SAS数据挖掘与分析项目实战

图书标准信息

• 作者 尚涛 著
• 出版社 中国铁道出版社
• 出版时间 2020-08
• 版次 1
• ISBN 9787113268503
• 定价 79.80元
• 装帧 其他
• 开本 16开
• 页数 336页
• 字数 460千字

【内容简介】

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。

【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。

【目录】

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