《SAS编程与数据挖掘商业案例》学习笔记之十八

接着以前的《SAS编程与数据挖掘商业案例》，之前全是sas的基础知识，现在开始进入数据挖掘方面笔记，本文主要介绍数据挖掘基本流程以及应用方向，并以logistic回归为例说明。

一：数据挖掘综述

衡量一个数据挖掘模型价值的唯一标准就是商业目标，为达到一个商业目标，有很多种方法，只有高效解决商业目标的方法才是最牛的方法，即使是看似简单的方法，只要能高效解决商业目标，我们就认为是牛的方法；

面对海量的数据，即使是使用了最先进的工具，最复杂的算法，但是如果挖掘出来的知识是无用的，或者挖掘的结果是无法解释的，那这种挖掘也是失败的。很多人对数据挖掘都有一个误解，认为一定要使用复杂的工具和复杂的算法，其实是一种误导。

数据挖掘流程：商业理解、数据收集、数据清洗、数据特征化、数据建模、模型打分、模型验证、模型实施、模型优化

描述分析：对已经发生的现象进行分析，主要分析技术有描述性分析、数据特征化、聚类分析、孤立点分析

因果分析：寻找发生的原因，主要技术有联机分析、相关性分析、回归分析、关联分析、因子分析

分类和预测：

主要分类技术：决策树、判别分析、贝叶斯分类、logistic回归分析、神经网络、支持向量机等

预测技术有：多元线性回归分析、广义线性回归分析、非线性回归分析、神经网络分析

二：商业目标：

1、评价活动的效果：比较分析

通过开展工作组和控制组进行比对。

2.特征分析

比如要分析高价值客户的特征，通过特征化数据（均值、方差、极值）、相关性度量（相关系数、卡方值、基尼系数、熵）、聚类分析、因子分析等发现表面的和潜在的数据特征。

3.市场细分

市场细分由业务主导，而不是技术主导。细分结果一定要以易于开展营销活动为目的。

4.响应

提高某个营销活动的响应度

5.风险

风险控制指标通常包括：资产负债情况、信用记录、工作稳定性、收入、教育程度、家庭人口结构

风险模型的建立在技术上类似于响应模型，但对于业务上有很大的区别，比如定义目标变量上，风险模型可能有很多因素决定，一个比较常见的定义：拖欠额度超过某一数值，并逾期超过3个月的客户作为风险客户（目标变量值为1，其余情况为0）

6.流失

重点在于流失目标变量的定义；

7.提升销售和交叉销售

数据挖掘商业应用的最高原则是：“效率、效果”

3.需求文档