发帖
雷达卡
SAS数据挖掘模型
数据挖掘(Data Mining)是一项知识发现、商业智能、预测模型的集合体，目的可以表示为探索数据以发现有意义的规则模式过程。数据挖掘技术最显著的特征如下：
海量数据：随现代企业级数据的膨胀，相信“TB 级别”的数据库存储已并不罕见，诸如银行、医疗、零售、电信、保险等行业，由此带来的问题是传统统计算法的效率太低，无法满足时间上的需求， 显然数据挖掘算法解决了很大一部分的时间效率问题， 但也由于分析工具或计算机本身的局限， 因此数据挖掘也在两大技术方向上展开——分析算法和分布式技术。
有意义的规则模式：业务产生数据，也必然产生规则模式，数据库知识发现也许并不困难， 不过具有核心指导意义的是——是否能带来利润；在成本和收益最大化的基础上，提高客户响应， 发现客户拒退率因素、 洞察市场， 提出运营和客户策略， 作为决策的有用支撑，这也许就决定了数据挖掘算法与业务的紧密性。
消费者行为偏好：服务或产品最终要回归到消费者，消费者信息的获取，如人口信息、行为偏好、关系渠道是预测消费行为，尤其是选择性偏好的核心因素；数据挖掘技术在消费者的信息管理与消费行为取向间起到连接作用， 最终预测的好坏或结果， 需反馈到算法中验证。
主讲：丁亚军老师 价格999元
视频课程，下载到自己的电脑，无限次观看学习！免费答疑！
本次课程主要在数据挖掘算法这一分支上，使用 sas9.3 系统演示实例数据的处理。主要从数据访问、 业务问题的量化、 数据分析模型及结果输出几个方面来介绍 SAS软件在数据挖掘中的使用。
【课程目录】
1．数据挖掘与统计分析：
1.1 验证性还是探索性
1.2 问题如何量化
1.3 数据量（行、质量、列、重复利用） ；
1.4 时间、精确度与商业价值的折中
1.5 模型的相关性侧重
1.6 分析流程中侧重点的转移
1.7 图表与报告展示
1.8 SEMMA 分析流程——sample、explore、modify、model、assess
2.数据挖掘软件简介
2.1 sas（em） 、spss（modeler）
2.2 python、weka、intelligent miner
2.3 r、sqlserver、hadoop
3. 数据源：访问数据库及其不同文件格式
3.1 访问文本、Excel 文件
3.2 访问常用统计软件的文件格式
3.3 访问数据库（Oracle、mysql 等）
3.4SAS 数据源 DMDB；
4. RFM 价值模型；
4.1 直方图或散点图描述数据；
4.2 抽样：限制样本量；
4.3 分箱：数据离散化；
4.4 图形（热图）与制表：对 RFM 结果进行评价。
5. 预测分析：DM 回归与 logistic、神经网络、决策树；
5.1 案例 1：库存的优化方案（DM 回归和神经网络）
5.2 案例 2：客户流失模型（神经网络）
5.3 案例 3：客户重构分析（logistic）
5.4 案例 4：基于订购行为的营销分析（决策树）
6. 关联分析：购物篮分析
6.1 案例 1：购物篮分析及商品最优结构特征优化；
6.2 案例 2：购物序列分析及购买推断；
7. 市场细分：聚类分析
7.1 案例 1：细分客户特征及异常检测
7.2 案例 2：大样本之两步聚类
8. 组合模型：评价及整合分析
8.1 案例 1：用户行为偏好的组合预测；
8.2 案例 2：用户行为偏好的模型整合分析；
（现场班报名）（购买视频课程）【咨询联系】
曹老师
电话: (010)53605625
手机: 18810531180（微信）
Q Q：2881989706
邮箱：caolibo@pinggu.org
CDA数据分析师就业班第五期7月10号开课！
https://bbs.pinggu.org/thread-4188084-1-1.html
CDA大数据分析师就业班第三期7月17号开课！
https://bbs.pinggu.org/thread-3935508-1-1.html
提升卡
置顶卡
沉默卡
变色卡
抢沙发
千斤顶
显身卡
京公网安备 11010802022788号
