1.数据挖掘，到底在解决什么问题？

a.什么是数据挖掘？

从数据中找出隐藏的知识，并且产出商业价值。

b.为什么要做数据挖掘？

以海量数据作为行为依据，从不同维度角度去分析解剖客户行为。来获取客户的习惯，让你的一些东西可以自适应客户。类似你是裁缝，你要给客户做合身的衣服，那么必定要去知道客户的身高，腰围等信息。这些信息客户没有直接告诉你。你通过客户的朋友圈，对比周围建筑物高度，来进行模糊匹配。存在过分美图的，但是这些都是干扰数据。你依然可以通过大量的数据去模拟推算出客户的信息。我觉得这就是数据挖掘的魅力。通过大量已知去合理推算出客户下一步，以及能接受的喜好，给以客户更加舒适的体验。

c.数据挖掘的好处？

分类问题。聚类问题。回归问题。关联问题。大数据杀熟是最近兴起的，越是了解你，越是能掌握你的性格。引导你进行消费。从而得到真实的商业价值。每一个技术的驱动，都是这个技术能带来商业价值，或者是更大的商业价值。技术是利益驱动的。

d.数据挖掘怎么做？

CRISP-DM（Cross-industry Standard Process for Data Mining，跨行业数据挖掘标准流程）方法论

6个步骤

1.业务理解 -> 2.数据理解 -> 3.数据准备 ->4.构建模型 ->5.模型评估-> 6.模型部署

1.业务理解。业务是基础，利润是推动。思考的触发点都应该是以业务为根本出发点。

2.数据理解。基本的准备。量大以及准确的数据能有效的推动后续。最简单的方式就是对比。你家产品跟竞品之间的处理。为什么别人做的好，别人产品什么时候，怎么样的方式进行宣传，稳定的客户来源是怎么样。这部分我们是否可以模仿，从而取长补短，让自己的产品占据主动。你需要怎么样分析，然后你要获取怎么样的数据，你对数据是怎么样的理解，这都是导致后面不一样的点。

3.数据准备。你找到你要的数据点，我的理解是 你明白了你想要怎么样的数据之后。就开始处理你能获取到的数据。这个数据准备是关键，因为要准备数据需要具备量大，准确性，以及跟你需求很吻合。看文章之前，有在QQ群看到这样的信息，某个群员想要某个地区的人手机号码，以及准确的人的部分信息。对应身份是进行贷款中间人。简单来说，他需要的是风控信息，贷款人的信用，是否有车贷，房贷，以及经济能力。如果你有很多以及准确的客户信息，那么你可以对客户进行的很大程度上的了解。如果你月收入1w+，住宿以及饮食占据4000，那么还有6000可支配，加上支付宝信用良好，那么贷款2K的是完全不成问题。风控很容易过，但是如果你的日常支出就占据了工资的大部分，那么就需要对你进行进一步审核，甚至于第三方介入进行担保。数据本身就代表极高的商业价值。

4.构建模型。训练模型，如果从程序员角度，就是传入参数，能有稳定准确的出参。对应传入参数次数以及数据不同，并且数量很大。都可以有稳定准确的出参，那么这个模型是相对比较成功的。事情具备偶然性，也就是黑天鹅事件。但是只要能把握住大部分的准确性。那么这个模型已经有很高的价值了。

5.评估模型。步骤4的模型数量会很多，从而进入一个筛选模型以及调整模型的阶段。需要校验模型效果，如果通过那么进行真实的上限部署，如果不通过，则进行迭代更新。（这个本人未正式接触到，没办法给有效共鸣观点）

6.模型部署。数据正式对接真实，从一个假设推论，到拿测试数据校验，这一步已经是正式数据进行校验，是否可以等同认为这一步是真人，而非模拟。是否成功将会影响对应是否有实际商业价值。

后续的基础是描述py的基础，就一起跳过。感兴趣的自己可以搜索并学习网上的py资料。这里不做搬运。

上述，都是自己的感后感。所以文章系列定义为个人喜好。主观去看待事情跟问题，客观等以后足够成长能支撑起对应眼界之后再说吧。对了解的事务事情，没有自己的看法，那么你了解的东西只能依赖讲述人的水平，网络的东西参差不齐。要学会有自己的观点以及看法，才能更好的有思维碰撞的火花。

漫漫长路，一个小周跟他一个小陈朋友一起努力奔跑。