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任务菜单编排与SEMMA之间的关系 16
第2章 描述数据特征 18
2.1 认识数据类型 19
2.2 单变量描述统计方法 20
2.2.1 分类变量的描述 21
2.2.2 连续变量的描述 21
2.3 创建频数报表 31
2.4 生成汇总统计量 33
2.5 用汇总表任务生成汇总报表 35
2.6 绘制条形图 37
2.7 绘制地图 41
第3章 描述性数据分析/挖掘方法 45
3.1 客户细分方法介绍 46
3.1.1 客户细分的意义 46
3.1.2 根据客户利润贡献进行划分 47
3.1.3 根据个人或公司的生命历程进行划分 48
3.1.4 根据客户的产品偏好进行划分 49
3.1.5 根据客户交易/消费行为进行划分 50
3.1.6 根据客户的多维行为属性细分 51
3.1.7 展现客户/产品结构的战略细分 51
3.1.8 客户细分：综合运用 52
3.2 连续变量间关系探索与变量约减 52
3.2.1 多元统计基础 52
3.2.2 多元变量压缩的思路 56
3.2.3 主成分分析 58
3.2.4 因子分析 66
3.3 聚类分析 72
3.3.1 基本逻辑 74
3.3.2 系统聚类 74
3.3.3 快速聚类 81
第4章 预测性数据分析方法 87
4.1 构造对连续变量的预测模型 88
4.1.1 方差分析（ANOVA） 88
4.1.2 线性回归 99
4.1.3 线性回归的模型诊断 111
4.2 构造对二分类变量的预测模型 119
4.2.1 分类变量之间的相关性检验 119
4.2.2 逻辑回归 123
4.3 数据挖掘流程及示例 135
第5章 时间序列 143
5.1 认识时间序列和趋势分解法 144
5.2 平稳时间序列（ARMA）模型设定与识别 147
5.2.1 平稳时间序列定义 147
5.2.2 平稳时间序列模型建模 148
5.2.3 ARMA的模型设定与识别 148
5.3 非平稳时间序列（ARIMA）模型 152
5.4 时间序列建模步骤 153
附录A 数据说明 160
附录B CDA（注册数据分析师）致力于最好的数据分析人才建设 167
参考文献 171