?p=32118

假如你有一个购物类的网站，那么你如何给你的客户来推荐产品呢？（ 点击文末"阅读原文"获取完整文档、数据 ）

相关视频

这个功能在很多电商类网站都有，那么，通过SQL Server Analysis Services的数据挖掘功能，你也可以轻松的来构建类似的功能。

将分为三个部分来演示如何实现这个功能。

此篇文章演示了如何帮助客户使用SQL Server Analysis Services基于此问题来构建简单的挖掘模型。

步骤

准备工作：数据.xls 数据导入数据库中。

在相应数据库中找到对应的数据

（1）打开visual studio，新建项目，选择商业智能项目，analysis services项目

将data-mining数据库中的数据导入数据源

在可用对象中，将要分析数据所在表添加到包含的对象中，继续下一步。

在解决方案资源管理器中，右键单击挖掘结构，选择新建挖掘结构。

选择microsoft 决策树，继续下一步

设置测试集和训练集

勾选允许钻取，完成。

然后对模型进行部署，继而进行挖掘（点击运行）

决策树模型

以下我们对电商购物网站的用户的信誉等级进行预测，使用其他用户的特征属性对其进行预测分类。建立如下的决策树模型。

从决策树模型的结果来看，

树一共有5个分支。其中重要节点分别为购物积分、家里人口数、居住面积、居住面积等。

点击标题查阅往期内容

PYTHON用户流失数据挖掘：建立逻辑回归、XGBOOST、随机森林、决策树、支持向量机、朴素贝叶斯和KMEANS聚类用户画像

左右滑动查看更多

从图中可以看到购物积分越高的用户，决策树得到的用户信誉等级越高。同时家里人口数越多，则信誉等级也越高。说明购物积分直接影响着信誉等级。一般购物次数越多则买家的信誉越高。同时家里人口数越多，则该用户在网上购物的开支越多。因此会导致网上购物越多，最后导致信誉增加。

然后可以看到依赖网络。依赖网络图是指预测变量和其他变量直接的依赖性。从图中可以看到在用户属性中，几个属性会影响信用等级，包括购物积分、次数、居住面积以及人口数量。

聚类

从聚类结果可以看到，聚类将所有用户分成了10个信用级别。

从不同类别的依赖图可以看到，类别10、4、8、5之间具有较强的相关关系。说明这几个类别中的信用级别是类似的。下面可以具体看下每个类别中的各个属性的分布的比例。

从上图可以看到不同类别的购物积分是不同的。

总的来看，相对来说，第4和7类别的购物积分最小的，其他几个类别中积分较高，因此可以认为这些类别中的用户的信用级别较高。同时可以看到这些类别的其他信息，这类用户的月收入较低，购物次数也较小。同时可以看到，这类用户大多的交易成功也较少。另一方面，可以看到低购物积分用户中，家庭人口数也较小。

从每个类别的倾向程度来看，购物总次数多的用户交易成功次数也高。从另一方面来看，月收入较高的用户，倾向于是非分类1的用户，也就是它们的信用等级较好。同时可以看到，户交易成功次数多喝购物积分高的用户倾向于非分类1的用户。说明用户的信用等级相对较高。另一方面，可以看到拥有房屋的用户的交易成功次数电商网站购物次数反而低于没有房屋的用户，可能是因为没有房屋的用户年龄段较低，因此更倾向于网络购物。

然后建立关联规则挖掘模型

运行关联规则，得到以下重要的关联规则

关联规则就是发现数据集中相互有关联的项目。它已经成为数据挖掘领域中具有重要影响的一种算法。也是数据挖掘领域的一个重要分支。最近几年已经被广泛的应用。在电子商务领域，关联规则技术主要用于物品链接页面等的推荐，它只需要购物记录的数据即可，而不需要过多的商品信息，通过关联规则可以发现用户的一些常见的购物模式和购物规律。找出用户通常会一起购买的商品。从而对用户进行推荐和挖掘。