學習數據挖掘，必須明確自己的發展方向和目標。很多人對數據行業里發展方向并不清楚，我們先來說說數據行業的職業發展方向。

　　數據行業從廣義上講可以分為以下幾個職位：

　　一、數據挖掘工程師

　　數據挖掘工程師多是通過對海量數據進行挖掘，尋找數據的存在模式，從而通過數據挖掘來解決具體問題。其更多是針對某一個具體的問題，是以解決具體問題為導向的。例如：聚類分析，通過對于會員各種人口統計學、行為數據進行分析，對客戶進行分類，更好地理解客戶，知道公司會員是到底如何？高、中、低低價值的客戶構成，既可以后期公司的運營提供指導，提高活動效率，可以指導公司的營銷。

　　做數據挖掘工程， 必須精通數據庫。很多時候，你模型的數據預處理，可能完成在數據庫里完成，你用到的數據庫技巧更高。必須要會成熟的數據挖掘工具、數據挖掘算法，等，當然如果你會一、二款開源軟件，并會寫一些程序代碼那是最好的，大公司都喜歡用開源的軟件。

　　二、數據分析師

　　數據分析師更注意是對數據、數據指標的解讀，通過對數據的分析，來解決商業問題。主要有包括：（1）業務監控：診斷當前業務是否正常？是否存在問題？業務發展是否達到預期？如果沒有達到預期，問主要問題在哪？是什么原因引起的？（2）建立分析體系：這些數據分析師已經對業務有一定的理解，對業務也相對比較熟悉，更多幫業務方建立一套分析體系，或者更高級是做成數據產品。例如：營銷活動。分析師會告訴業務方，在活動前你應該分析哪些數據，從而制定恰當的營銷計劃。在營銷過程中，你應該看哪些數據，從而及時做出營銷活動調整。在營銷活動，應該如何進行活動效果評估以及行業未來發展的趨勢分析。

　　三、商業分析師。

　　商業分析師在行業、宏觀的層面進行業務分析，預測未來行業的發展，競爭對手的業務構成，幫助公司制定戰略發展計劃，并及時跟蹤、分析市場動態，從而及時對戰略進行不斷優化。主要技能要求：要熟悉基本的統計分析知識、對于與網站相關的業務還可能要求掌握等網站分析工具等。

　　四、數據建模師

　　這個職位與數據挖掘工程師還是有本質區別的。數據建模師，更多偏向于中、小數據量，而且其使用更多更多是統計學的方法，數據建模師其實很少會提到算法這個詞。但是有時候，這二個模型越來越沒有明確的分工，一般來說都會二個職位的人都會去學習對方的知識，所以這二個職位有合并的趨勢。

　　新進入數據行業的同學，可以根據自己的背景背景選擇相應的職位，學數據、統計學的朋友更多可以偏向于建模師，而計算機特別是寫編程好的同學，可以走數據挖掘工程師，也許適應性更好，但這不是絕對的。

　　那么如何學習數據挖掘呢？

　　磨刀不誤砍柴工。在學習數據挖掘之前應該明白幾點：

　　數據挖掘目前在中國的尚未流行開，猶如屠龍之技。

　　數據初期的準備通常占整個數據挖掘項目工作量的70%左右。

　　數據挖掘本身融合了統計學、數據庫和機器學習等學科，并不是新的技術。

　　數據挖掘技術更適合業務人員學習（相比技術人員學習業務來的更高效）

　　數據挖掘適用于傳統的BI（報表、OLAP等）無法支持的領域。

　　數據挖掘項目通常需要重復一些毫無技術含量的工作。

　　如果你閱讀了以上內容覺得可以接受，那么繼續往下看。

　　學習一門技術要和行業靠攏，沒有行業背景的技術如空中樓閣。技術尤其是計算機領域的技術發展是寬泛且快速更替的（十年前做網頁設計都能成立公司），一般人沒有這個精力和時間全方位的掌握所有技術細節。但是技術在結合行業之后就能夠獨當一面了，一方面有利于抓住用戶痛點和剛性需求，另一方面能夠累計行業經驗，使用互聯網思維跨界讓你更容易取得成功。不要在學習技術時想要面面俱到，這樣會失去你的核心競爭力。

　　一、目前國內的數據挖掘人員工作領域大致可分為三類。

　　1）數據分析師：在擁有行業數據的電商、金融、電信、咨詢等行業里做業務咨詢，商務智能，出分析報告。

　　2）數據挖掘工程師：在多媒體、電商、搜索、社交等大數據相關行業里做機器學習算法實現和分析。

　　3）科學研究方向：在高校、科研單位、企業研究院等高大上科研機構研究新算法效率改進及未來應用。