读书笔记
第一章 数据挖掘基础
-
某知名连锁餐饮企业的困惑
实践情景设定:信息化后的餐饮连锁公司面对市场经济的挑战。 -
从餐饮服务到数据挖掘
企业目标:盈利
餐饮企业核心:菜品和顾客
历史性数据分析:- 推荐菜品可以提高销量,减少点餐时间和频率。提高用户体验
- 历史销售情况,考虑节假日、气候、竞争对手等因素的销售情况对菜品的销量预测以备提前准备材料。
- 菜品销售量定期统计,分类出好评和差评,为促销活动和新菜品推出做支持。
- 根据就餐习惯和消费金额对客户进行筛选出优质客户,提高服务水平。
-
数据挖掘的基本任务
基本任务包含:分类和预测、聚类分析、关联规则、时序模式、偏差检验、智能推荐等。从数据中提取商业价值。 -
数据挖掘建模过程
-
定义挖掘的目标
明确挖掘目标,明确完成效果。需要分析应用目标了解用户需求。
案例图片.png
所以可以取出一下目标:
- 菜品智能推荐。
- 客户细分和画像,了解不通需求,精准化营销。
- 菜品历史销售情况对物资的支持。
- 餐饮大数据的店址选择和口味分析。
-
数据取样
-
取样标准:相关性、可靠性、有效性。
-
不可忽视数据的质量问题,衡量数据质量的方式:
-
资料的完整无缺,指标项齐全。
-
数据的准确无误,为正常数据,不在异常指标状态的水平。
-
数据抽样的方式:
- 随机抽样
- 等距抽样
- 分层抽样
- 从起始顺序抽样
- 分类抽样
-
-
数据探索
对样本数据的提前探索和预处理是保证模型质量的重要条件。数据探索主要包括:异常值分析、缺失值分析、相关分析、周期性分析等。
-
数据预处理
采集数据过大的时候,怎么降维处理,怎么做缺失值处理都是使用数据预处理来完成的。采样的数据中同样会有噪声,不完整,不一致的数据也需要做预处理准备。
数据预处理主要包括:数据筛选、数据变量转换、缺失值处理、坏数据处理、数据标准化、主成分分析、属性选择、数据约规等。
-
挖掘建模
完成与处理后,思考问题:本次建模是属于数据挖掘中的哪一类(分类、聚类、关联规则、时序模式或者智能推荐),是要使用什么样的算法来构建模型?这一步是核心关键。
-
模型评价
从建模之后得出来一些分析结果,从而找到一个最好的模型。做出根据业务对模型的解释和应用。
-
网友评论