基礎(chǔ)篇：

1. 讀書(shū)《Introduction to Data Mining》，這本書(shū)很淺顯易懂，沒(méi)有復(fù)雜高深的公式，很合適入門(mén)的人。另外可以用這本書(shū)做參考《Data Mining : Concepts and Techniques》。第二本比較厚，也多了一些數(shù)據(jù)倉(cāng)庫(kù)方面的知識(shí)。如果對(duì)算法比較喜歡，可以再閱讀《Introduction to Machine Learning》。

2. 實(shí)現(xiàn)經(jīng)典算法。有幾個(gè)部分：

a. 關(guān)聯(lián)規(guī)則挖掘 (Apriori, FPTree, etc.)

b. 分類 (C4.5, KNN, Logistic Regression, SVM, etc.)

c. 聚類 (Kmeans, DBScan, Spectral Clustering, etc.)

d. 降維 (PCA, LDA, etc.)

e. 推薦系統(tǒng) (基于內(nèi)容的推薦，協(xié)同過(guò)濾，如矩陣分解等)

然后在公開(kāi)數(shù)據(jù)集上測(cè)試，看實(shí)現(xiàn)的效果?？梢栽谙旅娴木W(wǎng)站找到大量的公開(kāi)數(shù)據(jù)集：http://archive.ics.uci.edu/ml/

3. 熟悉幾個(gè)開(kāi)源的工具: Weka (用于上手); LibSVM, scikit-learn, Shogun

4. 到 https://www.kaggle.com/ 上參加幾個(gè)101的比賽，學(xué)會(huì)如何將一個(gè)問(wèn)題抽象成模型，并從原始數(shù)據(jù)中構(gòu)建有效的特征 (Feature Engineering). 

到這一步的話基本幾個(gè)國(guó)內(nèi)的大公司都會(huì)給你面試的機(jī)會(huì)。

進(jìn)階篇：

1. 讀書(shū)，下面幾部都是大部頭，但學(xué)完進(jìn)步非常大。

a.《Pattern Recognition and Machine Learning》

b.《The Elements of Statistical Learning》

c.《Machine Learning: A Probabilistic Perspective》

第一本比較偏Bayesian；第二本比較偏Frequentist；第三本在兩者之間，但我覺(jué)得跟第一本差不多，不過(guò)加了不少新內(nèi)容。當(dāng)然除了這幾本大而全的，還有很多介紹不同領(lǐng)域的書(shū)，例如《Boosting Foundations and Algorithms》，《Probabilistic Graphical Models Principles and Techniques》；以及理論一些的《Foundations of Machine Learning》，《Optimization for Machine Learning》等等。這些書(shū)的課后習(xí)題也非常有用，做了才會(huì)在自己寫(xiě)Paper的時(shí)候推公式。

2. 讀論文。包括幾個(gè)相關(guān)會(huì)議：KDD，ICML，NIPS，IJCAI，AAAI，WWW，SIGIR，ICDM；以及幾個(gè)相關(guān)的期刊：TKDD，TKDE，JMLR，PAMI等。跟蹤新技術(shù)跟新的熱點(diǎn)問(wèn)題。當(dāng)然，如果做相關(guān)research，這一步是必須的。例如我們組的風(fēng)格就是上半年讀Paper，暑假找問(wèn)題，秋天做實(shí)驗(yàn)，春節(jié)左右寫(xiě)/投論文。

3. 跟蹤熱點(diǎn)問(wèn)題。例如最近幾年的Recommendation System，Social Network，Behavior Targeting等等，很多公司的業(yè)務(wù)都會(huì)涉及這些方面。以及一些熱點(diǎn)技術(shù)，例如現(xiàn)在很火的Deep Learning。

4. 學(xué)習(xí)大規(guī)模并行計(jì)算的技術(shù)，例如MapReduce、MPI，GPU Computing?；久總€(gè)大公司都會(huì)用到這些技術(shù)，因?yàn)楝F(xiàn)實(shí)的數(shù)據(jù)量非常大，基本都是在計(jì)算集群上實(shí)現(xiàn)的。

5. 參加實(shí)際的數(shù)據(jù)挖掘的競(jìng)賽，例如KDDCUP，或 https://www.kaggle.com/ 上面的競(jìng)賽。這個(gè)過(guò)程會(huì)訓(xùn)練你如何在一個(gè)短的時(shí)間內(nèi)解決一個(gè)實(shí)際的問(wèn)題，并熟悉整個(gè)數(shù)據(jù)挖掘項(xiàng)目的全過(guò)程。

6. 參與一個(gè)開(kāi)源項(xiàng)目，如上面提到的Shogun或scikit-learn還有Apache的Mahout，或?yàn)橐恍┝餍兴惴ㄌ峁└佑行Э焖俚膶?shí)現(xiàn)，例如實(shí)現(xiàn)一個(gè)Map/Reduce平臺(tái)下的SVM。這也是鍛煉Coding的能力。

到這一步國(guó)內(nèi)的大公司基本是想哪去哪，而且待遇也不差；如果英語(yǔ)好，去US那邊的公司難度也不大了。

2條討論

1bitbp 2012-09-22 11:57

支持者： ifas 張小耳 Candy Two shuimuyuan 白色羽毛筆 更多

本人談不上什么高手，下面是個(gè)人的一點(diǎn)看法。

一，可以先找一些數(shù)據(jù)挖掘方面優(yōu)秀教材來(lái)看，把一些基礎(chǔ)且重要的東西理解清楚。R/matlab/SAS之類是都是一些工具，雖然學(xué)會(huì)使用工具挺重要，但關(guān)鍵還是工具后面的思想。關(guān)于自學(xué)，不知lz是否看過(guò)下面的帖子。其中，我挺贊同帖子中pongba的‘只看好書(shū)’的看法。

http://www.guokr.com/question/132920/?bsh_bid=98365272

二，個(gè)人覺(jué)得非常重要的一點(diǎn)，盡量參與一些真實(shí)的實(shí)踐項(xiàng)目，從實(shí)際項(xiàng)目／問(wèn)題出發(fā)學(xué)得更快，也學(xué)得更好！數(shù)據(jù)挖掘是個(gè)很寬泛的概念，涉及面很廣，不同應(yīng)用領(lǐng)域的數(shù)據(jù)挖掘也不一樣。從一些項(xiàng)目作為切入點(diǎn)，你可以了解到哪些知識(shí)是最欠缺的，哪些最需要學(xué)的，然后再逐漸擴(kuò)充相關(guān)的知識(shí)。

三，估計(jì)學(xué)什么都差不多，需要不斷堅(jiān)持和積累吧。

數(shù)據(jù)挖掘這個(gè)東西，要看你追求的是什么？

注意到你是想自學(xué)？那一幫情況下，就可以理解為不是奔科研去的，看起來(lái)應(yīng)該是追求實(shí)用。

那么作為一個(gè)帶了N年數(shù)據(jù)分析團(tuán)隊(duì)，算是有點(diǎn)經(jīng)驗(yàn)的人，建議你找點(diǎn)實(shí)際的項(xiàng)目去做。

首先是要弄明白你想挖點(diǎn)什么出來(lái)？如果你說(shuō)不知道，抱歉，你可能還是在追科研的路。

實(shí)際的項(xiàng)目中：

首先就是要明確你希望挖的東西能產(chǎn)生什么業(yè)務(wù)價(jià)值，而非用什么挖掘算法，那是手段，可以在后面再關(guān)注；要能夠具體描繪你的挖掘目標(biāo)、價(jià)值，以及挖掘成果的預(yù)期展現(xiàn)形式，說(shuō)服力如何，等等；

其次，和相關(guān)的小伙伴討論，為了挖出你想要的成果，需要利用到哪些數(shù)據(jù)？這些數(shù)據(jù)中，哪些是已經(jīng)有的，哪些還得想辦法去收集？其中是否有些數(shù)據(jù)根本是不可能收集到的？這些收集不到的數(shù)據(jù)對(duì)于你想挖的成果會(huì)有什么影響？如果是致命影響，直接導(dǎo)致你的挖掘成果缺乏說(shuō)服力，那就此歇菜，另找其他方向吧。反之，則安排計(jì)劃和資源，把能收集到的數(shù)據(jù)盡快收集起來(lái)；

再次，根據(jù)收集到的數(shù)據(jù)的特點(diǎn)和收集過(guò)程的質(zhì)量情況，清洗收集到的數(shù)據(jù)；

根據(jù)挖掘目標(biāo)的情況和收集到的數(shù)據(jù)的特點(diǎn)，制定挖掘規(guī)劃，選擇合適的挖掘算法；

然后，就開(kāi)始挖吧；

第一輪挖完，看看成果如何？有道理嗎？有說(shuō)服力嗎？大多數(shù)情況，你會(huì)發(fā)現(xiàn)，哦，暈，忘了應(yīng)該把這幾個(gè)因素考慮進(jìn)去了，還應(yīng)該加進(jìn)去這幾方面的數(shù)據(jù)才能看出來(lái)。好，繼續(xù)轉(zhuǎn)向第2步，繼續(xù)收集數(shù)據(jù)、清洗、調(diào)算法/參數(shù)，挖出來(lái)后再評(píng)估，一般情況得這么循環(huán)N個(gè)回合；

馬馬虎虎出來(lái)個(gè)差不多靠譜、勉強(qiáng)能自圓其說(shuō)的初胚，這個(gè)成果看上去像那么回事兒了。

總結(jié)一個(gè)說(shuō)法（分析成果）出來(lái)，為了你的說(shuō)法，把數(shù)據(jù)再針對(duì)性地洗上幾遍，給出一個(gè)更加干凈的分析成果，這個(gè)版本基本上有說(shuō)服力了。

講究一點(diǎn)的，再畫(huà)個(gè)信息圖什么的，圖文并茂，就可以初步交作業(yè)了；

在真實(shí)的項(xiàng)目中，還有一步，就是選取重要的評(píng)估視角和指標(biāo)，根據(jù)具體的業(yè)務(wù)特點(diǎn)，把你的分析過(guò)程做成每周/每日/每小時(shí)都能給個(gè)角度固定的分析報(bào)告的服務(wù)。

再往前一步，如果你對(duì)這塊業(yè)務(wù)真的很熟的話，還可以針對(duì)不同類型的分析結(jié)果，能給出相應(yīng)的建議應(yīng)對(duì)措施（Action），這樣這此挖掘的業(yè)務(wù)價(jià)值就真正明確了。你做的活兒也沒(méi)有停留在“活兒”這個(gè)份兒上，而是決策支持這個(gè)級(jí)別上了。

磨刀不誤砍柴工。在學(xué)習(xí)數(shù)據(jù)挖掘之前應(yīng)該明白幾點(diǎn):

數(shù)據(jù)挖掘目前在中國(guó)的尚未流行開(kāi)，猶如屠龍之技。

數(shù)據(jù)初期的準(zhǔn)備通常占整個(gè)數(shù)據(jù)挖掘項(xiàng)目工作量的70%左右。 

數(shù)據(jù)挖掘本身融合了統(tǒng)計(jì)學(xué)、數(shù)據(jù)庫(kù)和機(jī)器學(xué)習(xí)等學(xué)科，并不是新的技術(shù)。

數(shù)據(jù)挖掘技術(shù)更適合業(yè)務(wù)人員學(xué)習(xí)（相比技術(shù)人員學(xué)習(xí)業(yè)務(wù)來(lái)的更高效）

數(shù)據(jù)挖掘適用于傳統(tǒng)的BI（報(bào)表、OLAP等）無(wú)法支持的領(lǐng)域。 

數(shù)據(jù)挖掘項(xiàng)目通常需要重復(fù)一些毫無(wú)技術(shù)含量的工作。

如果你閱讀了以上內(nèi)容覺(jué)得可以接受，那么繼續(xù)往下看。

學(xué)習(xí)一門(mén)技術(shù)要和行業(yè)靠攏，沒(méi)有行業(yè)背景的技術(shù)如空中樓閣。技術(shù)尤其是計(jì)算機(jī)領(lǐng)域的技術(shù)發(fā)展是寬泛且快速更替的（十年前做網(wǎng)頁(yè)設(shè)計(jì)都能成立公司），一般人沒(méi)有這個(gè)精力和時(shí)間全方位的掌握所有技術(shù)細(xì)節(jié)。但是技術(shù)在結(jié)合行業(yè)之后就能夠獨(dú)當(dāng)一面了，一方面有利于抓住用戶痛點(diǎn)和剛性需求，另一方面能夠累計(jì)行業(yè)經(jīng)驗(yàn)，使用互聯(lián)網(wǎng)思維跨界讓你更容易取得成功。不要在學(xué)習(xí)技術(shù)時(shí)想要面面俱到，這樣會(huì)失去你的核心競(jìng)爭(zhēng)力。 

一、目前國(guó)內(nèi)的數(shù)據(jù)挖掘人員工作領(lǐng)域大致可分為三類。

1）數(shù)據(jù)分析師：在擁有行業(yè)數(shù)據(jù)的電商、金融、電信、咨詢等行業(yè)里做業(yè)務(wù)咨詢，商務(wù)智能，出分析報(bào)告。

2）數(shù)據(jù)挖掘工程師：在多媒體、電商、搜索、社交等大數(shù)據(jù)相關(guān)行業(yè)里做機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)和分析。

3）科學(xué)研究方向：在高校、科研單位、企業(yè)研究院等高大上科研機(jī)構(gòu)研究新算法效率改進(jìn)及未來(lái)應(yīng)用。

二、說(shuō)說(shuō)各工作領(lǐng)域需要掌握的技能。 

(1).數(shù)據(jù)分析師

需要有深厚的數(shù)理統(tǒng)計(jì)基礎(chǔ)，但是對(duì)程序開(kāi)發(fā)能力不做要求。

需要熟練使用主流的數(shù)據(jù)挖掘（或統(tǒng)計(jì)分析）工具如Business Analytics and Business Intelligence Software（SAS）、SPSS、EXCEL等。

需要對(duì)與所在行業(yè)有關(guān)的一切核心數(shù)據(jù)有深入的理解，以及一定的數(shù)據(jù)敏感性培養(yǎng)。

經(jīng)典圖書(shū)推薦：《概率論與數(shù)理統(tǒng)計(jì)》、《統(tǒng)計(jì)學(xué)》推薦David Freedman版、《業(yè)務(wù)建模與數(shù)據(jù)挖掘》、《數(shù)據(jù)挖掘?qū)д摗?、《SAS編程與數(shù)據(jù)挖掘商業(yè)案例》、《Clementine數(shù)據(jù)挖掘方法及應(yīng)用 》、《Excel 2007 VBA參考大全》、《IBM SPSS Statistics 19 Statistical Procedures Companion》等。

(2).數(shù)據(jù)挖掘工程師

需要理解主流機(jī)器學(xué)習(xí)算法的原理和應(yīng)用。

需要熟悉至少一門(mén)編程語(yǔ)言如（Python、C、C++、Java、Delphi等）。

需要理解數(shù)據(jù)庫(kù)原理，能夠熟練操作至少一種數(shù)據(jù)庫(kù)（Mysql、SQL、DB2、Oracle等），能夠明白MapReduce的原理操作以及熟練使用Hadoop系列工具更好。

經(jīng)典圖書(shū)推薦：《數(shù)據(jù)挖掘概念與技術(shù)》、《機(jī)器學(xué)習(xí)實(shí)戰(zhàn)》、《人工智能及其應(yīng)用》、《數(shù)據(jù)庫(kù)系統(tǒng)概論》、《算法導(dǎo)論》、《Web數(shù)據(jù)挖掘》、《 Python標(biāo)準(zhǔn)庫(kù)》、《thinking in Java》、《Thinking in C++》、《數(shù)據(jù)結(jié)構(gòu)》等。

(3).科學(xué)研究方向

需要深入學(xué)習(xí)數(shù)據(jù)挖掘的理論基礎(chǔ)，包括關(guān)聯(lián)規(guī)則挖掘 （Apriori和FPTree）、分類算法（C4.5、KNN、Logistic Regression、SVM等) 、聚類算法 （Kmeans、Spectral Clustering）。目標(biāo)可以先吃透數(shù)據(jù)挖掘10大算法各自的使用情況和優(yōu)缺點(diǎn)。

相對(duì)SAS、SPSS來(lái)說(shuō)R語(yǔ)言更適合科研人員The R Project for Statistical Computing，因?yàn)镽軟件是完全免費(fèi)的，而且開(kāi)放的社區(qū)環(huán)境提供多種附加工具包支持，更適合進(jìn)行統(tǒng)計(jì)計(jì)算分析研究。雖然目前在國(guó)內(nèi)流行度不高，但是強(qiáng)烈推薦。

可以嘗試改進(jìn)一些主流算法使其更加快速高效，例如實(shí)現(xiàn)Hadoop平臺(tái)下的SVM云算法調(diào)用平臺(tái)--web 工程調(diào)用hadoop集群。

需要廣而深的閱讀世界著名會(huì)議論文跟蹤熱點(diǎn)技術(shù)。如KDD，ICML，IJCAI，Association for the Advancement of Artificial Intelligence，ICDM 等等；還有數(shù)據(jù)挖掘相關(guān)領(lǐng)域期刊：ACM Transactions on Knowledge Discovery from Data，IEEE Transactions on Knowledge and Data Engineering，Journal of Machine Learning Research Homepage，IEEE Xplore: Pattern Analysis and Machine Intelligence, IEEE Transactions on等。

可以嘗試參加數(shù)據(jù)挖掘比賽培養(yǎng)全方面解決實(shí)際問(wèn)題的能力。如Sig KDD ，Kaggle: Go from Big Data to Big Analytics等。

可以嘗試為一些開(kāi)源項(xiàng)目貢獻(xiàn)自己的代碼，比如Apache Mahout: Scalable machine learning and data mining ,myrrix等（具體可以在SourceForge或GitHub.上發(fā)現(xiàn)更多好玩的項(xiàng)目）。

經(jīng)典圖書(shū)推薦：《機(jī)器學(xué)習(xí)》 《模式分類》《統(tǒng)計(jì)學(xué)習(xí)理論的本質(zhì)》《統(tǒng)計(jì)學(xué)習(xí)方法》《數(shù)據(jù)挖掘?qū)嵱脵C(jī)器學(xué)習(xí)技術(shù)》《R語(yǔ)言實(shí)踐》，英文素質(zhì)是科研人才必備的《Machine Learning: A Probabilistic Perspective》《Scaling up Machine Learning : Parallel and Distributed Approaches》《Data Mining Using SAS Enterprise Miner : A Case Study Approach》《Python for Data Analysis》等。

三、以下是通信行業(yè)數(shù)據(jù)挖掘工程師的工作感受。

真正從數(shù)據(jù)挖掘項(xiàng)目實(shí)踐的角度講，溝通能力對(duì)挖掘的興趣愛(ài)好是最重要的，有了愛(ài)好才可以愿意鉆研，有了不錯(cuò)的溝通能力，才可以正確理解業(yè)務(wù)問(wèn)題，才能正確把業(yè)務(wù)問(wèn)題轉(zhuǎn)化成挖掘問(wèn)題，才可以在相關(guān)不同專業(yè)人才之間清楚表達(dá)你的意圖和想法，取得他們的理解和支持。所以我認(rèn)為溝通能力和興趣愛(ài)好是個(gè)人的數(shù)據(jù)挖掘的核心競(jìng)爭(zhēng)力，是很難學(xué)到的；而其他的相關(guān)專業(yè)知識(shí)誰(shuí)都可以學(xué)，算不上個(gè)人發(fā)展的核心競(jìng)爭(zhēng)力。

說(shuō)到這里可能很多數(shù)據(jù)倉(cāng)庫(kù)專家、程序員、統(tǒng)計(jì)師等等都要扔磚頭了，對(duì)不起，我沒(méi)有別的意思，你們的專業(yè)對(duì)于數(shù)據(jù)挖掘都很重要，大家本來(lái)就是一個(gè)整體的，但是作為單獨(dú)一個(gè)個(gè)體的人來(lái)說(shuō)，精力有限，時(shí)間有限，不可能這些領(lǐng)域都能掌握，在這種情況下，選擇最重要的核心，我想應(yīng)該是數(shù)據(jù)挖掘技能和相關(guān)業(yè)務(wù)能力吧（從另外的一個(gè)極端的例子，我們可以看， 比如一個(gè)迷你型的挖掘項(xiàng)目，一個(gè)懂得市場(chǎng)營(yíng)銷和數(shù)據(jù)挖掘技能的人應(yīng)該可以勝任。這其中他雖然不懂?dāng)?shù)據(jù)倉(cāng)庫(kù)，但是簡(jiǎn)單的Excel就足以勝任高打6萬(wàn)個(gè)樣本的數(shù)據(jù)處理；他雖然不懂專業(yè)的展示展現(xiàn)技能，但是只要他自己看的懂就行了，這就無(wú)需什么展示展現(xiàn)；前面說(shuō)過(guò)，統(tǒng)計(jì)技能是應(yīng)該掌握的，這對(duì)一個(gè)人的迷你項(xiàng)目很重要；他雖然不懂編程，但是專業(yè)挖掘工具和挖掘技能足夠讓他操練的；這樣在迷你項(xiàng)目中，一個(gè)懂得挖掘技能和市場(chǎng)營(yíng)銷業(yè)務(wù)能力的人就可以圓滿完成了，甚至在一個(gè)數(shù)據(jù)源中根據(jù)業(yè)務(wù)需求可以無(wú)窮無(wú)盡的挖掘不同的項(xiàng)目思路，試問(wèn)就是這個(gè)迷你項(xiàng)目，單純的一個(gè)數(shù)據(jù)倉(cāng)庫(kù)專家、單純的一個(gè)程序員、單純的一個(gè)展示展現(xiàn)技師、甚至單純的一個(gè)挖掘技術(shù)專家，都是無(wú)法勝任的）。這從另一個(gè)方面也說(shuō)明了為什么溝通能力的重要，這些個(gè)完全不同的專業(yè)領(lǐng)域，想要有效有機(jī)地整合在一起進(jìn)行數(shù)據(jù)挖掘項(xiàng)目實(shí)踐，你說(shuō)沒(méi)有好的溝通能力行嗎？

數(shù)據(jù)挖掘能力只能在項(xiàng)目實(shí)踐的熔爐中提升、升華，所以跟著項(xiàng)目學(xué)挖掘是最有效的捷徑。國(guó)外學(xué)習(xí)挖掘的人都是一開(kāi)始跟著老板做項(xiàng)目，剛開(kāi)始不懂不要緊，越不懂越知道應(yīng)該學(xué)什么，才能學(xué)得越快越有效果。我不知道國(guó)內(nèi)的數(shù)據(jù)挖掘?qū)W生是怎樣學(xué)的，但是從網(wǎng)上的一些論壇看，很多都是紙上談兵，這樣很浪費(fèi)時(shí)間，很沒(méi)有效率。

另外現(xiàn)在國(guó)內(nèi)關(guān)于數(shù)據(jù)挖掘的概念都很混亂，很多BI只是局限在報(bào)表的展示和簡(jiǎn)單的統(tǒng)計(jì)分析，卻也號(hào)稱是數(shù)據(jù)挖掘；另一方面，國(guó)內(nèi)真正規(guī)?；瘜?shí)施數(shù)據(jù)挖掘的行業(yè)是屈指可數(shù)（銀行、保險(xiǎn)公司、移動(dòng)通訊），其他行業(yè)的應(yīng)用就只能算是小規(guī)模的，比如很多大學(xué)都有些相關(guān)的挖掘課題、挖掘項(xiàng)目，但都比較分散，而且都是處于摸索階段，但是我相信數(shù)據(jù)挖掘在中國(guó)一定是好的前景，因?yàn)檫@是歷史發(fā)展的必然。

講到移動(dòng)方面的實(shí)踐案例，如果你是來(lái)自移動(dòng)的話，你一定知道國(guó)內(nèi)有家叫華院分析的公司（申明，我跟這家公司沒(méi)有任何關(guān)系，我只是站在數(shù)據(jù)挖掘者的角度分析過(guò)中國(guó)大多數(shù)的號(hào)稱數(shù)據(jù)挖掘服務(wù)公司，覺(jué)得華院還不錯(cuò)，比很多徒有虛名的大公司來(lái)得更實(shí)際），他們的業(yè)務(wù)現(xiàn)在已經(jīng)覆蓋了絕大多數(shù)中國(guó)省級(jí)移動(dòng)公司的分析挖掘項(xiàng)目，你上網(wǎng)搜索一下應(yīng)該可以找到一些詳細(xì)的資料吧。我對(duì)華院分析印象最深的一點(diǎn)就是2002年這個(gè)公司白手起家，自己不懂不要緊，一邊自學(xué)一邊開(kāi)始拓展客戶，到現(xiàn)在在中國(guó)的移動(dòng)通訊市場(chǎng)全面開(kāi)花，的確佩服佩服呀。他們最開(kāi)始都是用EXCEL處理數(shù)據(jù)，用肉眼比較選擇比較不同的模型，你可以想象這其中的艱難吧。

至于移動(dòng)通訊的具體的數(shù)據(jù)挖掘的應(yīng)用，那太多了，比如不同話費(fèi)套餐的制訂、客戶流失模型、不同服務(wù)交叉銷售模型、不同客戶對(duì)優(yōu)惠的彈性分析、客戶群體細(xì)分模型、不同客戶生命周期模型、渠道選擇模型、惡意欺詐預(yù)警模型，太多了，記住，從客戶的需求出發(fā)，從實(shí)踐中的問(wèn)題出發(fā)，移動(dòng)中可以發(fā)現(xiàn)太多的挖掘項(xiàng)目。最后告訴你一個(gè)秘密，當(dāng)你數(shù)據(jù)挖掘能力提升到一定程度時(shí)，你會(huì)發(fā)現(xiàn)無(wú)論什么行業(yè)，其實(shí)數(shù)據(jù)挖掘的應(yīng)用有大部分是重合的相似的，這樣你會(huì)覺(jué)得更輕松。