SPSS Modeler数据分析与挖掘

对于很多分析人员来说，缺乏建模的理念会导致分析的低效甚至无效
SPSS Modeler对于未接触过建模工具的学员来说，是最佳的入门工具。由于其界面简单易操作，便于在短时间内完成掌握复杂的统计学算法。

1.学会建模的概念和建模的全过程
2.学习各种算法的原理和应用场景，提升数据分析的科学性
3.学会将建模的结果与业务实施部署结合起来，以分析提升绩效

一、概述

1.SPSS Modeler简介
2.Modeler的CRISP实现
3.Modeler的开发界面简介
案例：一个完整的数据挖掘项目全过程。

二、数据导入和数据类型设置
1.数据源类型
2.字段的测量和角色
3.Type节点描述

三、数据审核和数据清洗
有问题的数据将带来有问题的结果，因此在分析之前应该对数据进行质量的审核。

1.数据审核的目的
2.定性变量和定量变量的不同审核方法
3.数据审核的步骤
a)极端值和缺失值的发现
b)数据分布特征
4.数据清洗
a)缺失值处理策略
b)极端值处理策略
c)保持数据的一致性
5.数据处理节点
a)重新分类
b)分箱
c)过滤

四、数据特征描绘-让数据易于理解
业务分析之时，发现数据的特征或者规律，是一个分析人员必备的技能，本节用图形化的方式，描绘数据中的特征和规律。

1.常用图形节点
a)直方图
b)分布图
c)多重散点图
d)时间散点图
2.图形板工具：向导式图形工具
3.图形化分析演练


五、建模工具简介
1.Modeler模型总体介绍
2.各算法的适用场景总体介绍

六、异常值分析
如何发现异常数据的方法。
1.异常值分析原理
2.相关节点
a)异常值
b)临近值法

七、时间序列分析
预测技术可以使工作更具有前瞻性，本节介绍预测的概念和工具。
1.周期分析
2.新产品和老产品在时序特征上的不同
3.主流的时间序列算法
a)曲线回归
b)ARIMA
c)指数平滑
4.相关节点
a)时间序列
b)线性
c)回归

八、聚类分析
客户细分是大数据时代精确营销的先决条件，聚类分析算法有助于快速对数据进行聚类，找到最佳的客户分类方式。

1.聚类分析的用途
2.聚类分析算法
a)快速聚类
b)系统聚类
c)两步聚类
3.相关节点
a)K-Means
b)自动聚类
c)两步

九、关联规则
关联规则的主要应用在客户行为规律的发现上，典型的应用是购物篮分析，分析客户的购物习惯以提升交叉销售的业绩。

1.关联规则的原理及应用
2.关联规则的分类
a)Apriori
b)序列

十、分类算法
分类算法的用途很多，以数据库营销的概念为例：传统针对所有客户的群体推送带来成本过高，效率偏低的问题。分类算法的优点在于通过精准的客户定位，提升内容推送的精准度，减少对客户的骚扰，降低成本，缩短时间，提升企业利润。

1.概述
2.不同的决策树算法
a)CHAID
b)C&R树
c)Quest
d)C5.0
3.Logistic回归
4.神经网络
5.SVM
6.贝叶斯网络
7.综合案例