图书内容

● 理解分析和基本的数据概念

● 使用分析方法解决各行业问题

● 利用机器学习技术建立预测模型

● 创建和应用分析策略

前    言

对于当今的工业而言，有关分析这一主题的讨论振聋发聩，它是解决企业问题的一种需求。分析有助于挖掘结构化和非结构化数据，从数据中提取有效的见解，从而有助于企业做出有效的决策。在分析中，纵观全球各个行业，我们经常使用SAS和R进行数据挖掘，构建机器学习和预测性模型。《SAS+R大数据行业应用案例分析》聚焦于企业问题和实际分析方法，基于SAS和R分析语言实现预测性模型和机器学习技术来解决这些问题。

《SAS+R大数据行业应用案例分析》的主要目的是帮助精通编写代码、有计划过渡到数据科学、对数据和统计有一个基本理解的统计学家、开发人员、工程师和数据分析师。最具挑战性的部分是构建预测性模型和机器学习算法，在工业中部署这些模型和算法以解决企业问题的实践和实用知识。《SAS+R大数据行业应用案例分析》有益于读者在不同的工业领域解决企业问题，在六个工业领域中，通过实际接触各种预测性模型和机器学习算法，提高分析技能。

《SAS+R大数据行业应用案例分析》内容

《SAS+R大数据行业应用案例分析》重点关注基于SAS Studio和R分析语言实现预测性模型和机器学习技术来解决这些企业问题的实用分析方法。《SAS+R大数据行业应用案例分析》包含了六个不同领域的企业案例分析，基于SAS Studio和R编写所有代码，获得数据，这有益于所有读者在其各自的企业案例中实践和实现这些模型。

在第1章中，讨论关于分析的一般概要，分析在各个行业中的作用，以及一些流行的数据科学和分析工具。第2章描述分析在银行业中的作用，详细解释了基于SAS和R预测银行贷款违约的案例分析。第3章描述分析在零售行业中如何发挥作用，详细解释了基于SAS和R的预测案例分析。第4章描述分析如何重塑了电信行业，并详细解释了基于SAS和R预测客户流失的案例分析。第5章描述分析在医疗保健行业中的应用，清楚解释了基于SAS和R，预测良性、恶性乳腺肿瘤概率的案例分析。第6章描述分析在航空业中的作用，提供了基于SAS和R航班到达延误(分钟)的案例分析。第7章描述在快速消费品行业中分析的应用，详细解释了使用SAS和R，基于客户的购买历史进行客户细分的企业案例分析。

《SAS+R大数据行业应用案例分析》的目标读者

针对特定工业问题，希望通过使用实用分析方法实现机器学习技术的数据科学工作者。

对数据和统计学有很好的理论知识，希望通过实际接触数据建模提高技能的统计学家、工程师和研究人员。

了解数据挖掘，希望实现预测模型和机器学习技术的数据分析师。

精通编码，希望过渡到数据科学职业的开发人员。

学习内容

分析和数据理解的简介。

如何通过分析方法解决工业企业问题。

构建预测模型和机器学习技术的实践和实用知识。

构建分析策略。

目    录

第1章  各行业中的数据分析及其应用   1

1.1  数据分析是什么   1

1.1.1  数据采集   2

1.1.2  数据准备   3

1.1.3  数据分析   4

1.1.4  模型建立   4

1.1.5  结果   4

1.1.6  投入使用   4

1.2  分析的类型   5

1.3  了解数据及其类型   6

1.4  什么是大数据分析   6

1.4.1  大数据分析的挑战   7

1.4.2  数据分析和大数据工具   8

1.4.3  在各种行业中数据分析的作用   10

1.4.4  谁是分析竞争者   12

1.5  不同行业中的关键模型及其应用   12

1.6  小结   13

第2章  银行业案例分析   15

2.1  在银行部门中分析的应用   16

2.1.1  通过交叉销售和向上销售增加利润   16

2.1.2  最大限度地减少客户流失   17

2.1.3  增加获取客户的能力   17

2.1.4  预测银行贷款违约   18

2.1.5  预测欺诈活动   18

2.2 案例分析：使用逻辑回归模型预测银行贷款违约   20

2.2.1  逻辑回归方程   21

2.2.2  概率   21

2.2.3  逻辑回归曲线   22

2.2.4  逻辑回归假设   22

2.3  在逻辑回归模型中的各个自变量统计检验   24

2.3.1  逻辑回归   24

2.3.2  在逻辑回归模型中预测值的验证   25

2.4  基于R的逻辑回归模型   29

2.4.1  关于数据   29

2.4.2  执行数据探索   29

2.4.3  完全数据的建模与解释   34

2.4.4  训练数据和测试数据的模型构建及其解释   37

2.4.5  预测值验证   42

2.5  基于SAS的逻辑回归模型   45

2.6  小结   68

第3章  零售业案例分析   69

3.1  零售业中的供应链   69

3.2  零售商店的类型   70

3.3  零售行业中分析的作用   71

3.3.1  客户参与   71

3.3.2  供应链优化   72

3.3.3  价格优化   73

3.3.4  空间优化和分类组合规划   73

3.4  案例分析：使用SARIMA模型为Glen零售商提供销售预测   75

3.5  ARIMA建模的三个步骤   79

3.5.1  识别阶段   79

3.5.2  估计和诊断检查阶段   80

3.5.3  预测阶段   81

3.6  季节性ARIMA模型或SARIMA   81

3.7  评估时间序列模型的预测准确度   83

3.8  基于R的季节性ARIMA模型   84

3.8.1  关于数据   84

3.8.2  对时间序列数据执行数据探索   85

3.9  基于SAS的季节性ARIMA模型   99

3.10  小结   118

第4章  电信案例分析   119

4.1  电信网络的类型   119

4.2  在电信行业中分析的作用   120

4.2.1  预测客户流失   120

4.2.2  网络分析与优化   122

4.2.3  欺诈检测和预防   122

4.2.4  价格优化   123

4.3  案例分析：使用决策树模型预测客户流失   124

4.3.1  决策树的优点和局限性   124

4.3.2  处理决策树中的缺失值   125

4.3.3  处理决策树中的过拟合   125

4.3.4  决策树的工作原理   126

4.3.5  选择决策树最佳分割标准的量度   127

4.4  基于R的决策树模型   132

4.4.1  关于数据   132

4.4.2  执行数据探索   132

4.4.3  将数据集拆分成训练集和测试集   135

4.4.4  基于训练数据和测试数据构建和解释模型   136

4.5  基于SAS的决策树模型   144

4.5.1  完整数据的模型构建和解释   150

4.5.2  基于训练数据和测试数据的模型构建和解释   156

4.6  小结   163

第5章  医疗行业案例分析   165

5.1  医疗行业中分析的应用   167

5.1.1  预测疾病的暴发和预防性管理   168

5.1.2  预测患者的再住院率   168

5.1.3  医疗保健欺诈检测   169

5.1.4  改善患者的预后，降低成本   170

5.2  案例分析：使用随机森林模型预测恶性和良性乳腺肿瘤的概率   171

5.2.1  随机森林算法的工作机制   172

5.2.2  基于R的随机森林模型   177

5.2.3  基于SAS的随机森林模型   187

5.3  小结   204

第6章  航空公司案例分析   205

6.1  在航空业中分析的应用   207

6.1.1  个性化优惠和乘客体验   208

6.1.2  更安全的航行   209

6.1.3  航空欺诈检测   209

6.1.4  预测航班延误   210

6.2  案例分析：使用多元线性回归模型预测航班延误   211

6.2.1  多元线性回归方程   212

6.2.2  多元线性回归的假设及检查是否违反了模型假设   212

6.2.3  在多元线性回归模型中的变量选择   213

6.2.4  评估多元线性回归模型   214

6.3  基于R的多元线性回归模型   215

6.3.1  关于数据   215

6.3.2  执行数据探索   216

6.3.3  基于训练数据和测试数据进行模型构建和解释   222

6.4  基于SAS的多元线性回归模型   232

6.5  小结   260

第7章  快速消费品案例分析   261

7.1  FMCG行业中分析的应用   262

7.1.1  客户体验与参与   262

7.1.2  销售和营销   263

7.1.3  物流管理   263

7.1.4  降价优化   264

7.2  案例分析：使用RFM模型和k均值聚类进行客户细分   265

7.2.1  RFM模型概述   265

7.2.2  k均值聚类的概述   268

7.3  基于R的 RFM模型与k均值聚类   270

7.3.1  关于数据   271

7.3.2  执行数据探索   271

7.4  基于SAS的RFM模型与k均值聚类   289

7.5  小结   302

《SAS+R大数据行业应用案例分析 运用预测模型和机器学习技术》通过使用SAS和R分析语言实现预测模型和机器学习技术，检测业务问题并使用实用的分析方法来解决问题。 

对于那些精通编写代码并对统计有基本了解，但在实现预测模型和分析真实世界数据的机器学习技术方面经验有限的读者来说，是理想的选择。解决各行业问题最具挑战性的部分是建立和部署先进的预测模型和机器学习算法的理论和实践知识。

《SAS+R大数据行业应用案例分析 运用预测模型和机器学习技术》通过提高读者的分析技能来解决这些行业问题。

Deepti Gupta于2010年完成了运营研究中Finance & PGPM的MBA学位。她曾在毕马威和IBM私人有限公司担任数据科学工作者，目前为数据科学自由职业者。Deepti在预测性建模和机器学习方面具备丰富的经验，具有使用SAS和R的专业知识。Deepti制定了数据科学课程，提供数据科学培训，在企业和学术机构举办研讨会。她撰写了多篇博客和多本白皮书。Deepti热衷于指导新数据科学工作者。