1. 数据挖掘是什么工作
1、统计局，主要是各类统计数据的处理和分析，工作比较稳定，月底会忙些；
2、市场调查行业，两个工作职位方向，执行部门做督导或是研究部门做研究人员，工作强度不小，分行业；
3、市场营销方向，市场相关职位，会比较忙，也有挑战些；
4、数据分析方向，侧重数据挖掘，需要时时武装自己的专业技能；
5、各行业都可以，统计是基础，很多行业进入都不难，看你是否感兴趣。
相对来讲，除统计局，其他行业你的收入水平和你的业务水平直接挂钩，每个行业都有自己的好处，希望过来人的身份能帮到你！
2. 数据挖掘是什么工作类型
岗位是比较不错的，无论是在甲方还是在乙方，这个岗位都是比较瞩目的，在甲方公司的话一定要吃透业务，如果自己有追求不想论日子的话还是需要自己努力加油的，当然在甲方想要晋升除了能力之外就是处变能力，一定程度上说后者可能更重要；如果在乙方的话那就是实打实的要靠能力吃饭了，一般来说在乙方能学到更扎实、更时髦的技术，确实是能提高你的技术能力的。
要说到哪个公司靠谱的话，我觉得移动和电信都还不错，移动呢要稍微辛苦点，电信么稍微轻松点，这是相对而言啊，可能各省份或地市也有差别，乙方的话国内的华为，国外的sap、oracle、emc都还不错，像国内的ibm、hp这样的老牌个人感觉失去了企业文化，被潮流推着走。以上为一家之言，供你参考，有问题再追问。
3. 数据挖掘是干嘛的
1、数据分类
公司的数据往往是繁多且杂乱的，数据分析的目的之一数据分类，就是利用已具有分类的相似数据研究其分类的规则，将规则应用到未知分类的数据，并将其归类。
2、关联规则与推荐系统
关联规则又叫关联分析，是指在大型的数据库中找到一般的关联模式。推荐系统，看似很高深其实在我们的日常生活中非常常见，比如网购软件的首页购买推荐、视频软件的视频推送等，都是通过查找到关联规则来进行个性化推荐的。
3、数据缩减与降维
当出现变量的数量有限且有大量分类为同类组的样本数据时，通常会选择提高数据挖掘算法的性能，以实现数据缩减与降维。降维，简单说就是减少变量的数量。
4、数据探索与数据可视化
数据探索，旨在了解数据的总体情况并检测可能存在的异常值。数据可视化，是利用图表、图像等显示手段，实现清晰、有效的传达与沟通信息需求。提到数据可视化，就不得不提及到知名的大数据分析品牌思迈特软件Smartbi啦，Smartbi的数据可视化功能可以说是非常强啦，它支持ECharts图形库，支持包含瀑布图、树图和关系图等几十种可实现动态交互的图形，可以实现清晰、直观的观察数据。
以上就是数据分析的4大目的啦，接下来是数据分析的3大意义。
三、数据分析的意义
1、完整、科学地反映客观情况
通过对公司积累下来的海量数据进行统计、分析、研究并形成数据分析报告，我们就可以得到较为完整、科学的客观情况反映，从而协助我们制定出理性、正确的决策和计划，以充分发挥数据分析促进管理、参与决策的重要作用。
2、监督公司运行状态
通过分析公司大量的数据和资料，可以比较全面、精准地了解到公司过去、现在的运行状态和发展变化情况，甚至能够比较准确地预测行业未来发展趋势，由此对公司的未来发展方向做出预测，规避风险。还能监督各部门对于方针政策的贯彻执行情况和生产经营计划的完成情况等。
3、提高数据分析人员素质
数据分析工作，不仅要求数据分析人员要具有数据分析的基础知识，还要求数据分析人员要有一定的经济理论知识。即不仅要掌握数据分析的方法，还要了解有关的经济技术状况、有一定的文化水平和分析归纳能力。这些要求都是对数据分析人员素质的考验，有利于提高数据分析人员的素质。
4. 数据挖掘是什么工作内容
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
5. 数据挖掘是什么工作岗位
，先mark下，关于金融行业的情况我找时间写。
目前从事金融大数据相关工作，下面的情况仅限本行业；就接触的情况来看，数据分析这一邻域大概就是这几部分的岗位为主：bi工程师，数据分析师，数据挖掘工程师，建模（算法）工程师，人工智能方向。各岗位异同其他答主已经说的很明白了，就不再说了。 但实际上各岗位间并没有太过明显的界限，例如数据分析师也（掌握sql，R，统计等知识）完全有可能向bi工程师或数据挖掘方向发展，只是技能的侧重不同而已。 数据分析师需求较大，尤其对于较大型的公司，从总部各部门到分公司甚至营业部都可能会配备自己的数据分析师，工作一般以数据查询及完成报告为主，技能侧重于ppt，sql。这类分析师的能力差异主要体现在行业经验及业务理解上。其他岗位包括数据挖掘，建模等岗位主要在集中公司总部，岗位数量上会少于数据分析，编程技能及统计知识要求会更高，往往对相关数据挖掘项目经验也有要求。 关于数据分析师的前景，在未来几年应该还是十分吃香的，但更长远来看就未必像其他答主描绘的那么美好；目前数据分析师吃香很大程度上是由于近几年各种数据相关的概念相继出现，导致数据分析师仍供不应求，但这种供需情况终会达到平衡，红利会逐渐消失。 另外，就目前情况来看，数据分析师入门难度相比很多行业并不算高，不像当医生的需要有医学背景，律师/工程师则要求相关从业资格。我认为，简单的sql查询在不久的未来将会成为一种通用技能，就类似现在office三件套的存在，到那时候简单的数据处理工作就不需要招聘专门的数据分析师了。 所以就长远来看，若想在行业内保持竞争力，要不在就业务方向积累经验建立起自己的壁垒，要么在技术方面有所建树。若留在原地的话，涨潮的时候可是会淹死的哦~~
6. 数据挖掘的主要工作
数据分析师这个职位，不同的公司，不同的行业，对于它的理解和工作内容都有所不同。在有些传统行业，数据分析师工作重点是做行业报告等；在阿里巴巴等大型互联网公司，职位区分比较明确，数据分析师大部分时间只做产品和运营的分析工作，至于基础数据处理、搭建数据产品等等不涉及;在创业公司等相对小型公司，数据分析师要干的活可能要不仅仅是产品和运营分析，基础数据采集和处理，数据产品搭建都属于数据分析师的工作范围。
明确了数据分析师的工作范围，大概也就清楚了每天要做些什么，比如：
产品和运营的数据提供(正常分析师工作)
基础数据采集和处理(类似ETL工作)
数据产品的思考和搭建(类似数据产品经理工作)
数据价值的挖掘(类似数据挖掘工程师工作)
7. 数据挖掘是干嘛
数据科学（DataScience）主要包括两个方面：用数据的方法研究科学；用科学的方法研究数据。前者包括生物信息学、天体信息学、数字地球等领域；后者包括统计学、机器学习、数据挖掘、数据库等领域。用数据的方法研究科学，最典型的例子是开普勒关于行星运动的三大定律；用科学的方法研究数据主要包括数据采集、数据存储和数据分析。数据科学依赖两个因素：
一是数据的广泛性和多样性；
二是数据研究的共性。
8. 数据挖掘的工作
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。