本篇文章探讨了大数据应用之我们该怎么玩数据，希望阅读本篇文章以后大家有所收获，帮助大家对相关内容的理解更加深入。

本周看了一本关于数据挖掘方面的书，此文是笔记也结合自己的感悟进行总结，欢迎一起学习理解数据挖掘在商业实践中的应用流程，相信这不仅对于自己，对于各位正从事数据挖掘朋友，机器学习算法的工程师，或者各公司的老板都有一定的意义。

对于技术达人，一定要懂项目管理，知道技术如何在商业中落地，让技术能够真正帮助公司，实现自我价值，同时使自己的生活更好。

对于老板，应该知道数据驱动将会是未来大多数公司新发展的动力，应该了解数据如何帮助企业实现突破，解围。

数据挖掘的流程总共可以分为以下12个步骤：

有痛点，才会有需求，没有痛点公司也可以找到需要优化的点开展数据挖掘的项目，首先就是要理解需求，了解痛点和需要优化的指标。

数据分析师能知道技术的边界，知道技术可以做什么，与业务方的需求探讨是必不可少的。讨论时需要研究需求背景，了解有哪些相关数据资源，熟悉业务逻辑。专业评估需求解决的可行性，是否能达到目的，初步给出结论是短期目标还是长期目标。

数据分析师应该用专业的角度定位问题，该用什么模型，分类还是回归模型等。需要什么特征数据(变量)，数据源在何处，如何抽取。对于目前的数据情况，人力进行风险评估，如果模型不好，有没有弥补方式。

同时也要给出运营方案建议，如果是现在短期没有的数据可否进行运营活动进行数据的获取。最后给出项目计划，制定项目各节点。

工程师上场先得摸下数据，从数据仓库提取数据，观察数据是否可用。观察空值多少是否进行填充或剔除等。如果能够获取的数据特征较少应该根据业务创建合适的衍生变量（特征）。基于业务的理解，对于共线性的特征只需要保留其一就行。业务清晰才能选对特征，这是重要一环。

选取特征，选择算法。

验证集进行交叉验证，进行算法模型的比较。

在算法的应用时，数据分析师可以得出哪些是影响结果关键特征，模型目前测试的效果如何，这些可以同业务方进行汇报。对于模型可能更优化的方案，是否需要配合进行数据的重新获取，是否采取运营措施进行数据补充，或进行数据埋点长期获取。

增加新数据，优化方案，重新进行模型建立。

经过多轮的模型实施，得出分析报告。

对于提升业务效率，拉客，留存激活等可以进行分层，个性化服务，哪怕是一篇个性化的文案也会起到不错的。

对于需要将模型上线的，需要与业务系统配合解决上线工程问题。

落地的方案可能会有多种，前期会进行小范围样本对照，对于各方案结果需要跟踪。

根据对比，集中资源采取最优化方案落地，并不断完善。

本文由职坐标整理发布，学习更多的相关知识，请关注职坐标IT知识库！