數據挖掘是指人們從事先不知道的大量不完整、雜亂、模糊和隨機數據中提取潛在隱藏的有用信息和知識的過程。根據信息存儲格式，用于挖掘的對象是關系數據庫，面向對象的數據庫，數據倉庫，文本數據源，多媒體數據庫，空間數據庫，時間數據庫，異構數據庫和Internet。

大數據挖掘方法

方法1.Analytic Visualizations（可視化分析）

無論是日志數據分析專家還是普通用戶，數據可視化都是數據分析工具的最基本要求。可視化可以直觀地顯示數據，讓數據自己說話，讓聽眾看到結果。

方法2.Data Mining Algorithms（數據挖掘算法）

如果說可視化用于人們觀看，那么數據挖掘就是給機器看的。集群、分割、孤立點分析和其他算法使我們能夠深入挖掘數據并挖掘價值。這些算法不僅要處理大量數據，還必須盡量縮減處理大數據的速度。

方法3.Predictive Analytic Capabilities（預測分析能力）

數據挖掘使分析師可以更好地理解數據，而預測分析則使分析師可以根據可視化分析和數據挖掘的結果做出一些預測性判斷。

方法4.semantic engine（語義引擎）

由于非結構化數據的多樣性給數據分析帶來了新挑戰，因此需要一系列工具來解析，提取和分析數據。需要將語義引擎設計成從“文檔”中智能地提取信息。

方法5.Data Quality and Master Data Management（數據質量和主數據管理）

數據質量和數據管理是一些管理方面的最佳實踐。通過標準化流程和工具處理數據可確保獲得預定義的高質量分析結果。

大數據挖掘應用

大數據應用1:大數據挖掘可以使混亂且無規則的數據變得清晰且具有高可用性

大數據具有兩個典型特征，一個是大量數據，另一個是復雜的計算。與傳統數據庫相比，大數據的結構化程度，可用性，數據提取和數據清理都是一項繁重的工作。

典型的典型生產和銷售企業的業務系統數據是隔離，拆分，銷售，生產，財務，客戶等的，不同方面實際上是為自己的業務目標和輸出構建自己的IT系統甚至被外包給不同的IT集成商或軟件開發人員，因此系統相對獨立。這種獨立的結果不僅是隔離，而且在數據結構，數據記錄和存儲，軟件系統負載方面，其他產品的技術水平也有所不同。數據挖掘需要根據您的目標構建挖掘模型，并建立多個數據系統的關聯。

大數據應用2:讓數據與數據之間的關系，這種關系可能產生化學反應

啤酒和尿布，口香糖和避孕套的著名例子可以發現典型數據之間的隱含關系。通過對消費者行為的數據進行建模和分析，可以發現理論上這兩個原本不相關的事物，當用戶購買某商品時產生了關聯，針對此發現優化貨架商品可以增加銷售額。

用過亞馬遜的朋友可能已經看到，購買手機時，建議將手機殼和存儲卡包裝在一起以享受折扣。當然，也有一些愚蠢的推薦策略，例如淘寶，您買了一個移動電源，他立即推了一堆其他的移動電源，告訴您還有便宜的哦，這個東西不是包子，短期內購買一次基本就不會馬上購買第二次。當然，如果將這種策略放在阿里巴巴上，那是一個很好的策略。對于批量購買行為，此建議可以節省用戶的成本。

大數據應用3:監視數據生成過程以發現異常，并作出預警和錯誤糾正

通過時間對系統生成的數據進行建模，可以記錄平均值以及每個時間點和時間段的上下間隔。如果某個節點發生異常情況，則系統可以快速找到問題并進行預警和故障排除。當然，這只是技術系統的價值。

在業務系統中，這種數據異常會給您業務狀況的警告，幫助您比較歷史時間維度，確定事物發生變化的原因，并為您提供必要的時間，數據和相關信息參考用于決策分析。

大數據應用4:通過數據挖掘建立知識模型以提供決策支持信息

IT系統正在發揮更大的價值，因為它可以幫助您通過信息集成來提供決策參考信息。過去，有一個術語稱為KDD（知識發現）。隨著互聯網信息內容的豐富和以及各大例如億信華辰BI軟件等公司的發展，網絡信息的價值和有效性也在增加。通過信息的存在和信息特征的提取，建立不同信息之間的關系，通過語義分析和情感分析，可以提取信息本身的價值趨勢，態度和消費效用，從而提供更多的信息。而這些信息在決策參考上將提供更系統、數據化的分析和參考。

大數據應用5:強大的數據處理和分析功能可以建立數據驅動的垂直業務生態系統

數據挖掘技術系統將負責根據目標重組所有數據，并建立與模型相對應的數據索引。重建數據的順序將大大提高數據的可用性。從垂直行業開始，為該行業的信息服務需求建立模型，并不斷優化各種細節和子節點的輸出，以便該行業中的每個顏色參與者都可以在生態上獲得自己的利益和價值，然后這將建立該細分行業的垂直業務生態。