《SAS数据挖掘与分析项目实战》
- 出版社：中国铁道出版社
- ISBN：9787113268503
- 版次：1
- 商品编码：12941638
- 品牌：中国铁道出版社
- 包装：平装
- 开本：16开
- 出版时间：2020-08-01
- 用纸：胶版纸
- 页数：336
基本介绍书籍目录点评信息
书籍内容
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。编辑推荐
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 94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。作者简介
尚涛，毕业于上海交通大学数学系，拥有数学专业硕士学位，研究方向为数据挖掘及机器学习领域，曾任职于支付平台、平安科技、易方达基金，现任职于南方基金，专注于信用风险评分、精准营销、推荐系统、文本挖掘等领域数据挖掘项目的研发工作以及企业的数据化运营落地工作，拥有超过10年数据挖掘和优化建模的经验，以及多年使用SPSS、SAS、R、Python等建模软件的经验。在从业经历中，多次为所在公司的业务方提供数据挖掘技术服务，成功实施了众多深受好评的数据挖掘项目，取得了较好的业务价值。- 第1章数据挖掘知识介绍 11数据挖掘算法简介 111分类 112聚类 113关联 114预测 12分类模型的相关概念 121数据说明 122混淆矩阵 123ROC曲线和AUC面积 124提升（Lift） 125KS曲线 13数据挖掘过程中关键问题处理 131数据准备 132定义变量及数据抽样 133变量选择 134缺失值处理 135模型比较 14SAS STAT介绍 第2章Kaggle数据科学社区调查分析 21描述性统计分析的主要内容 211数据的频数分析 212数据的集中趋势分析 213数据的离散程度分析 214数据的分布 215绘制统计图 22SAS描述性分析过程介绍 221PROC FREQ过程 222PROC MEANS过程 223PROC UNIVARIATE过程 23调查数据说明 24数据探索 25Kaggle社区用户画像分析 251人员属性 252工作属性 253技能属性 254学习属性 第3章考察汽车耗油量与里程数的关系 31项目背景 32非线性回归简介 33非线性回归过程说明 34广义线性模型过程 35数据文件说明 36数据探索 37模型建立 38结果分析 第4章影响汽车销售的关键因子分析 41数据说明 42因子分析的基本原理 421因子分析模型 422因子旋转 423计算因子得分 43因子分析的步骤和SAS过程 431因子分析的步骤 432FACTOR过程说明 44模型开发及结果解释 45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 51线性回归模型 52REG过程 521过程选项 522MODEL语句选项 523关键字选项 524PLOT语句选项 53数据说明 54相关性分析 55回归分析 56逐步回归 561逐步回归过程 562利用逐步回归选择变量 第6章旅客量预测分析 61项目背景 62数据文件说明 63平稳随机过程概述 631自回归模型 632滑动平均模型 633自回归滑动平均模型 64ARMA模型的识别 641基于相关函数的定阶方法 642利用信息准则法定阶 65模型参数的估计 66时间序列的分析步骤 67SAS系统的ARIMA过程 671ARIMA语句选项 672IDENTIFY语句选项 673ESTIMATE语句选项 674FORECAST语句选项 675ARIMA建模过程 68数据探索 681平稳性检验 682序列变换 69自相关函数检验 610模型参数估计 611预测 第7章客户群分类判别分析 71业务背景及数据说明 72判别分析的数学原理 73判别分析的SAS过程 731DISCRIM过程 732CANDISC过程 733STEPDISC过程 74数据探索 75客户群判别模型建立 76模型应用 第8章销售公司的客户分群分析 81项目背景 811客户细分的概念 812客户细分模型 813客户细分模型的基本流程 814细分方法介绍 82聚类分析的数学原理 821聚类的数学原理 822距离和相似距离 823聚类方法 824聚类数的确定 825聚类分析步骤 83SAS中的聚类过程 831Cluster系统聚类过程 832Fastclus快速聚类过程 833Varclus方差聚类过程 834Tree聚类树型输出过程 84数据文件说明 85数据探索 851变量衍生 852变量标准化 853变量相关性分析 86模型建立 87客户画像分析 88模型应用 第9章员工离职预测 91项目背景 92数据说明 93数据探索 94数据建模 941变量相关分析 942决策树建模 95模型评估与应用 第10章广告点击率预测 101业务背景 1011网络广告发展情况 1012计算广告学 102数据说明 103数据不平衡的处理方式 1031收集更多的数据 1032改变模型性能评价指标 1033重新对样本进行采样 104模型开发与评估 1041样本欠抽样 1042模型开发 1043模型评估 105CTR模型的发展脉络 第11章产品精准营销推荐 111项目背景 1111业务背景 1112数据说明 1113项目目标 112数据探索 1121变量描述性统计分析 1122变量缺失值处理 1123变量衍生处理 113模型建设 1131欠抽样 1132数据集分割 1133模型开发 1134模型评估 114模型应用 1141产品自动化推荐系统 1142易受到市场环境等各种因素的影响 1143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 121项目背景 1211客户流失分析要解决的问题 1212分析客户流失的类型 1213如何进行客户流失分析 122数据说明 123因变量定义 124样本抽取 125数据探索 126模型开发 1261变量衍生 1262变量选择 1263相关性处理 1264模型结果 127模型评估 1271开发样本上的模型性能 1272验证样本上的模型性能 128模型应用 第13章银行贷款用户风险分析 131案例背景 132因变量定义 133样本抽取 134数据探索 1341为什么要进行数据探索 1342数据分布情况 135模型建设 1351变量衍生 1352变量选择 1353共线性处理 1354模型结果 136模型性能评估 1361开发样本上的模型性能 1362验证样本上的模型性能 137模型应用 第14章信用风险评分卡开发 141信用评分模型简介 142信用卡模型的开发过程 143案例背景及项目目标确定 1431项目背景说明 1432确定项目目标 144数据获取 145数据质量检验 146项目参数设定 1461排除规则确定 1462表现和观察窗口 1463确定“坏”的定义 1464滚动率分析 1465客户分群 147数据探索 1471数据分布分析 1472缺失值的处理 1473极端值的处理 148模型开发 1481证据权重（WOE） 1482信息值（IV） 1483变量选择 1484变量分组 1485变量相关性分析 1486模型迭代开发 149模型评估 1491混淆矩阵 1492KS统计量 1493ROC曲线 1410评分卡创建 14101评分尺度变换 14102变量分值分配 1411评分卡实施 1412监测与报告 1413拒绝推断 1414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 151信用卡欺诈概述 1511信用卡欺诈的种类 1512智能反欺诈管理 1513其他反欺诈技术 152案例背景 153数据探索 154模型开发 1541不使用分层抽样策略 1542使用分层抽样策略 155总结 第16章SAS数据清洗技术 161数据清洗简介 1611数据清洗 1612数据探索 162数据导入 1621读入数据到SAS系统的方法 1622指定数据文件的位置 1623读入由空格分隔的原始数据 1624读入列对齐的原始数据 1625读入非标准格式的数据 1626读入一个观测占据多行的数据文件 1627读入原数据文件的一部分 1628IMPORT过程读入分隔数据文件 163数据格式处理 164SAS函数 1641字符函数 1642数值函数 165缺失值处理 166数据抽样 1661等比例分层抽样 1662不等比例分层抽样 1663分层抽样
