数字化转型网数据专题将关注数据治理、数据质量管理、数据架构、主数据管理、数据仓库、元数据管理、数据备份、数据挖掘、数据分析、数据安全、大数据、数据合规、等数据相关全产业链相关环节。
这块其实很多地方都介绍过，也不废话了，我就引用下：
数据挖掘完整的步骤如下：
① 理解数据和数据的来源（understanding）。
② 获取相关知识与技术（acquisition）。
③ 整合与检查数据（integration and checking）。
④ 去除错误或不一致的数据（data cleaning）。
⑤ 建立模型和假设（model and hypothesis development）。
⑥ 实际数据挖掘工作（data mining）。
⑦ 测试和验证挖掘结果（testing and verification）。
⑧ 解释和应用（interpretation and use）。
这是网上搜索的知识百科。而我有我自己的看法，基本方法一致，但是还是有些区别。
第一步、领域专家讨论、预建模。
第二步、小范围采集、分析
第三步、领域专家讨论、修正模型
第四步、大范围采集、分析
第五步、得出结果
第六步、验证
第七步、应用
我的步骤跟常见步骤相比，就是突出了领域专家。
数据挖掘重点和难点是从现实中抽象出数学模型，数学模型包括有哪些参数，目标值，计算方法等，一堆数据，盲目去做统计分析，得出一个模型并不难，难的是有多大意义。从现实中抽象出数学模型是难点，也是必须的，做法是先让领域专家对相关领域作出基本的人为模型，然后做小范围分析，对比结果和领域常态特征再来调整，多次这样不断扩大样本的调整，才能建立真正有意义的模型。
在没有模型的前提下去分析，并以此为模型，那无异于盲人摸象，然后拼凑一个东西出来，一堆数据，盲目去做统计分析，得出一个模型并不难，难的是这个模型有多大意义。从现实中抽象出数学模型是难点，但是也是必须的，这个的做法是先让领域专家设定人为模型，然后做小范围分析，再来调整
当前业界数据挖掘最大的问题，就是过分看重数学处理，这种观点是基于一个基础：只要数据间有联系，通过统计学就可以看到变化，所以数学可以解决一切。产生这种的原因，在于早期的数据挖掘来源是统计分析，面对大量的数据，作出统计报表，然后去人为理解，这就是最原始的数据分析。也是因为这个，导致现在数学工具是越用越复杂，其实绝大多数数据挖掘，只需要基本的统计学知识而已。
数据挖掘是把现实的事物变化，抽象提取为数据，然后用数据来处理。从理论上说，如果能够掌握所有要素，纯粹数学的分析是可以找出这些数据间的关系的。但是掌握所有数据，在复杂问题的数据挖掘实践中，特别是社会化问题的分析中，只能是异想天开。因此，在复杂问题条件下，要尽可能依赖的关键所谓领域专家。
一个人看到一组数据，会对这组数据作出解读，这就是最原始、最本能的数据分析。但是我们也会发现，同样一组数据，不同人去看，会产生不同的解读。而在采集数据的时候，甚至也会有类似的变化，比如同样的对象，不同人去调查采集，会产生不同的结果。实际上，数据分析过程中的数学部分，是绝对理性的。但是产生这样的问题，关键在于背景专家身上。
所谓的领域专家，就是这些数据所在的领域的专业人士。因为不同专业差异化很大，单纯的数学和计算机背景的数据分析人员是无法处理、甚至是完全无法理解不同领域的数据的。一个领域专家，影响他的判断包括他的性格是否偏激、他对所涉及数据是否有利害关系。经过我们的总结，一名偏激的领域专家，更容易固执坚持自己的看法，在数据建模时候，有意或者无意去弱化不喜欢的数据、强化自己认可的数据。而利害关系更是可以强化这点。
数字化转型网数据专题包含哪些内容
数字化转型网数据专题将关注数据治理、数据质量管理、数据架构、主数据管理、数据仓库、元数据管理、数据备份、数据挖掘、数据分析、数据安全、大数据、数据合规、等数据相关全产业链相关环节。
数字化转型网数据专题包含：
1、数据相关外脑支持：100+数据相关专家、100+数据实践者、1000+相关资料
2、数据研习社：与全球数据相关专家、实践者共同探讨相关问题，推动产业发展！
3、国际认证培训：目前已引进DAMA国际认证CDMP，其他国内外认证也在逐步引进中
4、典型案例参考：与数字化转型网数据要素X研习社社员一起学习典型案例，共探企业数据落地应用
