SPSS Modeler數據分析與挖掘培訓

1.學會建模的概念和建模的全過程
2.學習各種算法的原理和應用場景，提升數據分析的科學性
3.學會將建模的結果與業務實施部署結合起來，以分析提升績效

一、概述

1.SPSS Modeler簡介
2.Modeler的CRISP實現
3.Modeler的開發界面簡介
案例：一個完整的數據挖掘項目全過程。

二、數據導入和數據類型設置
1.數據源類型
2.字段的測量和角色
3.Type節點描述

三、數據審核和數據清洗
有問題的數據將帶來有問題的結果，因此在分析之前應該對數據進行質量的審核。

1.數據審核的目的
2.定性變量和定量變量的不同審核方法
3.數據審核的步驟
a)極端值和缺失值的發現
b)數據分布特征
4.數據清洗
a)缺失值處理策略
b)極端值處理策略
c)保持數據的一致性
5.數據處理節點
a)重新分類
b)分箱
c)過濾

四、數據特征描繪-讓數據易于理解
業務分析之時，發現數據的特征或者規律，是一個分析人員必備的技能，本節用圖形化的方式，描繪數據中的特征和規律。

1.常用圖形節點
a)直方圖
b)分布圖
c)多重散點圖
d)時間散點圖
2.圖形板工具：向導式圖形工具
3.圖形化分析演練


五、建模工具簡介
1.Modeler模型總體介紹
2.各算法的適用場景總體介紹

六、異常值分析
如何發現異常數據的方法。
1.異常值分析原理
2.相關節點
a)異常值
b)臨近值法

七、時間序列分析
預測技術可以使工作更具有前瞻性，本節介紹預測的概念和工具。
1.周期分析
2.新產品和老產品在時序特征上的不同
3.主流的時間序列算法
a)曲線回歸
b)ARIMA
c)指數平滑
4.相關節點
a)時間序列
b)線性
c)回歸

八、聚類分析
客戶細分是大數據時代精確營銷的先決條件，聚類分析算法有助于快速對數據進行聚類，找到最佳的客戶分類方式。

1.聚類分析的用途
2.聚類分析算法
a)快速聚類
b)系統聚類
c)兩步聚類
3.相關節點
a)K-Means
b)自動聚類
c)兩步

九、關聯規則
關聯規則的主要應用在客戶行為規律的發現上，典型的應用是購物籃分析，分析客戶的購物習慣以提升交叉銷售的業績。

1.關聯規則的原理及應用
2.關聯規則的分類
a)Apriori
b)序列

十、分類算法
分類算法的用途很多，以數據庫營銷的概念為例：傳統針對所有客戶的群體推送帶來成本過高，效率偏低的問題。分類算法的優點在于通過精準的客戶定位，提升內容推送的精準度，減少對客戶的騷擾，降低成本，縮短時間，提升企業利潤。

1.概述
2.不同的決策樹算法
a)CHAID
b)C&R樹
c)Quest
d)C5.0
3.Logistic回歸
4.神經網絡
5.SVM
6.貝葉斯網絡
7.綜合案例