第1章 数据分析方法概述 1
1.1 数据分析概述 2
1.1.1 数据分析过程 2
1.1.2 数据分析的商业驱动 3
1.2 数据分析与挖掘方法分类介绍 5
1.2.1 描述性——无监督的学习 7
1.2.2 预测性——有监督的学习 10
1.3 数据分析的方法论 12
1.3.1 数据挖掘的项目管理方法论：CRISP-DM 13
1.3.2 数据整理与建模的方法论：SEMMA 14
1.3.3 SAS EG和SPSS任务菜单编排与SEMMA之间的关系 16
第2章 描述数据特征 19
2.1 认识数据类型 20
2.2 单变量描述统计方法 21
2.2.1 分类变量的描述 21
2.2.2 连续变量的描述 22
2.3 创建频数报表 35
2.4 生成汇总统计量 38
2.5 用汇总表任务生成汇总报表 41
2.6 绘制条形图 46
2.7 绘制地图 53
2.8 使用SPSS进行描述统计 55
2.8.1 频率过程 56
2.8.2 描述过程 57
2.8.3 探索过程 58
2.8.4 P-P图与Q-Q图 58
2.9 使用SPSS绘制统计图形 60
2.9.1 作图方法 60
2.9.2 饼图、柱图与条图 64
2.9.3 线图、高低图和双轴图 70
2.9.4 散点图 73
第3章 描述性数据分析/挖掘方法 75
3.1 客户细分方法介绍 76
3.1.1 客户细分的意义 76
3.1.2 根据客户利润贡献进行划分 77
3.1.3 根据个人或公司的生命历程进行划分 78
3.1.4 根据客户的产品偏好进行划分 79
3.1.5 根据客户交易/消费行为进行划分 80
3.1.6 根据客户的多维行为属性细分 81
3.1.7 展现客户/产品结构的战略细分 81
3.1.8 客户细分：综合运用 82
3.2 连续变量间关系探索与变量约减 82
3.2.1 多元统计基础 82
3.2.2 多元变量压缩的思路 87
3.2.3 主成分分析 89
3.2.4 因子分析 103
3.2.5 对应分析 112
3.2.6 最优尺度分析 119
3.2.7 多维尺度分析 124
3.3 聚类分析 133
3.3.1 基本逻辑 134
3.3.2 系统聚类 135
3.3.3 快速聚类 146
3.3.4 两步聚类 155
第4章 预测性数据分析方法 161
4.1 假设检验概念 162
4.1.1 统计推断基本概念 164
4.1.2 变量分布的图形探索 165
4.1.3 均值的置信区间 167
4.1.4 假设检验基础 168
4.1.5 T检验 169
4.2 构造对连续变量的预测模型 174
4.2.1 方差分析（ANOVA） 174
4.2.2 线性回归 190
4.2.3 线性回归的模型诊断 203
4.2.4 线性回归的全流程 211
4.3 构造对二分类变量的预测模型 217
4.3.1 分类变量之间的相关性检验 217
4.3.2 逻辑回归 224
第5章 时间序列 240
5.1 时间序列的趋势分解法 241
5.1.1 趋势分解法简介 241
5.2.2 使用SAS EG进行时间序列趋势分解 242
5.2.3 使用SPSS进行时间序列趋势分解 244
5.2 平稳时间序列（ARMA）模型设定与识别 245
5.2.1 平稳时间序列定义 245
5.2.2 平稳时间序列模型建模 246
5.2.3 ARMA的模型设定与识别 247
5.3 非平稳时间序列（ARIMA）模型设定与识别 250
5.4 SAS EG时间序列建模步骤 252
5.5 SPSS时间序列建模步骤 258
5.5.1 SPSS构造ARIMA模型使用的任务菜单 258
5.5.2 “定义日期”任务 260
5.5.3 “序列图”任务 261
5.5.4 “自相关”任务 262
5.5.5 “创建模型”任务 263
5.5.6 “使用模型”任务 267
5.5.7 其他内容 267
附录A数据说明 271
附录B CDA数据分析师致力于最好的数据分析人才建设 278
参考文献 282