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