COURSE OVERVIEW
把数据挖掘过程做成可理解、可调整、可复用的分析流
数据挖掘的价值不止在于生成一个模型，更在于能否围绕业务问题理解数据、处理质量问题、选择合适方法并判断模型是否值得应用。本课程以 CRISP-DM 为主线，把这些工作组织成一条清晰的可视化数据流。
学习将从数据源读取和字段定义开始，依次完成数据审核、缺失值处理、筛选转换、关系探索与模型构建；随后比较模型结果，进一步学习聚类、关联规则、序列检测及统计分析方法，为业务分析提供可解释的依据。
- 对数据挖掘、预测分析或 SPSS Modeler 感兴趣的业务与数据人员
- 希望从数据处理进入机器学习建模实践的数据分析人员
- 需要在客户、运营、风险或市场数据中发现模式和分群线索的学员
CRISP-DM WORKFLOW
按照 CRISP-DM 推进一次完整的数据挖掘项目
将业务目标、数据质量、建模结果和应用决策放在同一条可追踪的工作路径中。
明确业务问题、分析目标和可衡量的模型应用方向。
读取数据，识别字段类型、分布、缺失和质量风险。
选择、过滤、转换并导出数据，形成可用于建模的数据集。
使用分类、规则归纳、神经网络或聚类方法建立候选模型。
比较模型表现，回看变量关系与业务解释是否成立。
保存数据流与输出成果，为后续数据批次和业务场景复用。
PRACTICE FOCUS
围绕数据挖掘工作流，建立可落地的建模能力
从数据审核到模型比较，理解每一个节点在分析流中的作用与选择依据。
Modeler 环境与数据流
熟悉 C/S 架构、操作界面、节点面板和流的保存方式，建立可视化建模基础。
多源数据读取与字段定义
读取文本、SPSS 和数据库数据，理解字段类型、字段方向与数据角色。
数据审核与质量评估
用数据审核、分布图、直方图和统计节点发现缺失值、异常与变量分布。
筛选、转换与导出
使用选择、过滤、导出和自动生成操作节点，结合 Clem 表达式整理数据。
关系探索与模式发现
通过矩阵、网络图、散点图与统计节点，寻找字段之间的结构与关联。
建模、比较与解释
探索神经网络、规则归纳、聚类、关联规则与序列检测，比较模型表现。
FULL CURRICULUM
16课时课程安排
由挖掘方法论进入数据流构建、关系探索和模型实践，并延展至统计推断与深度分析思路。
UNIT 01
理解挖掘流程
明确方法论与 Modeler 环境
数据挖掘与 CRISP-DM
- 数据挖掘的基本概念与应用方向
- CRISP-DM 方法论与项目节奏
- 业务目标、数据与模型的关系
SPSS Modeler 基础
- C/S 架构与操作界面
- 可视化程序与节点使用基础
- 数据流保存与复用方式
UNIT 02
理解并整理数据
从数据源到可建模数据集
读取数据文件
- 可读取数据格式与数据源选择
- 文本、SPSS 与数据库数据读取
- 字段类型、字段方向与数据查看
数据理解与质量评估
- 缺失值定义与数据审核节点
- 分布图、直方图与统计节点
- 初步理解字符型与数值型字段分布
UNIT 03
构建探索型数据流
数据准备与关系发现
数据整理与 Clem 表达式
- Clem 语言与简单数据整理
- 选择、过滤与导出节点
- 自动生成操作节点的使用
寻找数据中的关系
- 矩阵、网络图与统计节点
- 散点图、直方图与探索视图
- 识别变量关系与模式线索
UNIT 04
建模与深度分析
比较模型，解释结果与应用边界
SPSS Modeler 建模技术
- 神经网络、规则归纳与模型比较
- 聚类分析、关联规则与序列检测
- 模型选择与业务解释的基本思路
统计推断与分析拓展
- 正态性、假设检验、T 检验与方差分析
- 非参数检验、相关与回归分析
- 判别分析、主成分分析与因子分析
LEARNING OUTCOMES
完成课程后，你能够独立搭建并解释一条基础数据挖掘流
按 CRISP-DM 组织任务
围绕业务目标建立数据理解、准备、建模、评估和应用的完整工作节奏。
接入并定义数据
读取文本、SPSS 和数据库数据，设置字段类型、方向与数据角色。
评估数据质量
借助数据审核、分布和统计节点识别缺失、异常和分布风险。
构建可复用数据流
完成选择、过滤、转换、导出等整理任务，并保存可持续使用的数据流。
探索数据关系与模式
结合矩阵、网络图、散点图与统计输出，定位变量关系和潜在结构。
比较模型并说明结论
使用神经网络、规则归纳、聚类和关联方法，比较模型并判断业务应用边界。
IBM SPSS MODELER PRACTICE
用可视化数据流连接业务问题、数据准备与模型结果
IBM SPSS Modeler 以 CRISP-DM 为框架，通过数据源、处理、输出和建模节点组成可保存、可复用的数据流。课程据此组织实战，让数据挖掘过程更透明、更便于沟通和迭代。
了解 IBM SPSS Modeler 如何以行业标准的数据挖掘流程支持预测建模和业务决策。
查看 IBM SPSS Modeler 文档START LEARNING
用 16 课时完成从数据理解到模型洞察的实战训练
适合希望将数据挖掘方法应用到客户分析、运营优化、风险识别和市场洞察场景的学员。