文章梳理了學習大數(shù)據(jù)挖掘分析的思路與步驟，給大家提供一些參考，希望能夠?qū)δ阌兴鶐椭?/p>

最近有很多人咨詢，想學習大數(shù)據(jù)，但不知道怎么入手，從哪里開始學習，需要學習哪些東西？對于一個初學者，學習大數(shù)據(jù)挖掘分析的思路邏輯是什么？本文就梳理了如何從0開始學習大數(shù)據(jù)挖掘分析，學習的步驟思路，可以給大家一個學習的建議。

很多人認為數(shù)據(jù)挖掘需要掌握復(fù)雜高深的算法，需要掌握技術(shù)開發(fā)，才能把數(shù)據(jù)挖掘分析做好，實際上并非這樣。如果鉆入復(fù)雜算法和技術(shù)開發(fā)，只能讓你走火入魔，越走越費勁，并且效果不大。在公司實際工作中，最好的大數(shù)據(jù)挖掘工程師一定是最熟悉和理解業(yè)務(wù)的人。對于大數(shù)據(jù)挖掘的學習心得，作者認為學習數(shù)據(jù)挖掘一定要結(jié)合實際業(yè)務(wù)背景、案例背景來學習，這樣才是以解決問題為導向的學習方法。那么，大體上，大數(shù)據(jù)挖掘分析經(jīng)典案例有以下幾種：

1. 預(yù)測產(chǎn)品未來一段時間用戶是否會流失，流失情況怎么樣；
2. 公司做了某個促銷活動，預(yù)估活動效果怎么樣，用戶接受度如何；
3. 評估用戶信用度好壞；
4. 對現(xiàn)有客戶市場進行細分，到底哪些客戶才是目標客群；
5. 產(chǎn)品上線投放市場后，用戶轉(zhuǎn)化率如何，到底哪些運營策略最有效；
6. 運營做了很多工作，公司資源也投了很多，怎么提升產(chǎn)品投入產(chǎn)出比；
7. 一些用戶購買了很多商品后，哪些商品同時被購買的幾率高；
8. 預(yù)測產(chǎn)品未來一年的銷量及收益。。。。

大數(shù)據(jù)挖掘要做的就是把上述類似的商業(yè)運營問題轉(zhuǎn)化為數(shù)據(jù)挖掘問題。

一、如何將商業(yè)運營問題轉(zhuǎn)化為大數(shù)據(jù)挖掘問題

那么，問題來了，我們該如何把上述的商業(yè)運營問題轉(zhuǎn)化為數(shù)據(jù)挖掘問題?可以對數(shù)據(jù)挖掘問題進行細分，分為四類問題：分類問題、聚類問題、關(guān)聯(lián)問題、預(yù)測問題。

1、分類問題

用戶流失率、促銷活動響應(yīng)、評估用戶度都屬于數(shù)據(jù)挖掘的分類問題，我們需要掌握分類的特點，知道什么是有監(jiān)督學習，掌握常見的分類方法:決策樹、貝葉斯、KNN、支持向量機、神經(jīng)網(wǎng)絡(luò)和邏輯回歸等。

2、聚類問題

細分市場、細分客戶群體都屬于數(shù)據(jù)挖掘的聚類問題，我們要掌握聚類特點，知道無監(jiān)督學習，了解常見的聚類算法，例如劃分聚類、層次聚類、密度聚類、網(wǎng)格聚類、基于模型聚類等。

3、關(guān)聯(lián)問題

交叉銷售問題等屬于關(guān)聯(lián)問題，關(guān)聯(lián)分析也叫購物籃分析，我們要掌握常見的關(guān)聯(lián)分析算法：Aprior算法、Carma算法，序列算法等。

4、預(yù)測問題

我們要掌握簡單線性回歸分析、多重線性回歸分析、時間序列等。

二、用何種工具實操大數(shù)據(jù)挖掘

能實現(xiàn)數(shù)據(jù)挖掘的工具和途徑實在太多，SPSS、SAS、Python、R等等都可以，但是我們需要掌握哪個或者說要掌握哪幾個，才算學會了數(shù)據(jù)挖掘?這需要看你所處的層次和想要進階的路徑是怎樣的。

第一層級：達到理解入門層次

了解統(tǒng)計學和數(shù)據(jù)庫即可。

第二層級：達到初級職場應(yīng)用層次

數(shù)據(jù)庫+統(tǒng)計學+SPSS(也可以是SPSS代替軟件)

第三層級：達到中級職場應(yīng)用層次

SAS或R

第四層級：達到數(shù)據(jù)挖掘師層次

SAS或R+Python(或其他編程語言)

三、如何利用Python學習大數(shù)據(jù)挖掘

只要能解決實際問題，用什么工具來學習數(shù)據(jù)挖掘都是無所謂，這里首推Python。那該如何利用Python來學習數(shù)據(jù)挖掘？需要掌握Python中的哪些知識?

1、Pandas庫的操作

Panda是數(shù)據(jù)分析特別重要的一個庫，我們要掌握以下三點：

• pandas 分組計算;
• pandas 索引與多重索引;

索引比較難，但是卻是非常重要的

• pandas 多表操作與數(shù)據(jù)透視表

2、numpy數(shù)值計算

numpy數(shù)據(jù)計算主要應(yīng)用是在數(shù)據(jù)挖掘，對于以后的機器學習，深度學習，這也是一個必須掌握的庫，我們要掌握以下內(nèi)容：

• Numpy array理解；
• 數(shù)組索引操作；
• 數(shù)組計算；
• Broadcasting(線性代數(shù)里面的知識)

3、數(shù)據(jù)可視化-matplotlib與seaborn

• Matplotib語法

python最基本的可視化工具就是matplotlib。咋一看Matplotlib與matlib有點像，要搞清楚二者的關(guān)系是什么，這樣學習起來才會比較輕松。

• seaborn的使用

seaborn是一個非常漂亮的可視化工具。

• pandas繪圖功能

前面說過pandas是做數(shù)據(jù)分析的，但它也提供了一些繪圖的API。

4、數(shù)據(jù)挖掘入門

這部分是最難也是最有意思的一部分，要掌握以下幾個部分：

• 機器學習的定義

在這里跟數(shù)據(jù)挖掘先不做區(qū)別

• 代價函數(shù)的定義
• Train/Test/Validate
• Overfitting的定義與避免方法

5、數(shù)據(jù)挖掘算法

數(shù)據(jù)挖掘發(fā)展到現(xiàn)在，算法已經(jīng)非常多，下面只需掌握最簡單的，最核心的，最常用的算法：

• 最小二乘算法；
• 梯度下降；
• 向量化；
• 極大似然估計；
• Logistic Regression；
• Decision Tree；
• RandomForesr；
• XGBoost；

6、數(shù)據(jù)挖掘?qū)崙?zhàn)

通過機器學習里面最著名的庫scikit-learn來進行模型的理解。

以上，就是為大家理清的大數(shù)據(jù)挖掘?qū)W習思路邏輯?？墒?，這還僅僅是開始，在通往數(shù)據(jù)挖掘師與數(shù)據(jù)科學家路上，還要學習文本處理與自然語言知識、Linux與Spark的知識、深度學習知識等等，我們要保持持續(xù)的興趣來學習數(shù)據(jù)挖掘。

作者：劉永平 ，11年以上互聯(lián)網(wǎng)電商、互聯(lián)網(wǎng)金融、大數(shù)據(jù)項目實操經(jīng)驗，任職高級產(chǎn)品總監(jiān)，產(chǎn)品運營專家，曾親自主導參與項目超過15個，10個以上從0到1成功項目實操經(jīng)驗。微信公眾號：互聯(lián)網(wǎng)金融干貨。

本文由 @劉永平 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。

免責聲明：本文是作者通過多年項目實操，積累分享的干貨，全部屬于原創(chuàng)，如需轉(zhuǎn)載分享，必須注明作者和出處，如沒有注明作者和出處，會追究法律責任。

題圖來自PEXELS，基于CC0協(xié)議