1. 数据挖掘主要有哪三种方法
八种常见的数据分析方法
1数字和趋势
采用数字和趋势图进行数据信息的展示最为直观，从具体的数字和趋势走向中可以更好地得到数据信息，有助于提高决策的准确性和实时性。
2维度分解
当单一的数字或趋势过于宏观时，我们可以通过不同维度对数据进行分解，以获取更加精细的数据洞察。在进行维度选择时，需要考虑此维度对于分析结果的影响。
3用户分群
用户分群即指针对符合某种特定行为或具有共同背景信息的用户，进行归类处理。也可通过提炼某一类用户的特定信息，为该群体创建用户画像。用户分群的意义在于我们可以针对具有特定行为或特定背景的用户，进行针对性的用户运营和产品优化，比如对具有“放弃支付或支付失败”的用户进行对应优惠券的发放，以此来实现精准营销，大幅提高用户的支付意愿和成交量。
4转化漏斗绝大部分商业变现的流程，都可归纳为漏斗。漏斗分析是常见的一种数据分析手段，比如常见的用户注册转化漏斗，电商下单漏斗。整个漏斗分析的过程就是用户从前到后转化的路径，通过漏斗分析可以得到转化效率。这其中包含三个要点：其一，整体的转化效率。其二，每一步（转化节点）的转化效率。其三，在哪一步流失最多，原因是什么，这些流失的用户具有什么特征。
5行为轨迹
数据指标本身只是真实情况的一种抽象，通过关注用户的行为轨迹，才能更真实地了解用户的行为。例如只看到常见的uv和pv指标，是无法理解用户是如何使用你的产品的。通过大数据手段来还原用户的行为轨迹，可以更好地关注用户的实际体验，从而发现具体问题。如果维度分解依旧难以确定某个问题所在，可通过分析用户行为轨迹，发现一些产品及运营中的问题。
6留存分析人口红利逐渐消退，拉新变得并不容易，此时留住一个老用户的成本往往要远低于获取一个新用户的成本，因此用户留存成为了每个公司都需要关注的问题。可以通过分析数据来了解留存的情况，也可以通过分析用户行为找到提升留存的方法。常见的留存分析场景还包括不同渠道的用户的留存、新老用户的留存以及一些新的运营活动及产品功能的上线对于用户回访的影响等。
7A/B测试 A/B测试通常用于测试产品新功能的上线、运营活动的上线、广告效果及算法等。
进行A/B测试需要两个必备因素：第一，足够的测试时间；第二，较高的数据量和数据密度。当产品的流量不够大时，进行A/B测试很难得到统计结果。
8数学建模涉及到用户画像、用户行为的研究时，通常会选择使用数学建模、数据挖掘等方法。比如通过用户的行为数据、相关信息、用户画像等来建立所需模型解决对应问题。
2. 数据挖掘的方法有哪些?
数据挖掘（英语：Data mining），又译为资料探勘、数据采矿。是一种透过数理模式来分析企业内储存的大量资料，以找出不同的客户或市场划分，分析出消费者喜好和行为的方法。
它是数据库知识发现（英语：Knowledge-Discoveryin Databases，简称：KDD）中的一个步骤。数据挖掘一般是指从大量的数据中自动搜索隐藏于其中的有着特殊关系性（属于Association rule learning）的信息的过程。主要有数据准备、规律寻找和规律表示3个步骤。数据挖掘的任务有关联分析、聚类分析、分类分析、异常分析、特异群组分析和演变分析等。
3. 数据挖掘的常用方法有哪些
“大数据”时代的数据挖掘的应用与方法
数据挖掘是在没有明确假设的前提下去挖掘信息、发现知识。所以它所得到的信息应具有未知,有效和实用三个特征。因此数据挖掘技术从一开始就是面向应用的，目前数据挖掘技术在企业市场营销中得到了比较普遍的应用。它包括：数据库营销、客户群体划分、背景分析、交叉销售等市场分析行为，以及客户流失性分析、客户信用记分、欺诈发现等。审计部门的数据挖掘以往偏重于对大金额数据的分析，来确实是否存在问题，以及问题在数据中的表现，而随着绩效审计的兴起，审计部门也需要通过数据来对被审计单位的各类行为做出审计评价，这些也都需要数据的支撑。
数据挖掘的方法有很多，它们分别从不同的角度对数据进行挖掘。其中绝大部分都可以用于审计工作中。1. 数据概化。数据库中通常存放着大量的细节数据,
通过数据概化可将大量与任务相关的数据集从较低的概念层抽象到较高的概念层。数据概化可应用于审计数据分析中的描述式挖掘,
审计人员可从不同的粒度和不同的角度描述数据集, 从而了解某类数据的概貌。大量研究证实, 与正常的财务报告相比,
4. 数据挖掘的方法有哪些
我做数据挖掘相关的工作很多了。简单来谈一下个人对这个问题的看法。有说的不对的地方，欢迎各位同行批评指正：
数据挖掘大概可以分成四类问题，问题不一样，对应的处理方法也不同
1.预测问题：建模数据集合中有X和Y，Y是连续变量。通常用线性模型、随机森林、xgboost算法来解决。评估主要基于测试集上的均方误差或者相对误差。或者计算cross-validation的平均均方误差或者相对误差
2.分类为题：建模数据集合中有X和Y，Y是类别变量。通常用logistic回归、cart、随机森林、xgboost来解决。评估主要基于测试集合上的准确率和召回率或者计算cross-validation的平均准确率或召回率
3.聚类问题：建模数据集合只有X，没有Y。需要把X里面的样本分成多个群组。一般采用K-MEANS算法。不过业界没有统一的评估标准
4.异常检测问题：建模数据集合只有X，没有Y。需要把X数据里面的异常点找出来。这个相对而言比较麻烦。一般用Isolation Forest。业界似乎也没有统一的评价标注。
5. 数据挖掘方法有哪些?
1 、数据分析,一定要有精强的EXCEL表格数据处理能力.
2 、要有政策敏感性,分析数据,关键点在分析上,要对行业及企业的数据对政策等都有较强的理解能力,信息收集能力.
3 、要有对企业行业的本质管理有明确的思维,要擅于挖掘数据之间的关系及反应出来的问题,与经营管理有连带关系.
4 、需要为上级领导制定可以影响商业绩效的策略和行动计划,因此要有横向纵向分析的能力.
5 、要熟悉PPT SPSS等资料汇总的方法.
6 、要针对财务数据分盈余利润等,因此也要有财务管理及成本核算的基础知识.
7 、不同行业还有不同要求,比如说工民建的知识,工程造价的知识,销售管理知识等等.这一行需要沉淀,不过从事得当并有突破后,极易成为成功人士,为未来奠定极好的基础.
6. 数据挖掘一般分为哪两种
常见的客户分类方法及策略：
一、犹豫不决型
【顾客表现】顾客不会立马下决心购买，通常表现为顾虑、不安，怕自己考虑不周而出现差错，希望有人当参谋。
【专家诊断】顾客往往希望他人能为其当参谋，并且这种类型的顾客还会将这种想法较为明确地告诉销售人员，而这种类型的顾客本身又都是比较敏感的，一旦感觉到了销售人员以较浓的商业味道推销，便会产生不信任感。
【支招】针对这种类型的顾客，销售人员极可能得不要马上去直白地推销我们的产品，而应采取“暗渡陈仓”手段，先实事求是地介绍有关行业产品或服务的情况，让客户自己从中作比较后，再选择产品。
二、喜欢挑剔型
【顾客表现】这类顾客思考缜密，能够在产品或服务的细节方面发现毛病和缺点，并对销售人员采取苛刻、强硬的态度，期待客服人员来解决这些问题。
【专家诊断】客户是一个“追求完美”的人，也是一个心细的消费者，如果销售人员能把他所挑剔的“问题”解决了，客户签单也就有希望了。
【支招】接受客户不良的情绪，允许客户发泄心中的不满，仔细地倾听客户的“挑剔”，让客户感到你在尊重他。同时，从客户的角度来理解客户挑剔的原因，让客户感觉你已经与客户在“同一频道”。
尽量避免反驳客户，学会在适当的时候进行道歉。最后，提出合理的解决方案，解决客户问题，满足客户的需求。
三、傲慢无礼型
【顾客表现】此类客户往往目空一切，看似“高大上”，其实不一定。顾客很喜欢销售人员奉承他、夸赞他和恭维他。
【专家诊断】这类客户往往喜欢销售人员给予“戴高帽”，最好是多尊称他的头衔;而且试着找出他最高的哪顶“帽子”。注意马屁要拍对地方，才有更大效果。
【支招】暂且把你自己忘记，此时别把自己太当回事。切忌不能和顾客在沟通中发生冲突。要知道，你赢了，沟通就终止了;你输了，可能客户会给你“惊喜”。所以，让他觉的你是真心推捧他，他的自尊心才能得到满足，此时成交才有可能性。
四、牢骚抱怨型
【顾客表现】这种类型的客户遇到一点不满就牢骚满腹，抱怨不已，非常固执。
【专家诊断】发泄是人类在情绪激动时采用的一种正常方式，它能起到释放和镇静的作用。此类客户，常常会为他能够当着销售人员的面或购物现场发泄心中的“牢骚抱怨”而满足，其目的就是让推销者当场解决他心中的“结”。
【支招】对于这类客户，千万不能回避，敢于笑脸相迎才是一个合格的销售人员所为。不能阻止客户发泄不满，你可以让他尽情发泄。因为这时客户需要的是“发泄过程”所起到的作用。
另外，要学会忍受客户的发泄。
俗话说：“有抱怨才有生意”，倘若你试图阻止客户表达他的感情，你反而会使他恼羞成怒。因此，聪明的销售人员通常会选择沉默，让客户知道你正在听他说。当他发泄时，你要不断地点头，不时恰当地“附和”客户，并保持眼神交流。
五、经济型
【顾客表现】这类顾客在实际购物过程中不管“差不差钱”，但他总想“差点钱”，或者说喜欢“贪图便宜”。
【专家诊断】此类客户最讲究产品的性能价格比，同样的钱所买到的产品一定是自己最满意的，同样的产品在成交时尽量出最低的价格。他们喜欢砍价并且以砍价为乐趣，喜欢挑毛病，往往挑的毛病越多，说明他们购买的欲望越强。
【支招】销售员在推销产品时，一要突出产品的价值，明确告知客户购买该产品或者服务能给其带来什么效用，让客户对产品和服务的价值有深刻的认识，赢得他们对企业产品和服务的认可;二要突出产品的优点，与同类产品或者相关的替代品在价格、性能和质量上做对比，让客户通过自己的比较判断得出结论;三是要突出价格的合理性，通过各种方式让客户知道目前产品的价格在市场上是很合理的。
六、不直接拒绝型
【顾客表现】对于销售人员提出的任何事情都不反对，不论销售人员说什么，顾客都点头“附和”。
【专家诊断】一是顾客只是为了提早结束销售人员“滔滔不绝”的产品介绍而继续表示同意;二是在买与不买两种心理之间，如果他觉得值就下单，不值他也会找个“下坡路”，但绝对不会直接拒绝。
【支招】要设法让客户说出当时没有购买的真实想法及理由，当客户说出真心话后，然后顺着客户的话，来说服顾客购买。切记“不可心急”，否则就会“欲速则不达”。
七、装懂非懂型
【顾客表现】当销售人员向顾客推销产品时，客户马上会说：“这方面我懂，以前我的工作就是生产这种产品”，客户说这话的目的，有可能是装内行或者可能是似乎装懂。
【专家诊断】顾客装内行，说白了：一是为了打断销售人员的“喋喋不休”;二是为了能让产品的价格便宜些。
【支招】在顾客谈及对产品了解在行时，就顺着客户的话，不抢客户的话，让他说完，并佯装仔细倾听;反过来让顾客觉得你对他的“在行”表示感兴趣。当客户谈及产品的“优点”时，销售人员不妨伸出拇指进行当场“点赞”;并抓住这个时候说：“哇，你真不简单，对产品的优点比我还懂啊，我得拜你为师，你是行家，你挑一个，权当是帮我增点业绩，好吗?”这时候客户可能得到你的夸奖，会不好意思再拒绝购买。
八、自我炫耀型
【顾客表现】此类顾客不论在那种场合，总是喜欢炫耀自己、表现自己、彰显自信，比较虚荣，常用自身知识来加深别人的印象。
【专家诊断】这类客户有着一定的虚荣心，决不要与这类人争辩，如果伤了他的自信心，他也无心和你沟通做生意，甚至失去意向。
【支招】销售人员要阿谀这类顾客，让他们相信他们自己是专家。让他们做所有的决定，并恭维他，设法满足他们的自尊心。同时，关心他的“穿戴”与“外表”，极力的称赞他，同时装着打听顾客成功的秘诀。表示有意成为他的朋友并向他学习“成功”的经验。目的是设法让他“入瓮”进入销售人员的“圈套”里来。
九、老实巴交型
【顾客表现】这类客户一般不会“没事找事”，也不会“耍小聪明”，多半表现为木讷老实。他往往一心想买到他所需要的产品，对于“其它”的事情不太关心，一般眼睛直看人，不会游离不定。
【专家诊断】此类顾客由于受到内向性格的决定，他害怕与人交流，更怕别人打听他的家庭及个人隐私问题，所以，针对这类“不会耍滑头”客户，多用真诚打动他。
【支招】在顾客没有主动要求你帮助的情况下，千万不要“热粘皮”硬推销，否则，之前的“潜伏”就会白费。让他感觉你在“帮他”，而不是生硬的“推销”，同时注意使用“情感营销”策略。
十、沉着老练型
【顾客表现】此类顾客表现比较老练沉稳，一般不随便轻易开口说话，通常会以平和的心理和你沟通，并不急不躁的和销售人员洽谈业务。
【专家诊断】这类顾客显得很世故，他不愿受销售人员及周围其他人的影响，他会凭着自己的眼力及通过公司的成立时间、规模、产品、品牌、企业文化、口碑等诸多方面，来判断公司的综合实力，进而推算公司是否具备生产制造好产品的能力及公司诚信问题。此类顾客多数是知识分子，属于理智型购买。
【支招】销售人员要以静制动，用客户不易觉察的眼神去观察客户，注意倾听比说更重要。从细微处入手，从礼仪中互动。切记上前“进行指导”，只有在客户确实需要你“开口”时再开口，但此时说话一定要有力度、有自信，要让他“刮目相看”，觉得你确实在行，你就是某个行业的产品专家。
7. 数据处理和挖掘主要有哪三种方法
分析数据有两种，
1列表法
将实验数据按一定规律用列表方式表达出来是记录和处理实验数据最常用的方法。表格的设计要求对应关系清楚、简单明了、有利于发现相关量之间的物理关系；此外还要求在标题栏中注明物理量名称、符号、数量级和单位等；根据需要还可以列出除原始数据以外的计算栏目和统计栏目等。最后还要求写明表格名称、主要测量仪器的型号、量程和准确度等级、有关环境条件参数如温度、湿度等。
2作图法
作图法可以最醒目地表达物理量间的变化关系。从图线上还可以简便求出实验需要的某些结果（如直线的斜率和截距值等），读出没有进行观测的对应点（内插法），或在一定条件下从图线的延伸部分读到测量范围以外的对应点（外推法）。此外，还可以把某些复杂的函数关系，通过一定的变换用直线图表示出来。例如半导体热敏电阻的电阻与温度关系为，取对数后得到，若用半对数坐标纸，以lgR为纵轴，以1／T为横轴画图，则为一条直线。
这个要看你分析什么数据。
分析大数据，R语言和Linux系统比较有帮助，运用到的方法原理可以翻翻大学的统计学，不需要完全理解，重在应用。
分析简单数据，Excel就可以了。Excel本意就是智能，功能很强，容易上手。我没有见过有人说自己精通Excel的，最多是熟悉Excel。Excel的函数可以帮助你处理大部分数据。
一、掌握基础、更新知识。
基本技术怎么强调都不过分。这里的术更多是（计算机、统计知识），多年做数据分析、数据挖掘的经历来看、以及业界朋友的交流来看，这点大家深有感触的。
数据库查询—sql
数据分析师在计算机的层面的技能要求较低，主要是会sql，因为这里解决一个数据提取的问题。有机会可以去逛逛一些专业的数据论坛，学习一些sql技巧、新的函数，对你工作效率的提高是很有帮助的。
统计知识与数据挖掘
你要掌握基础的、成熟的数据建模方法、数据挖掘方法。例如：多元统计：回归分析、因子分析、离散等，数据挖掘中的：决策树、聚类、关联规则、神经网络等。但是还是应该关注一些博客、论坛中大家对于最新方法的介绍，或者是对老方法的新运用，不断更新自己知识，才能跟上时代，也许你工作中根本不会用到，但是未来呢？
行业知识
如果数据不结合具体的行业、业务知识，数据就是一堆数字，不代表任何东西。是冷冰冰，是不会产生任何价值的，数据驱动营销、提高科学决策一切都是空的。
一名数据分析师，一定要对所在行业知识、业务知识有深入的了解。例如：看到某个数据，你首先必须要知道，这个数据的统计口径是什么？是如何取出来的？这个数据在这个行业，在相应的业务是在哪个环节是产生的？数值的代表业务发生了什么（背景是什么）？对于a部门来说，本月新会员有10万，10万好还是不好呢？先问问上面的这个问题：
对于a部门，
1、新会员的统计口径是什么。第一次在使用a部门的产品的会员？还是在站在公司角度上说，第一次在公司发展业务接触的会员？
2、是如何统计出来的。a：时间；是通过创建时间，还是业务完成时间。b：业务场景。是只要与业务发接触，例如下了单，还是要业务完成后，到成功支付。
3、这个数据是在哪个环节统计出来。在注册环节，在下单环节，在成功支付环节。
4、这个数据代表着什么。10万高吗？与历史相同比较？是否做了营销活动？这个行业处理行业生命同期哪个阶段？
在前面二点，更多要求你能按业务逻辑，来进行数据的提取（更多是写sql代码从数据库取出数据）。后面二点，更重要是对业务了解，更行业知识了解，你才能进行相应的数据解读，才能让数据产生真正的价值，不是吗？
对于新进入数据行业或者刚进入数据行业的朋友来说：
行业知识都重要，也许你看到很多的数据行业的同仁，在微博或者写文章说，数据分析思想、行业知识、业务知识很重要。我非常同意。因为作为数据分析师，在发表任何观点的时候，都不要忘记你居于的背景是什么？
但大家一定不要忘记了一些基本的技术，不要把基础去忘记了，如果一名数据分析师不会写sql，那麻烦就大了。哈哈。。你只有把数据先取对了，才能正确的分析，否则一切都是错误了，甚至会导致致命的结论。新同学，还是好好花时间把基础技能学好。因为基础技能你可以在短期内快速提高，但是在行业、业务知识的是一点一滴的积累起来的，有时候是急不来的，这更需要花时间慢慢去沉淀下来。
不要过于追求很高级、高深的统计方法，我提倡有空还是要多去学习基本的统计学知识，从而提高工作效率，达到事半功倍。以我经验来说，我负责任告诉新进的同学，永远不要忘记基本知识、基本技能的学习。
二、要有三心。
1、细心。
2、耐心。
3、静心。
数据分析师其实是一个细活，特别是在前文提到的例子中的前面二点。而且在数据分析过程中，是一个不断循环迭代的过程，所以一定在耐心，不怕麻烦，能静下心来不断去修改自己的分析思路。
三、形成自己结构化的思维。
数据分析师一定要严谨。而严谨一定要很强的结构化思维，如何提高结构化思维，也许只需要工作队中不断的实践。但是我推荐你用mindmanagement，首先把你的整个思路整理出来，然后根据分析不断深入、得到的信息不断增加的情况下去完善你的结构，慢慢你会形成一套自己的思想。当然有空的时候去看看《麦肯锡思维》、结构化逻辑思维训练的书也不错。在我以为多看看你身边更资深同事的报告，多问问他们是怎么去考虑这个问题的，别人的思想是怎么样的？他是怎么构建整个分析体系的。
四、业务、行业、商业知识。
当你掌握好前面的基本知识和一些技巧性东西的时候，你应该在业务、行业、商业知识的学习与积累上了。
这个放在最后，不是不重要，而且非常重要，如果前面三点是决定你能否进入这个行业，那么这则是你进入这个行业后，能否成功的最根本的因素。数据与具体行业知识的关系，比作池塘中鱼与水的关系一点都不过分，数据（鱼）离开了行业、业务背景（水）是死的，是不可能是“活”。而没有“鱼”的水，更像是“死”水，你去根本不知道看什么（方向在哪）。
如何提高业务知识，特别是没有相关背景的同学。很简单，我总结了几点：
1、多向业务部门的同事请教，多沟通。多向他们请教，数据分析师与业务部门没有利益冲突，而更向是共生体，所以如果你态度好，相信业务部门的同事也很愿意把他们知道的告诉你。
2、永远不要忘记了google大神，定制一些行业的关键字，每天都先看看定制的邮件。
3、每天有空去浏览行业相关的网站。看看行业都发生了什么，主要竞争对手或者相关行业都发展什么大事，把这些大事与你公司的业务，数据结合起来。
4、有机会走向一线，多向一线的客户沟通，这才是最根本的。
标题写着告诫，其实谈不上，更多我自己的一些心得的总结。希望对新进的朋友有帮助，数据分析行业绝对是一个朝阳行业，特别是互联网的不断发展，一个不谈数据的公司根本不叫互联网公司，数据分析师已经成为一个互联网公司必备的职位了。