SAS数据挖掘与分析项目实战_尚涛著_9787113268503

本书讲述了在实际运营中核心的数据挖掘分析案例，为读者重点展示了SAS在精准营销、客户流失预警、客户分群、广告点击、信用卡欺诈、信用风险评分等领域中的具体应用。
本书分为16章，以数据挖掘基础知识介绍开始，循序渐进地讲述了Kaggle数据科学社区调查数据分析、考察汽车耗油量与里程数的关系分析、影响汽车销售的关键因子分析、健身运动中耗氧量回归分析、旅客量预测分析、客户群分类判别分析、销售公司的客户分群、员工离职预测、广告点击率预测、产品精准营销模型、电信客户流失预警、银行贷款用户风险分析、信用风险评分卡的开发以及信用卡反欺诈预测模型等案例。后一章介绍了与数据挖掘项目中的时间成本有较大关系的SAS数据清洗的相关技术。
本书案例丰富，实用性较强，特别适合从事数据挖掘、统计建模、机器学习、商业分析、运营分析等工作的人员使用，也可作为数学、统计学、金融管理、计算机等专业的学生学习SAS数据挖掘应用的参考书籍。

这个技术有什么前途
随着大数据、人工智能的发展，无论是阿里巴巴、腾讯、百度还是母婴店、超市，不同的企业都在尝试利用大数据、人工智能技术提升企业的运营决策效率、降低管理费用，同时扩大业务范围。作为人工智能主要内容的数据挖掘技术，一直紧跟时代潮流，在企业的运营决策中发挥着越来越大的作用。
作为非常常用的商业数据挖掘软件SAS，也紧跟大数据、人工智能的发展，不断创新。从1960年至今，经过几十年的完善和发展，SAS系统在业内被公认为统计分析的标准软件，在零售、制造、银行、保险、通信、互联网、教育、医学、新闻媒体等领域得到广泛应用。基于当前大数据、人工智能的发展，以及SAS在数据挖掘领域的地位及广泛应用，如果你是数据分析行业里的新人，笔者建议要首先学会使用SAS，它很好操作，并且市场占有率非常高。对于数据挖掘领域里的专业人士，如果至少需要掌握两种工具，首先建议掌握SAS软件。
笔者的使用体会
 SAS功能强大，统计方法齐、全、新。SAS提供了从基本的描述性统计分析到各种试验设计的方差分析、相关回归分析、因子分析、聚类分析、时间序列分析等多种统计分析，几乎囊括了所有很前沿的分析方法，其分析技术先进、可靠，分析方法的实现通过过程调用完成，许多过程同时提供了多种算法和选项。
 使用简便，操作灵活。SAS以一个通用的数据（DATA）产生数据集，可以通过不同的过程调用完成各种数据分析挖掘过程。SAS编程语句简洁、短小，通常只需很少的几个语句即可完成一些复杂的运算，得到满意的结果。
 SAS有可在 DATA 和 PROC 使用的大量函数和自定义函数，功能非常强大，也可以作为被DATA和PROC使用的宏语言。
 SAS 的软件及算法都是经过检验的，专业的医学生物数据统计一般只使用SAS软件。
 SAS非常容易上手，如果你会SQL，则可以立即上手使用SAS。SAS提供了丰富的统计功能，其友好的GUI界面可以让分析师快速上手，并且得到很好的技术支持。
 在商业分析领域，SAS是无可争辩的行业领导者，就全球而言，SAS仍然是公司和机构中使用最多的数据分析工具之一，尤其是大型金融公司。
本书的特色
 案例丰富：本书不空讲SAS语法和模型算法，以大量企业实际案例、清晰简明的解释以及尽可能少的专用术语来介绍SAS的实际应用。
 内容全面：覆盖企业中的热点应用案例，比如精准营销、流失预警、客户分群、信用评分、广告点击率预测等。如果读者是公司的数据分析师，则可以直接参考案例进行相关模型研发。
 较新的软件版本：以SAS 94软件版本，向读者介绍如何使用SAS进行数据挖掘项目的开发工作。
 配备数据和源代码：提供所有案例的数据文件和SAS源代码，供读者操作练习、快速学习。
 学习路线图清晰：每个案例均按照数据挖掘项目的一般工作流程逐步展开。

第1章数据挖掘知识介绍
11数据挖掘算法简介
111分类
112聚类
113关联
114预测
12分类模型的相关概念
121数据说明
122混淆矩阵
123ROC曲线和AUC面积
124提升（Lift）
125KS曲线
13数据挖掘过程中关键问题处理
131数据准备
132定义变量及数据抽样
133变量选择
134缺失值处理
135模型比较
14SAS STAT介绍

第2章Kaggle数据科学社区调查分析
21描述性统计分析的主要内容
211数据的频数分析
212数据的集中趋势分析
213数据的离散程度分析
214数据的分布
215绘制统计图
22SAS描述性分析过程介绍
221PROC FREQ过程
222PROC MEANS过程
223PROC UNIVARIATE过程
23调查数据说明
24数据探索
25Kaggle社区用户画像分析
251人员属性
252工作属性
253技能属性
254学习属性

第3章考察汽车耗油量与里程数的关系
31项目背景
32非线性回归简介
33非线性回归过程说明
34广义线性模型过程
35数据文件说明
36数据探索
37模型建立
38结果分析

第4章影响汽车销售的关键因子分析
41数据说明
42因子分析的基本原理
421因子分析模型
422因子旋转
423计算因子得分
43因子分析的步骤和SAS过程
431因子分析的步骤
432FACTOR过程说明
44模型开发及结果解释
45主成分分析和因子分析的区别

第5章健身运动中耗氧量回归分析
51线性回归模型
52REG过程
521过程选项
522MODEL语句选项
523关键字选项
524PLOT语句选项
53数据说明
54相关性分析
55回归分析
56逐步回归
561逐步回归过程
562利用逐步回归选择变量

第6章旅客量预测分析
61项目背景
62数据文件说明
63平稳随机过程概述
631自回归模型
632滑动平均模型
633自回归滑动平均模型
64ARMA模型的识别
641基于相关函数的定阶方法
642利用信息准则法定阶
65模型参数的估计
66时间序列的分析步骤
67SAS系统的ARIMA过程
671ARIMA语句选项
672IDENTIFY语句选项
673ESTIMATE语句选项
674FORECAST语句选项
675ARIMA建模过程
68数据探索
681平稳性检验
682序列变换
69自相关函数检验
610模型参数估计
611预测

第7章客户群分类判别分析
71业务背景及数据说明
72判别分析的数学原理
73判别分析的SAS过程
731DISCRIM过程
732CANDISC过程
733STEPDISC过程
74数据探索
75客户群判别模型建立
76模型应用

第8章销售公司的客户分群分析
81项目背景
811客户细分的概念
812客户细分模型
813客户细分模型的基本流程
814细分方法介绍
82聚类分析的数学原理
821聚类的数学原理
822距离和相似距离
823聚类方法
824聚类数的确定
825聚类分析步骤
83SAS中的聚类过程
831Cluster系统聚类过程
832Fastclus快速聚类过程
833Varclus方差聚类过程
834Tree聚类树型输出过程
84数据文件说明
85数据探索
851变量衍生
852变量标准化
853变量相关性分析
86模型建立
87客户画像分析
88模型应用

第9章员工离职预测
91项目背景
92数据说明
93数据探索
94数据建模
941变量相关分析
942决策树建模
95模型评估与应用

第10章广告点击率预测
101业务背景
1011网络广告发展情况
1012计算广告学
102数据说明
103数据不平衡的处理方式
1031收集更多的数据
1032改变模型性能评价指标
1033重新对样本进行采样
104模型开发与评估
1041样本欠抽样
1042模型开发
1043模型评估
105CTR模型的发展脉络

第11章产品精准营销推荐
111项目背景
1111业务背景
1112数据说明
1113项目目标
112数据探索
1121变量描述性统计分析
1122变量缺失值处理
1123变量衍生处理
113模型建设
1131欠抽样
1132数据集分割
1133模型开发
1134模型评估
114模型应用
1141产品自动化推荐系统
1142易受到市场环境等各种因素的影响
1143人群特征漂移需要不断优化模型

第12章通信客户流失预警模型
121项目背景
1211客户流失分析要解决的问题
1212分析客户流失的类型
1213如何进行客户流失分析
122数据说明
123因变量定义
124样本抽取
125数据探索
126模型开发
1261变量衍生
1262变量选择
1263相关性处理
1264模型结果
127模型评估
1271开发样本上的模型性能
1272验证样本上的模型性能
128模型应用

第13章银行贷款用户风险分析
131案例背景
132因变量定义
133样本抽取
134数据探索
1341为什么要进行数据探索
1342数据分布情况
135模型建设
1351变量衍生
1352变量选择
1353共线性处理
1354模型结果
136模型性能评估
1361开发样本上的模型性能
1362验证样本上的模型性能
137模型应用

第14章信用风险评分卡开发
141信用评分模型简介
142信用卡模型的开发过程
143案例背景及项目目标确定
1431项目背景说明
1432确定项目目标
144数据获取
145数据质量检验
146项目参数设定
1461排除规则确定
1462表现和观察窗口
1463确定“坏”的定义
1464滚动率分析
1465客户分群
147数据探索
1471数据分布分析
1472缺失值的处理
1473极端值的处理
148模型开发
1481证据权重（WOE）
1482信息值（IV）
1483变量选择
1484变量分组
1485变量相关性分析
1486模型迭代开发
149模型评估
1491混淆矩阵
1492KS统计量
1493ROC曲线
1410评分卡创建
14101评分尺度变换
14102变量分值分配
1411评分卡实施
1412监测与报告
1413拒绝推断
1414运用评分卡需要注意的事项

第15章信用卡反欺诈预测模型
151信用卡欺诈概述
1511信用卡欺诈的种类
1512智能反欺诈管理
1513其他反欺诈技术
152案例背景
153数据探索
154模型开发
1541不使用分层抽样策略
1542使用分层抽样策略
155总结

第16章SAS数据清洗技术
161数据清洗简介
1611数据清洗
1612数据探索
162数据导入
1621读入数据到SAS系统的方法
1622指定数据文件的位置
1623读入由空格分隔的原始数据
1624读入列对齐的原始数据
1625读入非标准格式的数据
1626读入一个观测占据多行的数据文件
1627读入原数据文件的一部分
1628IMPORT过程读入分隔数据文件
163数据格式处理
164SAS函数
1641字符函数
1642数值函数
165缺失值处理
166数据抽样
1661等比例分层抽样
1662不等比例分层抽样
1663分层抽样

你还可能感兴趣

我要评论