数据分析如何转数据挖掘？ 举报 理由 举报 取消 本科通信，毕业后一直从事与数据不太相关的工作。去年6月份转到一家互联网公司做数据分析师，半年来大部分工作是SQL提数，活动效果跟踪，写分析报告等工作，想转数据挖掘，但发现挖掘岗位对专业要求高，一线公司基本需要科班出身。自学过统计学，数据挖掘相关只看过一本《数据挖掘导论》，都是野路子，不得其法。请教大牛们，分析岗位想转挖掘，有无可行方法建议？ 2017年5月18日 10 条回复 1595 次浏览 分析,数据,数据挖掘
回复 ( 10 )
看到 @张大万的回答深有感触
跟题主一样也是无统计/计算机背景，也大致了解过各种常用的数据挖掘方法，之前一心想着从数据分析转数据挖掘（腻了单纯统计、算值、分解升降、看KPI升降原因等，觉得能从细微度或者模型的角度去研究数据会更有意思，而且钱多也高大上一些）
但是后来深入了解发现：
1）数据挖掘模型往往就那几种，有些互联网的大公司，实际用的模型也就那么些，数据挖掘【设计层】，如真正高大上的算法设计啊以及把模型自动化、工业化等，往往涉及大量对模型底层的应用，这些也是他们要高学历高相关的人的原因，对我们半路出家的人而言门槛过大
2）如果只是会用一些机器学习模型，了解彼此利弊（举例：了解coursera相关课程，或者各种书，各种比赛），只是【套用模型】层的数据挖掘，它的工作一定程度与数据分析重叠，难点依然集中在清理数据、以及最终结果呈现等等，而模型的评估业界已有规范化的定论（误差等），这个是日常分析工作中也可以用现有数据做练习的。而且日常应用其实也不容易
3）大公司要的数据挖掘，往往偏第一种底层实现。而偏第二种套用模型的岗位，首先岗位比较少也乱，其实模型选择与数据分析套路类似，往往孤军奋战，常常要跟非专业人士（很可能就是你的老板）解释选择这套分析方法的道理，实际数据分析有的难点痛点这种都有……
按照题主背景，做第一类算法设计难度太大，而且面临学历和基础双重歧视，做第二类套用模型的话，感觉数据挖掘和数据分析没什么两差？但是一直往套用模型走的话，总有一天会走到算法那类与人拼基础，
反过来，从带点套用数据挖掘的数据分析从业来看，题主可能可以继续深造的方向有：
1）继续锻炼自己的表达能力与数据可视化能力，写出各种合理合规好看又一针见血的报告，可适当尝试多种方法辅助数据分析，可同时熟悉常用模型
2）继续学一些编程语言如R/PYTHON，或熟悉数据库如HADOOP等，学会更快更自动化做数据处理和生成自动化图表，提高自己工作效率，杠杠的，把处理数据时间省下来了才有余力想想怎么套用各种模型，再往挖掘机这里靠一靠
不过容我吐槽一句，感觉往可视化或者数据处理方向走多了，慢慢的你可能会不满足于现有工具，觉得别人的包不好用，觉得不够满足业务，觉得用EXCEL作图表好傻想要自己建个智能化dashboard想自己建个站，觉得沟通好累想自己独立做事情，代码写太多嫌弃麻烦，
然后你会发现往第一种岗位靠吧，你要补算法，把不满足的东西弄懂吧，建站基础知识，程序测试啊，算法啊，软件工程啊，你似乎都缺，对，就是考研考计算机的大纲的那些，突然这些基础都要补，补科班的漏
所以与其到最后慢慢补基础，题主你要不要考虑在稳住自己数据分析能力（处理数据+评估模型+展示）基础上，业余提前补补计算机基础，向科班学习，说不定还能跨界转行做一个懂数据分析的程序员or数据产品经理之类的，至少路子比数据挖掘更广一些？？而且很多数据挖掘的工作其实是码农兼任的？
共勉，同在转型思考期
谢邀，比较赞同【尾巴】的看法，数据分析的就业很广，没必要一定要往数据挖掘上面靠，虽然数据挖掘是顶尖的存在，但是没有扎实的数学基础，学各种高大上的算法就是空中楼阁。
数据挖掘的三大技能树是【数学/统计学知识、算法、编程能力】，三者缺一不可，而其中数学是基础，扎实的数学知识让你能理解并且推导算法，而编程又是实现算法的工具，他们是承上启下的关系。本科毕业转数据挖掘，最大的门槛其实是数学基础，如果你是数学专业的还行，如果不是仅靠自学是很难把这一块基础敦实的，基础的不扎实会深深影响其他，【尾巴】说的基础和学历的双重歧视是存在的，我部门里做数据挖掘的一个是Top5大学的数学专业博士，一个是Top10的数学专业硕士并且拿过省数学建模金奖，想象一个本科的非数学专业置于这样一群人当中…（不过其实兴趣是最好的动力，如果你对数学深深着迷，自学也未尝不可）。
数据分析转数据挖掘，最容易靠自学来补全的其实是编程能力，程序员有很多是靠自学成才的。而数据挖掘在编程这一技能树的枝桠是怎样一个发展呢。
以下是我用爬虫爬取了智联招聘深圳地区608个数据挖掘的岗位描述做的一个词频统计，越大的字体说明提及的职位越多
看来楼主已经掌握了数据挖掘最重要的编程技能，如果楼主打算做大数据方向的数据挖掘，建议主攻JAVA和Hadoop/spark。
如果楼主有兴趣多了解一些数据挖掘之外的数据相关职位，可以参考
之前的各答主说的都很好，我给题主另外一个思路：对现有的工作有什么不满之处？是否真的需要转数据挖掘才能达到目的？
直接引用题主的工作描述：
第一项属于数据分析师的必备技能，但并非独有技能；第二、三项表明题主目前做的是运营数据分析，且需要将结果输出成报告。那么，题主你产生职业倦怠的问题，有可能是你认为这些工作没有技术含量，不如数据挖掘看上去那么高深。而我想说，题主你看到的，只是数据分析的冰山一角。
引用我另一篇专栏文章中的内容（建模那点事儿（上） – 一个数据分析师的自我修养 – 知乎专栏）：
题主你可以对照一下，看看你目前所做的事情，是否涵盖了以上所有的内容。如果确实涵盖了，并且你仍然觉得没有意思，那么我认为你转数据挖掘的想法是对的。如果你只是因为目前做的是基础性工作，那么我建议你可以考虑向数据分析的更深层次发展。
1.数据挖掘分析师，又称建模分析师，需要深入掌握高级多元统计方法,并且拓展时间序列分析和主要数据挖掘的理论知识与业界运用；能够熟练使用SPSS Modeler、SAS、R、Pyhton等至少一个专业数据挖掘软件实现相关算法；具有按照数据挖掘标准流程进行项目需求分析、数据验证、建模与模型评估的能力。
2.数据挖掘分析最困难的地方不是建模，也不是编程，而是结合业务背景和自己的知识储备，商业感觉提出问题的能力，解决问题的思维习惯。这些都需要多实践练习；
3.参加相关专业进修或者相关培训或者考试也是快速提升的方法之一；
4.Kaggle: The Home of Data Science 比赛项目和数据可供参考练习。
谢邀，那就是学习基础算法与数据结构，学习编程，学习分布式，学习机器学习与数据挖掘算法，做相关项目，看论文，保持学术fellow。
不要尝试，不建议自学数据挖掘！
题主现在可能处于瓶颈期，数据分析找不到突破口，想要找点“高大上”的东西学习下！
以前有一段时间也是觉得数据挖掘高大上啊，好想学，感觉是个铁饭碗，算是一技之长！
现在发现数据分析的变现速度极快，比较贴合业务，在指导决策上效果显著！
而数据挖掘的需求面还是太窄，小公司用不着，大公司要求高，变现周期长，实际应用困难！
编程很累！编程很累！编程很累！
题主可以研究研究数据分析如何做的更加深入吧！把统计学再学一学！希望有所帮助！
完全可行啊，sql是必备的，在做挖掘项目过程中，数据清洗占了很大一部分，清洗的质量决定模型效果，取数锻炼写sql，但仍然不够，数据库数据仓库知识还要学，另外，挖掘导论看完，借助spss modeler，r，sas等工具实践，一步步走，逐步成长。互联网时代都是先开枪再瞄准，动不动考研机器学习深度学习的，没意思，能产生直接价值的方法和途径即是最佳选择。
谢邀。
看楼主背景，有sql经验，统计学知识，以及了解数据挖掘，其实更建议在Data Science努力。
“Data Science = statistics who uses python and lives in San Francisco”，这句话有些戏言，不过也说明Data Science与统计学、python关系很大。
纯在数据挖掘领域去努力，不如努力在Data Science这种交叉学科努力，而且这个方向也要学习数据挖掘，当然也要好好把统计学学会学深。
祝好。
建议先去kaggle做几个入门级的比赛感受一下，学几个简单常用的机器学习模型，LR，决策树，naive bayes这种，自己写代码实现一下。觉得有还兴趣也做得来再想怎么转的事。
你也知道，一线公司要求高，很难进是一回事，侥幸进去了没什么基础很难跟上节奏。
再说了，数据挖掘真的也是个大坑。
数据挖掘是高大上，但是适用性毕竟有限；小而美的数据分析，反而能够让你看清商业世界的本质。
下面，从思路和产生逻辑，说说为什么这是一种必然。
基本思路
经典思路：目前在做数据分析时，采用的是传统的逻辑推理的分析的思路。先提出问题，再通过严谨的逻辑推理进行验证，解释商业问题。
新思路：尝试使用相关性进行数据挖掘分析；就是数据挖掘的一些技术，比如聚类、决策树、随机森林等高级统计模型。这种思路做出的东西，一般而言是技术门槛较高、解决经典思路无法解答的问题，也符合当前流行的大数据思维、人工智能思维。新思路的处理问题逻辑，先有相关性分析，找出导致问题的相关性因素，然后再解释背后的商业逻辑。
适用范围
经典思路：符合人脑的思维模式，由A —>B —> C的逻辑顺序。在解决小而美的独立case时，效率高。当然，实际商业环境中，80%的问题都是小而美的问题，但是出风头的往往是那20%。比如，“为什么今天某个页面的转化率突然升高啦”这类的问题，通过逻辑推理，一步一步下钻，可以很快定位原因。但是对于多因素的问题，交叉影响之下，各有权重，这种思路就有了瓶颈。
新思路：这是AlphaGo下围棋是采用的思路，决策next move是因为next move对最终赢得棋局概率最高。这是一种结果导向的思维，将智能问题变成了数据问题。AlphaGo不需要知道如何布局，只关注每一次的落子都在提高最终胜利的概率。这种思路可以解决目标明确且影响因素众多的决策问题。这个思路现在越来越火主要由于计算力和数据量的提升和增多，机器有了足够的样本进行testing，如同中国式填鸭式教学，看多了，下意识里就知道如何处理了。