1. 数据挖掘基础概念
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。
2. 数据挖掘基本概念
1）根据挖掘的数据库类型分类：数据挖掘系统可以根据挖掘的数据库类型分类。数据库系统本身可以根据不同的标准（如数据模型、数据类型或所涉及的应用）分类，每一类可能需要自己的数据挖掘技术。这样，数据挖掘系统就可以相应分类。
例如，根据数据模型分类，可以有关系的、事务的、对象-关系的或数据仓库的挖掘系统。如果根据所处理数据的特定类型分类，可以有空间的、时间序列的、文本的、流数据的、多媒体的数据挖掘系统，或万维网挖掘系统。
2）根据挖掘的知识类型分类：数据挖掘系统可以根据所挖掘的知识类型分类，即根据数据挖掘的功能分类，如特征化、区分、关联和相关分析、分类、预测、聚类、离群点分析和演变分析。一个综合的数据挖掘系统通常提供多种和/或集成的数据挖掘功能。
此外，数据挖掘系统还可以根据所挖掘的知识的粒度或抽象层进行区分，包括广义知识（高抽象层）、原始层知识（原始数据层）或多层知识（考虑若干抽象层）。一个高级数据挖掘系统应当支持多抽象层的知识发现。数据挖掘系统还可以分类为挖掘数据的规则性（通常出现的模式）与挖掘数据的奇异性（如异常或离群点）。一般地，概念描述、关联和相关分析、分类、预测和聚类挖掘数据的规则性，将离群点作为噪声排除。这些方法也能帮助检测离群点。
3）根据所用的技术类型分类：数据挖掘系统也可以根据所用的数据挖掘技术分类。这些技术可以根据用户交互程度（例如自动系统、交互探查系统、查询驱动系统），或所用的数据分析方法（例如面向数据库或面向数据仓库的技术、机器学习、统计学、可视化、模式识别、神经网络等）描述。复杂的数据挖掘系统通常采用多种数据挖掘技术，或采用有效的、集成的技术，结合一些方法的优点。
4）根据应用分类：数据挖掘系统也可以根据其应用分类。例如，可能有些数据挖掘系统特别适合金融、电信、DNA、股票市场、e-mail等。不同的应用通常需要集成对于该应用特别有效的方法。因此，泛化的全能的数据挖掘系统可能并不适合特定领域的挖掘任务
3. 数据挖掘基础概念是什么
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。
4. 数据挖掘概论
主要课程：数学建模、多元统计与数据分析、数据挖掘与机器学习、数字图像处理、智慧城市技术概论等应用理论课程,以及数据结构与算法、面向对象程序设计、Python程序设计、数据库原理及应用、深度学习等工具类课程。
5. 数据挖掘基础概念界定
传统数据：数据量基本在GB-TB之间，数据量的增长速度比较稳定且缓慢，主要为结构化数据，价值体现在统计和报表中。大数据：数据量基本单位为TB多则能达到PB级别，数据量持续实时生产，数据结构有半结构化、非结构化、多维数据等，价值体现在数据挖掘和预测分析。
6. 数据挖掘导论和数据挖掘概念与技术
数据科学与大数据技术属于计算机专业。
课程教学体系涵盖了大数据的发现、处理、运算、应用等核心理论与技术，具体课程包括：大数据概论、大数据存储与管理、大数据挖掘、机器学习、人工智能基础、Python程序设计、统计学习、神经网络与深度学习方法；
多媒体信息处理、数据可视化技术、智能计算技术、分布式与并行计算、云计算与数据安全、数据库原理及应用、算法设计与分析、高级语言程序设计、优化理论与方法等。
7. 数据挖掘基础概念解释
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。
8. 数据挖掘技术基础是什么
本科学历从企业方面来说，大数据人才大致可以分为产品和市场分析、安全和风险分析以及商业智能三大领域。产品分析是指通过算法来测试新产品的有效性，是一个相对较 新的领域。在安全和风险分析方面，数据科学家们知道需要收集哪些数据、如何进行快速分析，并最终通过分析信息来有效遏制网络入侵或抓住网络罪犯。一、ETL研发随着数据种类的不断增加，企业对数据整合专业人才的需求越来越旺盛。ETL开发者与不同的数据来源和组织打交道，从不同的源头抽取数据，转换并导入数据仓库以满足企业的需要。ETL研发，主要负责将分散的、异构数据源中的数据如关系数据、平面数据文件等抽取到临时中间层后进行清洗、转换、集成，最后加载到数据仓库或数据集市中，成为联机分析处理、数据挖掘的基础。目前，ETL行业相对成熟，相关岗位的工作生命周期比较长，通常由内部员工和外包合同商之间通力完成。ETL人才在大数据时代炙手可热的原因之一是：在企业大数据应用的早期阶段，Hadoop只是穷人的ETL。二、Hadoop开发Hadoop的核心是HDFS和MapReduce.HDFS
提供了海量数据的存储，MapReduce提供了对数据的计算。随着数据集规模不断增大，而传统BI的数据处理成本过高，企业对Hadoop及相关的廉价数据处理技术如Hive、HBase、MapReduce、Pig等的需求将持续增长。如今具备Hadoop框架经验的技术人员是抢手的大数据人才。三、可视化（前端展现）工具开发海量数据的分析是个大挑战，而新型数据可视化工具如Spotifre，Qlikview和Tableau可以直观高效地展示数据。可视化开发就是在可视开发工具提供的图形用户界面上，通过操作界面元素，由可视开发工具自动生成应用软件。还可轻松跨越多个资源和层次连接您的所有数 据，经过时间考验，完全可扩展的，功能丰富全面的可视化组件库为开发人员提供了功能完整并且简单易用的组件集合，以用来构建极其丰富的用户界面。过去，数据可视化属于商业智能开发者类别，但是随着Hadoop的崛起，数据可视化已经成了一项独立的专业技能和岗位。四、信息架构开发大数据重新激发了主数据管理的热潮。充分开发利用企业数据并支持决策需要非常专业的技能。信息架构师必须了解如何定义和存档关键元素，确保以最有效的方式进行数据管理和利用。信息架构师的关键技能包括主数据管理、业务知识和数据建模等。五、数据仓库研究数据仓库是为企业所有级别的决策制定过程提供支持的所有类型数据的战略集合。它是单个数据存储，出于分析性报告和决策支持的目的而创建。为企业提供需要业务智能来指导业务流程改进和监视时间、成本、质量和控制。六、OLAP开发随着数据库技术的发展和应用，数据库存储的数据量从20世纪80年代的兆（M）字节及千兆（G）字节过渡到现在的兆兆（T）字节和千兆兆（P）字节，同时，用户的查询需求也越来越复杂，涉及的已不仅是查询或操纵一张关系表中的一条或几条记录，而且要对多张表中千万条记录的数据进行数据分析和信息综合。联机分析处理（OLAP）系统就负责解决此类海量数据处理的问题。OLAP在线联机分析开发者，负责将数据从关系型或非关系型数据源中抽取出来建立模型，然后创建数据访问的用户界面，提供高性能的预定义查询功能。