基于IBM SPSS Modeler 14.2的数据挖掘

基于IBM SPSS Modeler14.2的数据挖掘
对某公司销售记录进行分析。

该公司在2012.7.13-2010.8.17进行了发放优惠劵活动，产生了1291条记录，9个字段，每个字段的意义如表1所示。

数据可以到下面地址下载：http://61.129.34.202/BIweb/eBay_business_case_v3.0.xlsx。

表1 记录中字段的意义
字段名字段类型字段意义
Cmpgn_name 标志活动名，均为Coupon campaign name
Control_yn 标志购买者类型: 控制:'c', 测试:'t'
Redeemer_YN 标志是否为重复购买者: 是:'y', 否:'n'
USER_ID 连续购买者ID
Gender 名义购买者性别: 女:'F',男:'M', 未知:'U'
sge 连续购买者年龄, age=-99 意味着信息丢失
CK_DATE 连续购买日期
BUY_QTY 连续购买商品数量
GMB 连续购买金额(美元)
下面利用IBM SPSS Modeler 14.2进行决策树、聚类分析、关联分析和回归分析。

（1）决策树分析
启动IBM SPSS Modeler 14.2，导入文件。

在工作平台上，添加一个Excel源节点。

双击该节点，文件类型设为“Excel 2007,2010（*.xlsx）”,导入文件为源Excel文件的路径，按名称DATA选择工作表，其他默认设置，如图15.87所示。

图15.87 导入文件
查看源数据。

添加一个“表”节点，运行该表节点。

如图15.88所示，共有9个字段，1291条记录。

图15.88源数据
下面首先利用C5.0算法进行决策树分析，探讨客户的年龄、性别、单次购买量、单次购买金额与购买者是否重复购物的关系。

添加“类型”节点。

在数据源节点后添加一个类型节点，把gender、age、BUY_QTY和GMB的角色设为数据流的输入，redeemer_yn的角色设为目标，其他的角色设为无，如图15.89所示。

图15.89 字段类型设置
添加C5.0节点，双击C5.0节点，采用默认设置。

如图15.90所示。

图15.90 C5.0节点设置
点击图15.90中的“运行”按钮，生成C5.0模型，右键浏览，如图15.91所示。

可以看到生成的决策树，从中可以转化为一些规则，例如当GMB<=19时，购买者不是重复购买者。

但是从业务角度来讲，更加关注哪些客户是重新购买者。

可以看出，当每次购买金额GMB
超过19，且年龄在61且性别为男或未知时，顾客为重复购买者。

图15.91 C5.0决策树
预测变量重要性的情况如图15.92所示，可以看到年龄、GMB、gender、BUY_QTY对建
模的影响是逐渐降低的。

图15.92 预测变量重要性
在生成模型之后添加一个分析节点，运行可以得到图15.93所示的结果。

可以看出，决策树的正确率为95.35%。

图15.93 分析决策树模型的质量
（2）聚类分析
下面再利用两步聚类算法对源数据进行分析，选择购买者的年龄、性别、单次购买量、购买金额、是否为重复购买者等字段作为聚类的属性。

在数据源节点后添加一个类型节点，把redeemer_yn、gender、age、BUY_QTY和GMB 的角色设置为输入，其他字段的角色设为无，如图15.94所示。

图15.94 类型节点设置
在类型节点后添加一个“两步”节点，双击该节点，如图15.95所示，采用默认设置。

图15.95 两步节点设置
点击图15.9中的“运行”按钮，生成两步模型，右键浏览该模型。

两步模型的概要和聚类质量如图15.96所示，聚类质量比较好（值为0.7）。

图15.96 模型概要和聚类质量
两步聚类算法得到的4个聚类所占总记录的百分比为44.0%、43.0%、9.3%和3.7%，最大聚类与最小聚类的比值为11.83，如图15.97所示。

图15.97 两步模型聚类大小
两步模型各个字段的重要性如图15.98所示，其中每个字段重要性如下：Redeemer（1.0）、gender（0.96）、BUY_QTY（0.54）、GMB（0.09）和age（0.02）。

图 15.98 预测变量重要性
图15.99显示了聚类结果的详细信息，不仅可以看到每个聚类的大小，也能够看到每个字段对聚类的作用。

图15.99 聚类结果
（3）关联分析
下面利用Apriori算法对购买者的年龄、性别以及是否为重复购买者进行关联分析。

在数据源节点之后，添加一个“类型”节点，把redeemer_yn、gender和age的角色设置为两者，其他字段设为无，如图15.100所示。

图15.100 字段类型角色设置
在源数据中，存在着性别不确定的记录，对gender取值不确定的记录进行清除。

在字段节点后添加一个“选择”节点，双击该节点，选择模式为“丢弃”，条件设置为gender=‘U’，如图15.101所示。

图15.101 选择节点设置
添加一个Apriori节点，双击该节点，设置最低支持度为5.0最小规则置信度为10.0，最大前项数为5，其他采用默认设置，如图15.102。

图15.102 Apriori节点设置
点击图15.102中的“运行”按钮，生成Apriori模型，右键浏览，如图15.103所示。

可以看到，当redeemer_yn为‘y‘时，gender=M的支持度为9.373，置信度为63.636。

当redeemer_yn为‘y’时，gender=F的支持度为9.373，置信度为36.364。

当gender=M时，redeemer_yn为‘y’的支持度为51.278，置信度为11.631。

图15.103 生成关联规则
（4）回归分析
回归分析使用的数据为某企业销售数据，共1168个记录，包含BUY_QTY_Sum、BUY_QTY_Mean、GMB_Sum、GMB_Mean、Record_Count、redeemer_yn、gender、age等字段，分别表示客户购买商品总数量、客户单次购买商品平均数量、客户购买商品总金额、客户单次购买商品平均金额、客户购买次数、客户是否为重复购买者、客户性别和客户年龄。

下面利用IBM SPSS Modeler14.2分别进行线性回归和Logistic回归分析。

回归分析主要
挖掘客户相关数据与GMB_Sum（客户购买商品总金额）之间的关系。

客户相关数据包括age (客户的年龄)、gender (性别)、BUY_QTY_Sum (客户购买商品总数量)、BUY_QTY_Mean （客户单次购买商品平均数量）、GMB_Mean（客户单次购买商品平均金额），如图15.104所示。

图15.104 回归分析字段角色设置
预处理后的数据可到http://61.129.34.202/BIweb/syjj.htm下载，回归分析的数据流如图15.105所示。

图15.105 回归分析的数据流
（1）预测变量重要性。

回归分析模型预测变量的重要性如图15.106所示，其中GMB_Mean重要性的值为0.86，BUY_QTY_Sum重要性值为0.14，其余变量对GMB_Sum 影响不大。

图15.106 预测变量重要性
（2）回归方程如图15.107所示。

图15.107 回归方程
（3）模型概要。

从图15.108中可以看出，R方检验值为0.845，调整后的R方检验值为0.845，标准误差为101.426689。

回归分析建立的模型质量可以接受。

图15.108 模型概要
（4）系数分析。

图15.109为模型的系数分析，根据显著性可以知道，除age变量没通过显著性检验外，其他自变量均符合要求，且age变量对模型重要性较低。

因此，可以得到回归分析得到的模型质量是较好的。

图15.109 模型系数分析
（5）回归模型分析。

利用分析节点对回归模型分析的结果如图15.110所示。

可以看出，线性相关度为0.919。

本次分析的数据量较大，误差值域为[-678.294，2817.485]）也是可以接受的。

图15.110 回归模型分析
Logistic回归分析主要分析客户是否重复购买redeemer_yn与客户相关数据的关系。

客户的相关数据包括gender、age、BUY_QTY_Sum和GMB_Sum，如图15.111所示。

图15.111 Logistic回归分析变量角色设置
Logistics回归分析的数据流与回归分析相似，如图15.112所示。

图15.112 Logistics回归分析数据流程
Logistic回归分析预测变量重要性如图15.113所示。

变量的重要性由BUY_QTY_Sum、GMB_Sum、gender和age逐渐递减，重要性的值为分别为0.56、0.17、0.16和0.11。

图15.113 预测变量重要性
得到的Logistic回归方程如图15.114所示。

图15.114 Logistic回归方程
图15.115为Logistic回归模型的记录处理汇总信息。

可以看到，记录中的重复购买者数量为11，占总数的9%，非重复购买者数量为1157，男客户数量为585，占总数50.1%等信息。

图15.115 记录处理汇总
从图15.116所示的模型拟合信息可见，模型的显著性值为0.000<0.005，通过显著性检验。

图15.116 模型拟合信息
准判定系数是因变量变异的比例，Cox and Snell、Nagelkerke和Mcfadden等参数分别为0.078、0.775、0.765，如图15.117所示。

可见除Cox and Snell外，其他两个参数值是较大的，即Logistic回归分析的模型质量较好。

图15.117准判定系数
参数分析主要分析各个参数的质量，如图15.118。

其中B是指回归系数β的假设检验，
Std.Error是各个字段的标准差，Wald是参数的Wald检验值，主要是检验方程显著性水平，Sig为显著性水平。

可以看到，常量（Intercept）、BUY_QTY_Sum和GMB_Sum的显著性值均小于0.05，age的显著性值为0.170，[gender=F]显著性值为0.358。

尽管以上两个参数的显著性大于0.05，但是根据预测变量重要性可以，这两个参数在模型建模中较为不重要。

因此， Logistic回归模型模拟质量是可以接受的。

图15.118 参数分析
利用分析节点对模型分析得到的结果如图15.119。

可以看出，Logistic回归分析模型与能够准确预测1163条记录，预测错误的记录有5条，准确率达99.57%。

图15.119 模型分析
最后，再利用RFM模型分析用户购买的情况，为目标营销提供决策支持。

RFM模型是一种根据顾客在某段时间内购买情况，确定顾客价值的方法。

其中R(recency)表示顾客最近一次购买的时间（距某个时间点），F(frequency)表示顾客在最近一段时间内购物的频率，M (monetary)表示顾客在最近一段时间内购物的金额。

下面采用IBM SPSS Modeler 14.2中的RFM模型，对顾客数据（下载地址http://61.129.34.202/BIweb/eBay_business_case_v3.0.xlsx）进行分析，找出目标营销顾客。

在此基础上，采用k-means方法进行聚类，分析每类顾客的特点。

首先读入数据，选择用户标签（user_id）、购买日期（CK_DATE）和购买额（GMB）作为分析字段。

转换日期格式，添加一个填充节点，把CK_DATE字段转为data类型，如图15.120所示。

图15.120 转换日期类型
添加一个RFM汇总节点，如图15.121所示进行设置。

在RFM汇总节点后添加一个表节点，如图15.122所示。

图15.122 查看RFM汇总信息
选择RFM分析节点。

本次分析的数据时间间隔较短，这里把频数、顾客的消费金额的权
重设置大些：近因、频数和货币的权重分别设置为10.0,40.0和20.0，如图15.123所示。

图15.123 RFM分析设置
在RFM节点后添加一个表节点，结果如图15.124所示，得到每一个顾客的近因、频数和货币得分，计算加权求和得到RFM得分。

根据近因、频数和货币得分的情况，可以看出当客户在分析时间范围内重复购买时，顾客的频数得分较高；近因得分和货币得分与顾客最近一次购买时间和购买金额相关。

根据RFM得分情况，可以把得分比较高的一些顾客作为目标
营销的对象。

图15.124 RFM分析结果
进一步地，把顾客的基本信息（年龄、性别等）以及由RFM分析得到的近因得分、频数得分、货币得分等作为k-means聚类算法的输入，如图15.125所示。

图15.125 设置k-means聚类角色
k-means聚类的结果如图15.126所示。

可以看出，对于聚类1，货币得分为5、性别为男（M）、频数得分为1和近因得分为5，分别占该聚类总数的61.3%、100%、77.9%和35.7%，年龄均值为44.21。

其他类别也可以进行类似的分析。

可以对不同类别的顾客进行不同的促
销活动。

图15.126 k-means聚类分析上述数据挖掘的数据流如图15.127所示。

图15.127 数据流。