就可以大为提高，统计工作在社会中的地位和作用就更加显要了。因此，在建设现代统计系统的过程中，我们应对各子系统的平衡发展以及系统的整体状况不断地进行有益的探索，寻找其中的薄弱环节并加以改进。但需要强调的是，统计的基层组织建设和信息化建设必须走在前面。
中国统计学的更大发展必然对我国的统计工作产生重要影响和推动作用。就我国统计学界来讲，重要的是改变原有的思维方式，树立先进的统计理念，或者叫作统计学的哲学理念。"统计就是图表"，这是计划经济遗留的陈旧理念。所谓先进的统计理念，是讲对统计学的功能作一个明确的判断，为什么人口统计学、社会统计学等学科主要源于国外的发展，这是因为国外统计学的发展不仅仅研究数据的采集和整理，研究资料的甄别及方法，而是有意识地将资料和方法服务于各学科和各领域，在促进这些学科和领域发展的同时自身也获得极大的发展。
结合我国统计学发展的现状、未来及发展理念，我国"十五"期间统计学发展的趋势：主要是大力发展应用统计领域，特别是在人文社科领域如宏观经济、金融、税收、保险、管理、社会、环境、旅游、人口、新闻舆论、政策等领域，建立这些应用领域的统计研究平台，提高应用统计总体研究水平；同时，推进数据统计分析方法与计算机技术的有机结合。在重点研究课题方面，要加强 宏观经济计量模型的建立和应用研究，抽样技术在社会经济统计调查中的应用研究，现代统计在教育、法律中的应用研究，等等。
10. 为什么要做数据挖掘
对于电子商务行业来说，数据分析在企业内部非常重要，营销管理、客户管理等环节都需要应用到数据分析的结果，利用数据分来来发现企业内部的不足，营销手段的不足、客户体验的不足等等，利用数据挖掘来了解客户的内在需求。那么要达到这些效果，在电子商务行业大数据分析主要是采用以下算法以及模型：
电子商务大数据
第一、RFM模型
通过了解在网站有过购买行为的客户，通过分析客户的购买行为来描述客户的价值，就是时间、频率、金额等几个方面继续进行客户区分，通过这个模型进行的数据分析，网站可以区别自己各个级别的会员、铁牌会员、铜牌会员还是金牌会员就是这样区分出来的。同时对于一些长时间都没有购买行为的客户，可以对他们进行一些针对性的营销活动，激活这些休眠客户。使用RFM模型只要根据三个不同的变量进行分组就可以实现会员区分。
第二、Apriori算法
这个应该是属于数据挖掘工具的一种，属于关联性分析的一种，就可以看出哪两种商品是有关联性的，例如衣服和裤子等搭配穿法，通过Apriori算法，就可以得出两个商品之间的关联系，这可以确定商品的陈列等因素，也可以对客户的购买经历进行组套销售。
第三、Spss分析
主要是针对营销活动中的精细化分析，让针对客户的营销活动更加有针对性，也可以对数据库当中的客户购买过的商品进行分析，例如哪些客户同时购买过这些商品，特别是针对现在电子商务的细分越来越精细，在精细化营销上做好分析，对于企业的营销效果有很大的好处。
第四、网站分析
访问量、页面停留等等数据，都是重要的流量指标，进行网站数据分析的时候，流量以及转化率也是衡量工作情况的方式之一，对通过这个指标来了解其他数据的变化也至关重要。
在电子商务行业竞争越来越大的今天，也是一个花钱的时代，花出去的钱能不能得到收益，是企业最关注的，投资回报率是大家都要考虑的，因此数据分析在电子商务行业的位置也越来越重要。