数据挖掘具体要做什么？
我是做JAVA的，最近遇到这样的事情，搞不清楚。有搞过的同学麻烦给解答下。我想问的是实际在企业中做的时候要做的事情，而不是理论。理论看了一大堆，但是不知道如果在企业中要做什么，做出来是什么。
比如，我现在有个数据库，是数据源，里面各种信息。现在确定了需要解决的问题，那么我如何开始做数据挖掘？
比如建立模型，是干嘛的，要做什么工作，用什么工具建，要写代码吗？
整个流程不懂，具体细节，哪些用工具，哪些写代码用工具执行。。
最好是做过这方面的，详细具体的说说 每个环节到底做什么，用什么做，做出什么结果
至于你说的建模，不是一句话可以说清楚，首先你肯定要调查这个领域做得比较好的有哪些方法，然后从中至少选取几种方法，都要实现，做统计，归纳结果，选择符合你数据集的。当然你的数据集合一定要有代表性，就是国际认可的，至于怎么找到这些数据，一般都是比较出名的论文引用的，这些就很可以。用的工具当然有很多，你不能局限于一种方式或者一种工具，不同情况下用不同的工具，根据实际需要选择。比如你要做聚类，你选择一个weka，做神经元，你可能会倾向于matlab，实际情况决定你选择的工具。
流程方面：数据获取------数据预处理-----完成预定的任务 这是一个大概的流程。这一套都可以用weka实现。对于数据挖掘而言，都是80%数据+20%算法，数据很重要，算法其实只是一个测试数据集的作用，这是一点看法，希望对你有帮助。
1、从技术层面来说，按照数据挖掘产出的知识可以粗分为两大类：描述型挖掘和预测型挖掘。
描述型挖掘是对现有数据的进一步精炼和归纳，从中抽取中更宏观的反映数 据特征的概念描述。举个例子来说，某家银行有几百万客户，数据仓库中存储了每个客户的人口统计信息、账户信息、交易信息、客服联络信息等详细数据。但是银 行不可能清楚地了解每位客户是什么样的客户，客户的消费模式到底是怎样的？这时一般需要把全体客户进行细分，划分为几个客户群，而且这种划分可以保证具有 相似行为、相似价值的客户会被放入同一个群组中。有了这些客户群，银行就能更容易地发现营销机会并制定营销战略。这个例子中所用的挖掘技术是聚类模型，它 就是一种典型的描述型挖掘。
预测型挖掘，顾名思义，就是建立的挖掘模型具备预测能力。这种预测能力可能包括预测哪些客户下个月会流失，哪些客户对促销活动会积极响应，哪些客户的未来价值会成长以及成长多少等等。预测型挖掘常常对企业运营具有更强的指导作用，从而更快地见效。
2、从应用层面来说，数据挖掘可以应用到很多行业中，包括电信、银行、证券、保险、制造、因特网等等。
抛开具体行业的特定应用不谈，在各个行业中一般都会把数据挖掘应用在客户关系管理（CRM）之中。在CRM中的数据挖掘应用，包括客户细分、客户价值分析、客户获取、客户保持、交叉销售和提升销售等等。此外，信用评分、欺诈侦测和文本挖掘等也是常见的应用。
数据挖掘的主要任务有：
关联分析
两个或两个以上变量的取值之间存在某种规律性，就称为关联。数据关联是数据库中存在的一类重要的、可被发现的知识。关联分为简单关联、时序关联和因果关联。关联分析的目的是找出数据库中隐藏的关联网。一般用支持度和可信度两个阀值来度量关联规则的相关性，还不断引入兴趣度、相关性等参数，使得所挖掘的规则更符合需求。
聚类分析
聚类是把数据按照相似性归纳成若干类别，同一类中的数据彼此相似，不同类中的数据相异。聚类分析可以建立宏观的概念，发现数据的分布模式，以及可能的数据属性之间的相互关系。
分类
分类就是找出一个类别的概念描述，它代表了这类数据的整体信息，即该类的内涵描述，并用这种描述来构造模型，一般用规则或决策树模式表示。分类是利用训练数据集通过一定的算法而求得分类规则。分类可被用于规则描述和预测。
预测
预测是利用历史数据找出变化规律，建立模型，并由此模型对未来数据的种类及特征进行预测。预测关心的是精度和不确定性，通常用预测方差来度量。
时序模式
时序模式是指通过时间序列搜索出的重复发生概率较高的模式。与回归一样，它也是用己知的数据预测未来的值，但这些数据的区别是变量所处时间的不同。
偏差分析
在偏差中包括很多有用的知识，数据库中的数据存在很多异常情况，发现数据库中数据存在的异常情况是非常重要的。偏差检验的基本方法就是寻找观察结果与参照之间的差别。
对用户的年龄和消费水平进行收集
对用户的行为特性进行了解
对用户搜索行为习惯进行观察
对用户信息反馈进行整理
对用户需求和自身优势进行相结合
