      SAS電商數(shù)據(jù)挖掘培訓(xùn)

1．?dāng)?shù)據(jù)挖掘與統(tǒng)計(jì)分析：
1.1 驗(yàn)證性還是探索性

1.2 問(wèn)題如何量化

1.3 數(shù)據(jù)量（行、質(zhì)量、列、重復(fù)利用） ；

1.4 時(shí)間、精確度與商業(yè)價(jià)值的折中

1.5 模型的相關(guān)性側(cè)重

1.6 分析流程中側(cè)重點(diǎn)的轉(zhuǎn)移

1.7 圖表與報(bào)告展示

1.8 SEMMA 分析流程——sample、explore、modify、model、assess

2.數(shù)據(jù)挖掘軟件簡(jiǎn)介
2.1 sas（em） 、spss（modeler）

2.2 python、weka、intelligent miner

2.3 r、sqlserver、hadoop

3. 數(shù)據(jù)源：訪(fǎng)問(wèn)數(shù)據(jù)庫(kù)及其不同文件格式
3.1 訪(fǎng)問(wèn)文本、Excel 文件

3.2 訪(fǎng)問(wèn)常用統(tǒng)計(jì)軟件的文件格式

3.3 訪(fǎng)問(wèn)數(shù)據(jù)庫(kù)（Oracle、mysql 等）

3.4SAS 數(shù)據(jù)源 DMDB；

4. RFM 價(jià)值模型；
4.1 直方圖或散點(diǎn)圖描述數(shù)據(jù)；

4.2 抽樣：限制樣本量；

4.3 分箱：數(shù)據(jù)離散化；

4.4 圖形（熱圖）與制表：對(duì) RFM 結(jié)果進(jìn)行評(píng)價(jià)。

5. 預(yù)測(cè)分析：DM 回歸與 logistic、神經(jīng)網(wǎng)絡(luò)、決策樹(shù)；
5.1 案例 1：庫(kù)存的優(yōu)化方案（DM 回歸和神經(jīng)網(wǎng)絡(luò)）

5.2 案例 2：客戶(hù)流失模型（神經(jīng)網(wǎng)絡(luò)）

5.3 案例 3：客戶(hù)重構(gòu)分析（logistic）

5.4 案例 4：基于訂購(gòu)行為的營(yíng)銷(xiāo)分析（決策樹(shù)）

6. 關(guān)聯(lián)分析：購(gòu)物籃分析
6.1 案例 1：購(gòu)物籃分析及商品優(yōu)結(jié)構(gòu)特征優(yōu)化；

6.2 案例 2：購(gòu)物序列分析及購(gòu)買(mǎi)推斷；

7. 市場(chǎng)細(xì)分：聚類(lèi)分析
7.1 案例 1：細(xì)分客戶(hù)特征及異常檢測(cè)

7.2 案例 2：大樣本之兩步聚類(lèi)

8. 組合模型：評(píng)價(jià)及整合分析
8.1 案例 1：用戶(hù)行為偏好的組合預(yù)測(cè)；

8.2 案例 2：用戶(hù)行為偏好的模型整合分析；