SPSS＋finebi实现基于分类算法的理财产品顾客亏损及收益分析一

数据挖掘也称为知识挖掘，是人工智能和数据库领域研究的热点问题，所谓数据挖掘是指从数据库的大量数据中揭示出隐含的、先前未知的并有潜在价值的信息的过程。

更为通俗的说法，数据挖掘可以描述为：按行业既定业务目标，对大量的行业数据进行探索和分析，揭示隐藏的、未知的或验证已知的规律性，并进一步将其模型化的先进有效的方法。

应用涉及到的技术包括：数据库技术、人工智能技术、数理统计、可视化技术、并行计算等方面。

今天将通过IBM SPSS对理财产品顾客数据进行处理，然后通过finebi对处理的数据进行数据可视化分析。具体过程如下：

1.知识准备

首先，在进行数据挖掘时，我们先要了解什么是数据挖掘，数据挖掘给我们带来了什么？

从早期的统计学习、发展到联结主义的神经网络、直至深度神经网络的过程中，机器学习解决了企业应用的一些问题，辅助业务人员和管理人员做出更好的决策，在一些应用领域已经达到甚至超过人的智能水平，从而引发机器学习在金融、智能制造、零售、电子商务、电信等众多行业的广泛应用。通过本课程的学习，使学员可以初步了解机器学习的常用算法以及典型的应用领域，为更深入地学习高级机器学习以及实战打下基础。

当然数据挖掘和数据分析有显著区别：

据挖掘和数据分析都是从数据中提取一些有价值的信息，二者有很多联系，但是二者的侧重点和实现手法有所区分。 

数据挖掘和数据分析的不同之处： 

1、在应用工具上，数据挖掘一般要通过自己的编程来实现需要掌握编程语言；而数据分析更多的是借助现有的分析工具进行。 

2、在行业知识方面，数据分析要求对所从事的行业有比较深的了解和理解，并且能够将数据与自身的业务紧密结合起来；而数据挖掘不需要有太多的行业的专业知识。 

3、交叉学科方面，数据分析需要结合统计学、营销学、心理学以及金融、政治等方面进行综合分析；数据挖掘更多的是注重技术层面的结合以及数学和计算机的集合 

数据挖掘和数据分析的相似之处： 

1、数据挖掘和数据分析都是对数据进行分析、处理等操作进而得到有价值的知识。 

2、都需要懂统计学，懂数据处理一些常用的方法，对数据的敏感度比较好。 

3、数据挖掘和数据分析的联系越来越紧密，很多数据分析人员开始使用编程工具进行数据分析，如SAS、R、SPSS等。而数据挖掘人员在结果表达及分析方面也会借助数据分析的手段。二者的关系的界限变得越来越模糊。

2.数据准备

我们想找到与理财产品有关适合使用分类算法的数据进行数据挖掘和数据分析。什么是分类算法呢？就像我们为人所熟知的“买了面包业会买牛奶”，但是这个信息是从何而来的呢？我们需要加以佐证。

理财产品的数据来源于数据可视化工具帆软finebi，打开finebi，点击数据准备，找到银行金融数据，导出数据后，我们通过IBM SPSS对理财产品顾客数据进行数据挖掘，实现关联数据可视化。

其中关联数据分析的思路如下所示：