数据挖掘（Data Mining，简称DM），顾名思义，就是指从大量的数据中挖掘出未知的且有价值的信息和知识的过程。 相较于更注重技术和算法的机器学习而言，数据挖掘更偏向于“数据”而非算法，且包括了很多数据的前期处理工作，爬取数据，数据清洗，数据整合，数据有效性检测，数据可视化（画图）等等，因此是个比较宽泛的概念。

      商业上的诸多问题，例如：

      如何降低用户流失率？

      某个用户是否会响应本次营销活动？

      如何细分现有目标市场？

      如何制定交叉销售策略以提升销售额？

      如何预测未来销量？

      从数据挖掘的角度看，都可以转换为四大问题：分类、聚类、关联、预测。

      数据挖掘四大基本问题

      分类：分类问题带有预测性，简单来说就是判断一个未知数据属于哪种类别。

       ▲分类算法示意

      聚类：根据选定的指标，对数据进行划分，算法根据“物以类聚”的原则，判断各条数据之间的相似性，相似的就将其归为一类。

      聚类问题容易与分类问题混淆，主要是语言表达的原因，但两者之间有着本质的区别。分类问题是预测一个未知类别的用户属于哪个类别（相当于做单选题），而聚类问题是根据选定的指标，对一群用户进行划分（相当于做开放式的论述题），它不属于预测问题。

      ▲聚类算法示意

      关联：基于数据识别其中潜在的相关性。

      预测：采用统计学技术，例如回归、时间序列等研究目标变量与影响它的若干相关变量之间的关系。

      关联中蕴藏价值

      关联中蕴藏着巨大的价值，较典型的便是“啤酒-尿布”的故事，我们姑且不论该故事是否是编造而来，但隐藏在啤酒和尿布之间这种表面上并没有任何痕迹的关联，如果不通过数据挖掘技术，仅仅靠拍脑袋，是难以想出来的。

通联规则的挖掘，我们便可以找到数据间的相关性，从而指导实际工作。同时，通过寻找关联关系，我们又能发现其间的因果溯源。

      预测指导决策

      预测，是大数据算法应用中较核心的问题，绝大部分我们可以想象到的应用问题，例如：个性化推荐、精分营销、员工绩效管理、银行信用卡征信、小微企业贷款、生产线优化控制、广告投放和营业网点选择……等等，其本质都是预测问题。

      生活中，我们比较常见的大数据预测方法有点击购买类的预测（预测一个消费者有多大可能性会点击某个广告，购买某种商品）、基于移动轨迹的位置预测（通过“签到-分享”类应用积累消费者数据从而发现商业价值）、链路预测（社交网络上的朋友推荐）等。

      当确定分析问题和指标以后，通过对数据进行清洗、特征提取、模型训练、模型融合，就可以利用数据挖掘工具对数据进行较好的挖掘和分析。

国内外主流数据挖掘工具

      当前，国内外主流的数据挖掘工具有RapidMiner、Weka、SAS、R、IBM SPSS Modeler、iCloudUnion、Microsoft ML Studio等。

      其中，iCloudUnion作为国内率先出现的数据挖掘产品，以其轻便的B/S架构、特定领域的新算法响应、安全的多用户协作共享空间等众多优点逐步走进大众视野。