1. 数据挖掘及数据
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。
2. 数据挖掘数据源的特点
数据源，就是数据的来源，是提供某种所需要数据的器件或原始媒体。在数据源中存储了所有建立数据库连接的信息。
信息系统的数据源必需可靠且具备更新能力，数据源可能是任何形式的数据，常用的数据源有：
1、观测数据
即现场获取的实测数据，它们包括野外实地勘测、量算数据，台站的观测记录数据，遥测数据等。
2、分析测定数据
即利用物理和化学方法分析测定的数据。
3、图形数据
各种地形图和专题地图等。
4、统计调查数据
各种类型的统计报表、社会调查数据等。
5、遥感数据
由地面、航空或航天遥感获得的数据。
一切数据营销都可以帮企业解决，但前提是企业要有具有价值的数据源。
1、任何行业的营销都离不开数据源
数据的分析和流程化使得企业的营销方式和目标变得非常的明确，从而对用户做到追踪细化。也就是通过数据营销使企业的营销方式变得很有套路。
数据营销的价值可以表现在效果、品牌营销上。企业如何提升和优化自己的品牌，这是一个品牌发展的根本核心。这里所说的品牌不是传统品牌的知名度和形象，而是品牌和消费一起的生态链。
2、社交营销行业的价值可以让数据源可量化
任何企业都可以用数据源来抓取用户的行为习惯，从而让社交营销的价值成倍的增长，而数据源在中间不仅起到连接社交和用户行为的作用，还能够精准的抓取用户在社交的过程中反应处出来的趋势，并且能够通过对数据源的整理、分析后对这些用户进行精准营销，从而完成社交营销中最为基本的环节。如果有的企业在研发产品的过程中，可以利用数据整理出用户的需求，再来研发产品，这样就迎合了用户的需求。用户使用得习惯，就会消费得习惯。
3、数据会促进线上线下营销更精准化
目前数据的来源多体现在线上的数据挖掘和分析，而线下的数据分析和挖掘根本没有利用起来。有的人说在线下根本就没有数据可挖掘，如果这样想就大错特错了。因此，数据的挖掘关键在于如何实现线上、线下同时挖掘并把数据源打通。一旦线上线下数据结合之后在和第三步的广告数据相结合，那么数据的营销将会变得更精准化。
目前，让企业比较难做的不是数据源的缺少，而是数据源呈现出零散的碎片化，比如线上和线下的数据就不能联合起来。因此如何面对数据的碎片化是企业使用数据营销的最大挑战，而未来如果把这些数据碎片进行整合打通，才能实现数据的最大价值，为企业的精准营销提供更准确的数据支持。
4、数据源是实现精准化营销的基础
数据营销以DMP为核心，体现在以辅助决策系统、内容管理系统、用户服务系统、互动系统、效果优化系统、在线支付系统等几个方面。主要从决策层、分析层和执行层三个方面在营销过程中的管理流程。
在多屏时代，企业营销的核心就是品牌形象的传播和植入。在PC时代，营销的核心就是购买，而在移动互联网时代，营销的核心就是实现用户个性化的互动。这里的互动指的是对用户精准化的内容传播和更加智能化的客服信息，以不同的页面导向另一个页面，而实现这些核心的基础就是对数据的管理，总结就是数据成为精准化营销的基础。
5、数据营销是对小而美数据的应用和分析
目前数据营销是企业在利用有限的数据资源上进行整理和分析，但将其放在移动互联网上只是与营销相关的数据之一。因为现如今的企业链特征，都有自己的独立DMP系统，而这个DMP系统本身也在应用数据，并不是全网的数据。
3. 数据挖掘及数据仓库
商务智能指利用数据仓库、数据挖掘技术对客户数据进行系统地储存和管理，并通过各种数据统计分析工具对客户数据进行分析，提供各种分析报告，如客户价值评价、客户满意度评价、服务质量评价、营销效果评价、未来市场需求等，为企业的各种经营活动提供决策信息。 “商务智能是企业利用现代信息技术收集、管理和分析结构化和非结构化的商务数据和信息，创造和累计商务知识和见解，改善商务决策水平，采取有效的商务行动，完善各种商务流程，提升各方面商务绩效，增强综合竞争力的智慧和能力。”
数据挖掘是个技术概念，商务智能是商业领域综合利用数据的很宽泛的应用概念。狭义的说商务智能是数据挖掘技术在商业领域的应用。
4. 数据挖掘数据分析
有利于提高数据的运用能力，促进物联网的发展进步。
5. 数据挖掘数据预处理实验报告
数据预处理是指在主要的处理以前对数据进行的一些处理。
对大部分地球物理面积性观测数据在进行转换或增强处理之前，首先将不规则分布的测网经过插值转换为规则网的处理，以利于计算机的运算。
另外，对于一些剖面测量数据，如地震资料预处理有垂直叠加、重排、加道头、编辑、重新取样、多路编辑等。
现实世界中数据大体上都是不完整，不一致的脏数据，无法直接进行数据挖掘，或挖掘结果差强人意。
为了提高数据挖掘的质量产生了数据预处理技术。
数据预处理有多种方法：数据清理，数据集成，数据变换，数据归约等。这些数据处理技术在数据挖掘之前使用，大大提高了数据挖掘模式的质量，降低实际挖掘所需要的时间。
数据清理例程通过填写缺失的值、光滑噪声数据、识别或删除离群点并解决不一致性来“清理”数据。主要是达到错误纠正，重复数据的清除。
数据集成例程将多个数据源中的数据结合起来并统一存储，建立数据仓库的过程实际上就是数据集成。
数据变换通过平滑聚集，数据概化，规范化等方式将数据转换成适用于数据挖掘的形式。
数据归约是数据挖掘时往往数据量非常大，在少量数据上进行挖掘分析需要很长的时间。
数据归约技术可以用来得到数据集的归约表示，它小得多，但仍然接近于保持原数据的完整性，并结果与归约前结果相同或几乎相同。
6. 数据挖掘数据集
数据挖掘算法是根据数据创建数据挖掘模型的一组试探法和计算。为了创建模型，算法将首先分析您提供的数据，并查找特定类型的模式和趋势。
算法使用此分析的结果来定义用于创建挖掘模型的最佳参数。然后，这些参数应用于整个数据集，以便提取可行模式和详细统计信息。[1]
算法根据您的数据创建的挖掘模型可以采用多种形式，这包括：
说明数据集中的事例如何相关的一组分类。
预测结果并描述不同条件是如何影响该结果的决策树。
预测销量的数学模型。
说明在事务中如何将产品分组到一起的一组规则，以及一起购买产品的概率。
7. 数据挖掘数据预处理
大数据处理的基本流程有几个步骤
1.
大数据处理的第一个步骤就是数据抽取与集成。 这是因为大数据处理的数据来源类型丰富,大数据处理的第一步是对数据进行抽取和集成,从中提取出关系和实体,经过关联和聚合等操作,按照统一定义的格式对数据进行存储。现有的数据抽取和集成方法有三种,分别是基于物化或ETL方法的引擎、基于联邦数据库或中间件方法的引擎、基于数据流方法的引擎。这些引擎都是很重要的。
2.
大数据处理的第二个步骤就是数据分析。 数据分析师大数据处理流程的核心步骤,通过数据抽取和集成环节,我们已经从异构的数据源中获得了用于大数据处理的原始数据,用户可以根据自己的需求对这些数据进行分析处理,比如数据挖掘、机器学习、数据统计等,数据分析可以用于决策支持、商业智能、推荐系统、预测系统等。通过数据分析我们能够掌握数据中的信息。
3.
大数据处理的第三个步骤就是数据解释。
8. 数据挖掘数据挖掘
本科或硕士以上学历，数据挖掘、统计学、数据库相关专业。熟练掌握关系数据库技术，具有数据库系统开发经验；熟练掌握常用的数据挖掘算法；具备数理统计理论基础，并熟悉常用的统计工具软件。国内一批大学，211或者985最好。
9. 数据挖掘及数据分析与预测
数据研判就是利用海量的数据，能够挖掘出一些潜伏的规律，比如说挖掘出来用户感兴趣的一些商品，用户活动的一个规律，然后用户经常购买的一些习惯，进行研究判断。
大数据分析主要依托是云计算、计算机软件，如果要说非常复杂一些人可能未必会理解。
10. 数据挖掘及数据故事化
是数据挖掘方面的一个经典案例。在美国沃尔玛超市，研究人员发现，买尿布的人也会一起买啤酒，后来研究人员分析，是因为一般母亲在家带孩子，就让父亲去超市买尿布，而父亲也就会顺手买啤酒回去喝，因此超市就把啤酒和尿布放一起，以便购买。
11. 数据挖掘数据源
这两个工具都很方便，不需要非常高深的编程能力，都适合算法开发，有大量的package供你使用。 Python入门简单，而R则相对比较难一些(纯个人感觉，依据每个人之前的经验，可能不同的体验)。R做文本挖掘现在还有点弱，当然它的优点在于函数都给你写好了，你只需要知道参数的形式就行了，有时候即使参数形式不对，R也能“智能地”帮你适应。这种简单的软件适合想要专注于业务的人。Python几乎都可以做，函数比R多，比R快。它是一门语言，R更像是一种软件，所以python更能开发出flexible的算法。 Python适合处理大量数据，而R则在这方面有很多力不从心，当然这么说的前提是对于编程基础比较一般的童鞋，对于大牛来说，多灵活运用矢量化编程的话，R的速度也不会太差。 论性能，Python介于C/C++/Java这些高级语言与R语言之间，虽然性能不及那些高级语言，但是一般日常的数据用Python基本都能实现，对于性能要求不挑剔的人来说，足够了 python你需要安装numpy，pandas，scipy，cython，statsmodels，matplotlib等一系列的程序包，还需要安装ipython交互环境，单独用python直接做计量分析统计函数是没有函数支持的；R是基于统计分析的，性能和效率上要略逊于python。R的优势在于统计学和数据计算和分析上要优越于python。 Python语言编程的代码可读性高，整体美观，属于简单粗暴性质的，短时间内少量代码可实现复杂功能；R的语法很奇怪，各种包并不遵守语法规范，导致使用起来经常感觉蛋疼；R程序最终看起来没有Python那么简洁美观。 从全面性方面，我认为Python的确胜过R。无论是对其他语言的调用，和数据源的连接、读取，对系统的操作，还是正则表达和文字处理，Python都有着明显优势。毕竟，python本身是作为一门计算机编程语言出现的，而R本身只是源于统计计算。所以从语言的全面性来说，两者差异显著。 python是machinelearning领域的人用的较多。据我所知，做marketingresearch,econometrics,statistics的人几乎没有用python的参考自：blog.sina.com.cn/s/blog_8813a3ae0101e631