数据挖掘中常见的分析项目类型

1.目标用户的特征分析
在目标用户的典型特征分析钟，业务场景可以是试运营之前的虚拟特征探索，也可以是试运营之后来自真实运营数据基础上的分析、挖掘与提炼
虚拟特征探索：由于目标用户在真实的业务场景中还没有产生，并没有与真实业务环境一致的数据来源可以用于分析目标用户特点，因此只能通过简化、类比等方法寻找与真实业务环境相近的数据来源，然后进行模拟和探索，并从中发现一些可以借鉴和参考的目标用户特征，然后放到真实的业务环境中进行试运营，然后根据真实的效果反馈数据，修正我们的目标用户特征
2.目标用户的预测（响应、分类）模型
目标用户的预测（响应、分类）模型包括流失预警模型、付费预测模型、续费预测模型、运营活动响应模型等
响应模型的核心就是响应概率
预测（响应、分类）模型基于真实业务场景产生的数据进行搭建，主要的数据挖掘技术包括逻辑回归、决策树、神经网络、支持向量机等
响应模型包括普通响应模型和稀有事件响应模型，一般来说，如果响应比例低于1%，则判定为稀有事件响应模型，核心就是抽样，通过抽样技术认为放大分析数据样本里面的响应时间的比例，增加响应事件的浓度，从而在建模过程中更好的捕捉、你和其中自变量和因变量之间的关系
3.运营群体的活跃度定义
两个基本点：1.活跃度的组成指标应该是该业务场景中最核心的行为因素 2.衡量活跃度的定义合适与否的重要判断依据是其是否能有效回答业务需求的终极目标
活跃度的定义设计的统计技术：主成分分析、数据的标准化
主成分分析的主要目的：把多个核心行为指标转化为一个或者少数几个主成分，并最终转换成一个综合的分数，同时，取第一个主成分还是前几个主成分，主要是由主成分分析的特