SQL Server Analysis Services数据挖掘聚类分析职业、地区、餐饮消费水平数据

本文通过 SQL Server Analysis Services数据挖掘的分析模块,帮助客户对一个职业、地区、餐饮消费水平的数据挖掘,并用可视化分析图表显示数据。

由Kaizong Ye,Liao Bao撰写

该结果可为餐饮业的管理者提供决策依据,进而使餐饮企业获得更多利润。

同时,挖掘出与该职业相对应的地区及消费水平,可以为职业发展规划、餐饮市场的开拓提供有效依据。

准备工作:数据.xls 数据导入数据库中。

image.png
image.png
image.png

将表格命名

image.png

视频

KMEANS均值聚类和层次聚类:R语言分析生活幸福质量系数可视化实例

探索见解

去bilibili观看

探索更多视频

image.png

在相应数据库中找到对应的数据

image.png

商业智能项目

选择商业智能项目,analysis services项目,并选择目标文件夹

image.png

图片

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

阅读文章


在解决方案资源管理器中,右键单击数据源,选择新建数据源

image.png


随时关注您喜欢的主题


image.png

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

image.png
image.png

设置输入数据与键Id

image.png

设置训练集和测试集的百分比

image.png

点击部署模型

image.png

看到右下角 部署完成

image.png

查看结果

从聚类结果可以看到,聚类将所有用户分成了2个聚类结果。

image.png

从不同类别的依赖图可以看到,类别10、4、8、6、7、5之间具有较强的相关关系。说明这几个类别中的变量特征是类似的。下面可以具体看下每个类别中的各个属性的分布的比例。

另外一个聚类中,1、2、9为一个聚类簇,说明这几类别中的变量特征类似。

同时可以看到每个变量再每个类别中的分布情况

image.png

可以看到消费水平很低的样本主要分布在分类10中

image.png

从上图可以看到 餐饮消费水平较高的类别是1,2,9类别中。

下面可以看到各个分类的剖面图

1111.png

可以看到每个分类中各个level所占的比例。西餐主要分布在分类1、2中。拍档主要分布在分类6、10中。

年龄的分布也非常明显。大多数分布在26岁左右,分类10的样本年龄最大。同时可以看到分类1 和9 的收入最高,同时他们常去的餐厅类型为西餐。同时可以看到所在城市在分类3中主要是通辽和根河市。他们主要去的餐厅类型是中餐和排档。在分类9中,可以看到医生职业的样本主要去的也是中餐类型。分类1中可以看到,去西餐的样本主要是少了的医生。

image.png
image.png

然后可以看到总体的分类特征。最常去的餐厅类型为中餐,其次是西餐。年收入最多的区间是51900到67000之间。餐饮消费在10元到18元之间。样本的主要年龄段在20岁到25岁。所在城市主要为根河市,其次是乌兰浩特。样本的职业中,最多的是客服专员。

image.png

从每个类别的倾向程度来看,分类1中,主要的样本区的是西餐餐厅。每次的消费在20到30元之间。年收入在8万到12万之间,说明这些样本的收入较高。其中,行政主管所占的百分比较高。有少量的创意总监。

image.png

从每个类别的倾向程度来看,分类1中,主要的样本区的是西餐餐厅。他们所在的城市主要在鄂尔多斯。

从每个类别的倾向程度来看,分类3中,主要的样本收入在3万3到3万6之间。他们的职业主要是文案策划,常去的餐厅为非西餐餐厅。

image.png
image.png

从每个类别的倾向程度来看,分类4中,主要的样本区的是中餐餐厅。主要的职业为市场总监。

从每个类别的倾向程度来看,分类5中,主要的样本区的是中餐餐厅。 主要的职业为电工和电话销售以及教师。

image.png

从每个类别的倾向程度来看,分类6中,主要的样本去的是排挡餐厅。 主要的职业为学生和服务员及会计师。该群体大部分收入较低或者没有收入。因此每次的餐厅消费也较低。


可下载资源

关于作者

Kaizong Ye拓端研究室(TRL)的研究员。

本文借鉴了作者最近为《R语言数据分析挖掘必知必会 》课堂做的准备。

​非常感谢您阅读本文,如需帮助请联系我们!

 
QQ在线咨询
售前咨询热线
15121130882
售后咨询热线
0571-63341498

关注有关新文章的微信公众号


永远不要错过任何见解。当新文章发表时,我们会通过微信公众号向您推送。

技术干货

最新洞察

This will close in 0 seconds