第一章 数据分析概述：

数据分析介于BI和AI之间。

多维分析：每一个样本可能涉及到的多种属性。

警报：把数据作为摄像头，来检测每个周期的数据变化。如果出现了异常数据，则要为我的检测者做报告。

训练集和测试集：通过训练得到一系列数据，但是需要测试、评估它是不是最好的。

过采样：取值过少，可能需要更多抽样方法

业务理解---企业认知

数据理解

数据准备（探索--修改（数据清洗）--建模--评估--抽样--探索）

数据建模

建模评估→业务理解

模型发布

维度——数据中的每一列

警报——监测异常数据，并警报

1. 数据分析是一套分析流程，包括业务理解，数据采集，数据清洗，数据探索，数据可视化，数据建模，模型结果可视化，分析结果的业务应用等；它以探索数据内的有用信息为主要途径，以解决业务需求为最终目标。

2. 数据挖掘是一个跨学科的计算机科学分支，是一种计算过程；用人工智能，机器学习，统计学和数据库的交叉方法在相对较大型的数据集中发现模式

3. 数据分析的8个层次

 4.小数据与大数据关系

小数据重抽样，基于样本推断总体

大数据重全体，偏向于机器学习，侧重效率和优化

5. 数据分析的意义

数据分析涉及到公司运营的方方面面，其中客户与市场的数据分析是重点

6. 客户生命周期与数据分析的关系

潜在：发掘潜在客户--如何找到潜在客户

响应：客户获取，初始信用评分，客户价值预测

既得：客户细分，精准营销，行为信用评分，客户保留。。。

流失：流失时间判断，流失类型判断

7. 数据挖掘方法论

CRISP-DM 方法论将数据挖掘项目生命周期分为6个阶段：业务理解，数据理解，数据准备，建模，模型评估和模型发布

SEMMA方法论：数据挖掘项目实施的方法论，对CRISP方法论中的数据准备和建模环节进行了拓展。

挖掘阶段的任务