大数据的应用其实早已渗透到人们生活中的方方面面：亚马逊运用大数据为客户推荐商品信息，阿里用大数据成立了小微金融服务集团，而谷歌更是计划用大数据接管世界……当下，很多行业都开始增加对大数据的需求。大数据时代不仅处理着海量的数据，同时也加工、传播、分享它们。不知不觉中，数据可视化已经遍布我们生活的每一个角落，毕竟普通用户往往更关心结果的展示。伴随去年底百度地图采…

在银行做了两年的数据分析和挖掘工作，较少接触互联网的应用场景，因此，一直都在思考一个问题，“互联网和金融，在数据挖掘上，究竟存在什么样的区别”。在对这个问题的摸索和理解过程中，发现数据挖掘本身包含很多层次。并且模型本身也是存在传统和时髦之分的。本文就想聊聊这些话题。 一、数据挖掘的层次 一直想整理下对数据挖掘不同层次的理解，这也是这两年多的时间里面，和很多金…

本文重在介绍建立风控模型的方法，每个公司应该根据自己的实际业务情况和开发能力来选择合适的模型。这里列出来的模型仅为了说明问题，提供参考。

本文借此例来说明数据挖掘中关联规则中支持度、置信度和兴趣度概念，顺便对此事做个定量分析， 同时也作为趣味数据挖掘系列博文的开篇。

对于一款移动应用APP来说，每天你的用户是有进有出，有每天不断增加进来的新用户，也有不断流出的新用户、老用户、甚至是高价值用户，仅仅关注每天的活跃用户数，日环比、周环比的增量、增幅是远远不够的，也很难发现问题。 等有一天，活跃用户数增长幅度趋缓、滞涨甚至负增长，才能关注这个问题，恐怕通过各种花钱投放拉进来的用户，所谓的累计激活用户、注册用户数，早就跑掉一大半…

此文从原讲课PPT中，取一些素材，来解释关联规则的挖掘思路和应用方法。

增强分析在 eBay 的实践

一、问答题 1、你理解中的分析师是什么样的？你觉得自己目前应聘分析师职位的优势是什么？并说明理由。 2、淘宝和天猫上每天都有大量的用户在线上购买，作为分析师可以从哪些角度对用户进行分析，同时说明清楚选取这个角度做分析的目的。 3、某银行信用卡模型建设过程中，申请评分卡模型训练过程出现过拟合的现象，请阐述一下什么是过拟合现象？如何解决过拟合现象？ 4、影响网店…

本文先通俗地介绍快速挖掘关联规则的Apriori算法，然后介绍发表这一算法的论文(它被引用了11480+次），最后关注此文的实际影响 与 传统影响因子的差距。

什么是数据挖掘 前两天看到群里有人问，什么是数据挖掘，现在就数据挖掘的概念做一下分析，并且尽量用大白话说一下数据挖掘到底是个啥东西，为啥大数据来了数据挖掘也火了(其实原来就挺火)。 先看一上概念： 数据挖掘(英语：Data mining)，又译为资料探勘、数据采矿。它是数据库知识发现(英语：Knowledge-Discovery in Databases，简…

在几年的产品工作过程中，写过一些竞品分析报告，总结了几个曾经犯过的错误，与大家分享。 一、没有结论的功能点介绍 最常见的竞品分析方法就是对市场上的领先产品进行一次浏览，逐个写出竞品的功能点及流程，不管使用了整齐的表格或者详实的文字描述，又或者是使用了漂亮的图形和截图，没有结论的统计是没有意义的，分析就一定要有结果。 竞品分析的目的就是为自身产品的战略、节奏、…

企业数据科学仍然是一个新领域。许多学者还没有为真正的企业解决实际问题。因此，他们以与数据和业务环境分离的方式教授教科书算法。这可以在智力上很有趣。但是，如果学生认为这些课程能够很好地为数据科学家工作，那么他们就错了。

亚马逊(Amazon.com)在利用户数据实现精准营销的方面有很多值得学习的地方。用户在使用亚马逊网站的过程中，很多行为都会被记录。亚马逊根据这些数据，不断勾画出每个用户的特征轮廓和需求，并以此为依据进行精准营销。

简单来讲，回归就是通过数据学习数量关系，然后利用这个数量关系去做预测。

为消除疲劳，现来一段有趣的、与博友的自尊心和荣誉感相关的博文，议题是：挖掘科学博客的平均点击量公式，以及提高平均点击量的方法。

什么是数据仓库 数据仓库是一个面向主题的( Subject Oriented) 、集成的( Integrate) 、相对稳定的(NonVolatile) 、反映历史变化( Time Variant)的数据集合,用于支持管理决策。对于数据仓库的概念我们可以从两个层次予以理： ①数据仓库用于支持决策,面向分析型数据处理,它不同于企业现有的操作型数据库; ②数据仓…

前言 我刚和一位老友恢复了联系。她一直对数据科学很感兴趣，但10个月前才涉足这一领域——作为一个数据科学家加入了一个组织。我明显感觉到她已经在新的岗位上学到了很多东西。然而，我们聊天时，她提到了一个至今在我脑海里都挥之不去的事实或者说是问题。她说，不论她表现如何，每一个项目或分析任务在令经理满意之前都要做好多次。她还提到，往往事后发现原本不需要花这么多时间！…

随着千禧一代和10后获得更多的购买力，以及年轻人变得更懂科技，电子商务的业务将会得到更大的增长，因为人们喜欢网上购物的便利。

之前有群友问，用聚类分析得到的树状图，怎么看？ 简单讲一下： 有下面这样的一个树状图 继续往左走，在出现第三条横线的时候，竖着切一刀 这样我们就把样本划分为3类 第一类：中国 第二类：日本和菲律宾 第三类：其他 你可以一直往左分，一直到1个样本一个群，看你自己的需求，分多少类，你自己做主，最主要是类的特征显著、具备可解释性。

通过这篇漫画，希望没有从过IT行业，或者不了解机器学习的朋友们能够对机器学习有一些初步的认知。