决策树方法 决策树是一种常用于预测模型的算法，它通过将大量数据有目的分类，从中找到一些有价值的，潜在的信息。它的主要优点是描述简单，分类速度快，特别适合大规模的数据处理。
数据挖掘方法有分类、回归分析、聚类、关联规则、特征、变化和偏差分析。数据挖掘（英语：Data mining），又译为资料探勘、数据采矿。
大数据挖掘是指多渠道的客户信息收集，常用的方法有以下：qq群挖掘(根据你的产品建立出多个关键词去查找相应精准的群从群成员里面挖掘）。
数据挖掘的的方法主要有以下几点： 分类挖掘方法。分类挖掘方法主要利用决策树进行分类，是一种高效且在数据挖掘方法中占有重要地位的挖掘方法。
1、数据挖掘：根据数据功能的类型和和数据的特点选择相应的算法，在净化和转换过的数据集上进行数据挖掘。结果分析：对数据挖掘的结果进行解释和评价，转换成为能够最终被用户理解的知识。
2、数据挖掘（Data Mining）是指通过大量数据集进行分类的自动化过程，以通过数据分析来识别趋势和模式，建立关系来解决业务问题。
3、数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的数据中提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。数据挖掘流程：定义问题：清晰地定义出业务问题，确定数据挖掘的目的。
典型的大数据解决方案应该是具有多种能力的平台化解决方案，这些能力包括结构化数据的存储、计算、分析和挖掘，多结构化数据的存储、加工和处理，以及大数据的商务智能分析。
首先给出一个通用化的大数据处理框架，主要分为下面几个方面：数据采集与预处理、数据存储、数据清洗、数据查询分析和数据可视化。
我们独关注大数据应用，关注数据从哪里来、数据怎么用、成果谁买单，也就是数据来源、产品化和价值创造三个关键点。一个好的大数据应用，从技术上可能很复杂，但从业务模式上应当简单、直白、管用。
数据可视化 数据可视化是大数据分析工具的末端展示手段，主要承担两个职责——数据展示、讲解需要基于数据图表的二次挖掘、分析。抛去数据结果本身的价值不谈，数据可视化的成败主要看可视化效果。
大数据的关键是数据再利用。大数据（big data，mega data）或称巨量资料，指的是需要新处理模式才能具有更强的决策力、洞察力和流程优化能力的海量、高增长率和多样化的信息资产。
两种关键技术：生存分析、统计算法。在加上文本挖掘和主成分分析。经营有方的小店自然地形成与客户之间的学习关系。随着时间的推移，他们对客户的了解也会越来越多，从而可以利用这些知识为他们提供更好的服务。
数据准备：开始收集数据，并对数据进行清洗、数据集成等操作，完成数据挖掘前的准备工作。模型建立：选择和应用各种数据挖掘模型，并进行优化，以便得到更好的分类结果。
大数据应用技术就业方向：互联网、物联网、人工智能、金融、体育、在线教育、交通、物流、电商等。
大数据方向需要学数据存储和分析技术、数据挖掘和机器学习技术、业务应用和商业分析等。数据存储和分析技术大数据的处理需要一个强大的平台，因此数据存储和分析技术是大数据方向中最基础和最重要的方面。
数据挖掘是一个动作，是研究数据内在的规律，并且通过各种机器学习、统计学习、模型算法进行研究。大数据其实是一种数据的状态，数据多而大，大到超出了人类的数据处理软件的极限。
大数据本质是：数据挖掘深度和应用广度的结合。对海量数据进行有效的分析和处理，而不单单是数据量大就叫大数据。
大数据需要映射为小的单元进行计算，再对所有的结果进行整合，就是所谓的map-reduce算法框架。
最后这一点也是和传统的数据挖掘技术有着本质的不同。业界将其归纳为4个“V”从某种程度上说，大数据是数据分析的前沿技术。简言之，从各种各样类型的数据中，快速获得有价值信息的能力，就是大数据技术。
1、数据挖掘(DataMining)是从大量的、不完全的、有噪声的、模糊的、随机的数据中提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。
2、大数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的数据中提取隐含在其中的、人们事先不知道的，但又是潜在有用的信息和知识的过程。
3、大数据挖掘技术涉及的主要内容有：模式跟踪，数据清理和准备，基于分类的数据挖掘技术，异常值检测，关联，聚类。
4、大数据挖掘主要涉及以下四种： 关联规则关联规则使两个或多个项之间的关联以确定它们之间的模式。例如，超市可以确定顾客在买草莓时也常买鲜奶油，反之亦然。关联通常用于销售点系统，以确定产品之间的共同趋势。
