      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：訪問數(shù)據(jù)庫及其不同文件格式
3.1 訪問文本、Excel 文件

3.2 訪問常用統(tǒng)計(jì)軟件的文件格式

3.3 訪問數(shù)據(jù)庫（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 RFM 結(jié)果進(jìn)行評價(jià)。

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

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

5.3 案例 3：客戶重構(gòu)分析（logistic）

5.4 案例 4：基于訂購行為的營銷分析（決策樹）

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

6.2 案例 2：購物序列分析及購買推斷；

7. 市場細(xì)分：聚類分析
7.1 案例 1：細(xì)分客戶特征及異常檢測

7.2 案例 2：大樣本之兩步聚類

8. 組合模型：評價(jià)及整合分析
8.1 案例 1：用戶行為偏好的組合預(yù)測；

8.2 案例 2：用戶行為偏好的模型整合分析；