數(shù)據(jù)分析是通過看數(shù)據(jù)的現(xiàn)象來完成產(chǎn)品、營銷策略、運營策略的優(yōu)化。要達(dá)到最低的成本和最佳的效果，一個優(yōu)秀的數(shù)據(jù)分析師可以采用以下三種方法:1。多使用產(chǎn)品本身。只有不斷嘗試產(chǎn)品，體驗和了解各種產(chǎn)品，才能在分析中有直觀的思考和總結(jié)；2.在與產(chǎn)品相關(guān)的業(yè)務(wù)和技術(shù)類學(xué)生交流時，尤其是在理解和操作數(shù)據(jù)時，需要了解數(shù)據(jù) element的含義、當(dāng)前的操作模式以及產(chǎn)生這種模式的原因；3.多思考產(chǎn)品的內(nèi)在邏輯，多問為什么，以免在做分析案例時遺漏其他業(yè)務(wù)流程或者設(shè)計錯誤數(shù)據(jù)模型。

基礎(chǔ)篇:1?？碔ntroductiontoDataMining，非常通俗易懂，沒有復(fù)雜深奧的公式，非常適合初學(xué)者。此外，你可以把這本書作為“數(shù)據(jù)挖掘:概念和技術(shù)”的參考。第二本書比較厚，也增加了一些關(guān)于數(shù)據(jù)倉庫的知識。如果你喜歡算法，可以再讀一遍IntroductiontoMachineLearning。

有幾個部分:a .關(guān)聯(lián)規(guī)則挖掘(Apriori，F(xiàn)P樹等。)b .分類(C4.5，KNN，邏輯回歸，SVM等。)c .聚類(KMeans，DBScan，譜聚類等。)d .等。)e .推薦系統(tǒng)(基于內(nèi)容的推薦，協(xié)同過濾，如矩陣分解等。)然后在大眾數(shù)據(jù) set上測試，看達(dá)到的效果。

學(xué)習(xí)數(shù)據(jù) 挖掘時，一定要學(xué)習(xí)統(tǒng)計知識。當(dāng)然，Excel，SPSS，R等等都是你需要掌握的基本功。如果我們做數(shù)據(jù) -1/，要注意數(shù)學(xué)的知識。數(shù)據(jù) 挖掘我們需要一些數(shù)學(xué)知識才能從海量中發(fā)現(xiàn)規(guī)律數(shù)據(jù)。以上是學(xué)習(xí)的基本技巧-2挖掘。數(shù)據(jù) 挖掘中的樸素貝葉斯算法需要概率的知識，SKM算法需要高等代數(shù)或區(qū)間理論的知識。

但是要想深入學(xué)習(xí)這些算法，最好還是學(xué)習(xí)一些數(shù)學(xué)知識，這樣也能讓我們以后的路走得更順暢。我們經(jīng)常用的語言有Python，Java，C或者C ，我自己用Python或者Java比較多。有時候用MapReduce寫程序，然后用Hadoop或者Hyp處理數(shù)據(jù)。如果用Python，就和Spark結(jié)合。

說實話，短時間內(nèi)很難完全掌握這些知識。最好在-2挖掘上買一本書，大致了解一下-2挖掘包含的內(nèi)容，也可以得到一些介紹/112。如果你有門道，可以給我一些建議?，F(xiàn)在頭疼一堆數(shù)據(jù)。以前主要是搬家。我現(xiàn)在要做物流。但是，個人認(rèn)為，沒有數(shù)據(jù) Library，做起來更難。挖掘我主要處理的是數(shù)據(jù)庫，而不是數(shù)據(jù)庫。很簡單。