聚类分析案例 聚类分析案例分析题

数据挖掘培训有哪些课程

变量间彼此

1、数据仓库原理及联机分析技术介绍数据仓库结构体系，数据仓库数据模型数据抽取、转换和装载，元数据管理OLAP概念及其数据模型

聚类分析案例 聚类分析案例分析题

聚类分析案例 聚类分析案例分析题

数据的显示

3、基于数据仓库的决策支持系统

基于数据仓库的查询与报表分析与原因分析实时决策与预测未来

自动决策及其应用介绍

4、数据仓库案例剖析统计业数据仓库系统沃尔玛数据仓库系统

5、数据挖掘与知识发现数据挖掘的任务与对象数据挖掘方法数据挖掘相关技术

6、关联分析算法（8）引擎及其案例关联规则的分类Aprior算法详解从频繁项集产生关联规则基于Climentine的购物篮实例分析

7、聚类分析算法及其案例，聚类分析的概念主要的聚类方法K-means算法详解基于Climen4、个性化营销tine的用户数据聚类实例

8、其它数据挖掘算法介绍决策树算法、神经网络算法。

聚类分析的定义

聚类分析主要应用于探索性的研究，其分析的结果可以提供多个可能的解，选择最终的解需要研究者的主观判断和后续的分析； 不管实际数据中是否真正存在不同的类别，利用聚类分析都能得到分成若干类别的解； 聚类分析的解完全依赖于研究者所选择的聚类变量，增加或删除一些变量对最终的解都可能产生实质性的影响。

依据研究对象（样品或指标）的特征，对其进行分类的方法，减少研究对象的数目。

各类事物R作为一门编程语言在以下三个方面具有很强的优势：数据处理，统计和数据可视化。和其他数据分析工具不同的是，它是由统计学家开发的，它是免费的软件，并且可以通过用户开发的包进行扩展，目前大约有2000多个包在CRAN中。缺乏可靠的历史资料，无法确定共有多少类别，目的是将性质相近事物归入一类。

各指标之间具有一定的相关关系。

聚类分析(cluster ysis)是一组将研究对象分为相对同质的群组(clusters)的统计分析技术。

聚类分析区别于分类分析(classification ysis) ，后者是有监督的学习。

变量类型：定类变量、定量（离散和连续）变量 1,层次聚类（Hierarchical Clustering）

合并法、分解法、树状图

2. 非层次聚类

划分聚类、谱聚类

聚类方法特征： 聚类分析简单、直观。

研究者在使用聚类分析时应特别注意可能影响结果的各个因素。

异常值和特殊的变量对聚类有较大影响当分类变量的测量尺度不一致时，需要事先做标准化处理。

当然，聚类分析不能做的事情是：自动发现和告诉你应该分成多少个类——属于非监督类分析方法

期望能很清楚的找到大致相等的类或细分市场是不现实的；

样本聚类，变量之间的关系需要研究者决定；

不会自动给出一个聚类结果；

我这里提到的聚类分析主要是谱系聚类（hierarchical clustering）和快速聚类（K-means）、两阶段聚类（Two-Step）；

根据聚类变量得到的描述两个个体间（或变量间）的对应程度或联系紧密程度的度量。

2、采用表示相似程度的指标，例如“相关系数”，“相关系数”越大的个体（变量）越具有相似性。

计算聚类——距离指标D(distance)的方法非常多：按照数据的不同性质，可选用不同的距离指标。

欧氏距离(Euclidean distance)、欧氏距离的平方(Squared Euclidean distance)、曼哈顿距离(Block)、切比雪夫距离(Chebychev distance)、卡方距离(Chi-Square measure) 等；相似性也有不少，主要是皮尔逊相关系数了！ 聚类变量的测量尺度不同，需要事先对变量标准化； 聚类变量中如果有些变量非常相关，意味着这个变量的权重会更大 欧式距离的平方是最常用的距离测量方法； 聚类算法要比距离测量方法对聚类结果影响更大； 标准化方法影响聚类模式： 变量标准化倾向产生基于数量的聚类； 样本标准化倾向产生基于模式的聚类； 一般聚类个数在4－6类，不易太多，或太少； 群重心

群中心

群间距离 定义问题与选择分类变量

聚类方法

确定群组数目

聚类结果评估

结果的描述、解释 属于非层次聚类法的一种

（1）执行过程

初始化：选择（或人为指定）某些记录作为凝聚点

循环：

按就近原则将其余记录向凝聚点凝集

计算出各个初始分类的中心位置（均值）

用计算出的中心位置重新进行聚类

如此反复循环，直到凝聚点位置收敛为止

（2）方法特点

通常要求已知类别数

可人为指定初始位置

节省在选项里选择“每个个案的聚类信息”，就会把聚类结果追加到后面了。运算时间

只能使用连续性变量 特点：

处理对象：分类变量和连续变量

自动决定分类数

快速处理大数据集

前提设：

分类变量服从多项分布，连续变量服从正态分布

第二步，对步中各类依据类间距离进行合并，按一定的标准，停止合并

判别分析 Discriminant Analysis

分类学是人类认识世界的基础科学。

判别分析DA

概述

DA模型

DA有关的统计量

两组DA

案例分析

判别分析

判别分析是根据表明事物特点的变量值和它们所属的类，求出判别函数。

根据判别函数对未知所属类别的事物进行分类的一种分析方法。

核心是考察类别之间的异。

判别分析

不同：判别分析和聚类分析不同的在于判别分析要求已知一系列反映事物特征的数值变量的值，并且已知各个体的分类。

DA适用于定类变量（因）、任意变量（自）

两类：一个判别函数；

多组：一个以上判别函数

DA目的

建立判别函数

检查不同组之间在有关预测变量方面是否有显著异

决定哪个预测变量对组间异的贡献

根据预测变量对个体进行分类

科普文：银行业9大数据科学应用案例解析！

8、引擎

在银行业中使用数据科学不仅仅是一种趋势，它已成为保持竞争的必要条件。 银行必须认识到，大数据技术可以帮助他们有效地集中资源，做出更明智的决策并提高绩效。

以下我们罗列银行业使用的数据科学用例清单，让您了解如何处理大量数据以及如何有效使用数据。

（1）欺诈识别

（2）管理

（3）投资银行的风险建模

（5）终身价值预测

（7）客户细分

（9）客户支持

（10）结论

1、欺诈识别

机器学习对于有效检测和防范涉及，会计，保险等的欺诈行为至关重要。 银行业务中的主动欺诈检测对于为客户和员工提供安全性至关重要。 银行越早检测到欺诈行为，其越快可以限制帐户活动以减少损失。 通过实施一系列4、主成分分析，有几个变量就至少有几个成分，一般只提取能解释80%以上的成分；因子分析，有几个变量不一定有几个公共因子，因为这里的因子是公因子，潜在的存在与每一个变量中，需要从每一个变量中去分解，无法解释的部分是特殊因子。的欺诈检测方案，银行可以实现必要的保护并避免重大损失。

欺诈检测的关键步骤包括：

获取数据样本进行模型估计和初步测试 模型估计 测试阶段和部署。

由于每个数据集都不同，每个数据集都需要由数据科学家进行个别训练和微调。 将深厚的理论知识转化为实际应用需要数据挖掘技术方面的专业知识，如关联，聚类，预测和分类。

高效欺诈检测的一个例子是，当一些异常高的交易发生时，银行的欺诈预防系统被设置为暂停，直到账户持有人确认交易。对于新帐户，欺诈检测算法可以调查非常高的热门项目购买量，或者在短时间内使用类似数据打开多个帐户。

2、管理

银行有义务收集，分析和存储大量数据。但是，机器学习和数据科学工具不是将其视为合规性练习，而是将其转化为更多地了解其客户以推动新的收入机会的可能性。

如今，数字银行越来越受欢迎并被广泛使用。这创建了TB级的，因此数据科学家团队的步是分离真正相关的数据。之后，通过准确的机器学习模型帮助数据专家掌握有关客户行3）使用SPSS变换数据结构——转置和重组。为，交互和偏好的信息，可以通过隔离和处理这些最相关的客户信息来改善商业决策，从而为银行创造新的收入机会。

3、投资银行的风险建模

风险建模对投资银行来说是一个高度优先考虑的问题，因为它有助于规范金融活动，并在定价金融工具时发挥最重要的作用。投资银行评估公司在企业融资中创造资本，促进兼并和收购，进行公司重组或重组以及用于投资目的的价值。

这就是为什么风险模型对于银行来说显得非常重要，是通过掌握更多信息和储备数据科学工具来评估。现在，通过大数据的力量，行业内的创新者正在利用新技术进行有效的风险建模，从而实现更好的数据驱动型决策。

市场营销成功的关键在于制定适合特定客户需求和偏好的定制化报价。数据分析使我们能够创建个性化营销，在适当的时间在正确的设备上为合适的人员提供合适的产品。数据挖掘广泛用于目标选择，以识别新产品的潜在客户。

5、终身价值预测

客户生命周期价值(CLV)预测了企业从与客户的整个关系中获得的所有价值。 这项措施的重要性正在快速增长，因为它有助于创建和维持与特定客户的有利关系，从而创造更高的盈利能力和业务增长。

获得和维系有利可图的客户对银行来说是一个不断增长的挑战。 随着竞争越来越激烈，银行现在需要360度全方位了解每位客户，以便有效地集中资源。 这就是数据科学进入的地方。首先，必须考虑大量数据：如客户获得和流失的概念，各种银行产品和服务的使用，数量和盈利能力以及其他客户的特点 如地理，人口和市场数据。

这些数据通常需要大量清洗和作才能变得可用和有意义。 银行客户的概况，产品或服务异很大，他们的行为和期望也不尽相同。 数据科学家的工具中有许多工具和方法来开发CLV模型，如广义线性模型(GLM)，逐步回归，分类和回归树(CART)。 建立一个预测模型，以确定基于CLV的未来营销策略，这对于在每个客户的一生中与该公司保持良好的客户关系，实现更高的盈利能力和增长是具有非常有价值的过程。

6、实时和预测分析

分析在银行业中的重要性不可低估。机器学习算法和数据科学技术可以显着改善银行的分析策略，因为银行业务的每个使用案例都与分析密切相关。随着信息的可用性和多样性迅速增加，分析变得更加复杂和准确。

可用信息的潜在价值非常惊人：指示实际信号的有意义的数据量(不仅仅是噪声)在过去几年呈指数级增长，而数据处理器的成本和规模一直在下降。区分真正相关的数据和噪音有助于有效解决问题和制定更明智的战略决策。实时分析有助于了解阻碍业务的问题，而预测分析有助于选择正确的技术来解决问题。通过将分析整合到银行工作流程中，可以实现更好的结果，以提前避免潜在的问题。

7、客户细分

客户细分意味着根据他们的行为(对于行为分割)或特定特征(例如区域，年龄，对于人口统计学分割的收入)挑选出一组客户。数据科学家的一系列技术如聚类，决策树，逻辑回归等等，因此它们有助于了解每个客户群的CLV并发现高价值和低价值的细分市场。

没有必要证明客户的这种细分允许有效地分配营销资源，并且为每个客户群提供基于点的方法的化以及销售机会。不要忘记，客户细分旨在改善，并帮助客户忠诚和留住客户，这对银行业是非常必要的。

数据科学和机器学习工具可以创建简单的算法，分析和过滤用户的活动，以便向他建议最相关和准确的项目。这种引擎即使在他自己搜索它之前也会显示可能感兴趣的项目。要构建引擎，数据专家需要分析和处理大量信息，识别客户配置文件，并捕获显示其交互的数据以避免重复提供。

引擎的类型取决于算法的过滤方法。协同过滤方法既可以是基于用户的，也可以是基于项目的，并且可以与用户行为一起分析其他用户的偏好，然后向新用户提出建议。

协同过滤方法面临的主要挑战是使用大量数据，导致计算问题和价格上涨。基于内容的过滤与更简单的算法一起工作，其与用户参考先前活动的项目相似的项目。如果行为复杂或连接不清，这些方法可能会失败。还有一种混合类型的引擎，结合了协作和基于内容的过滤。

没有任何方法是普适的，它们每个都有一些优点和缺点，正确的选择取决于你的目标和情况。

9、客户支持

杰出的客户支持服务是保持与客户长期有效关系的关键。作为的一部分，客户支持是银行业中一个重要但广泛的概念。实质上，所有银行都是基于服务的业务，因此他们的大部分活动都涉及服务元素。它包括全面及时地回应客户的问题和投诉，并与客户互动。

数据科学使这一过程更好地实现了自动化，更准确，个性化，直接和高效，并且降低了员工时间成本。

结论

为了获得竞争优势，银行必须承认数据科学的重要性，将其融入决策过程，并根据中获得可作的见解制定战略。 从小型可管理的步骤开始，将大数据分析整合到您的运营模式中，并领先于竞争对手。

由于这种快速发展的数据科学领域以及将机器学习模型应用于实际数据的能力，因此可以每天扩展此用例列表，从而获得更多更准确的结果。

spss如何对4个样本10个变量做聚类分析，分成几类变量，和几个样本？或者应该用因子分析，主成分分析？

2R如何与其他工具和语言进行交互？

要样本量大于100时有必要考虑求是最少二十个样本，十个变量。

数据科学家利用行为，人口统计和历史购买数据建立一个模型，预测客户对促销或优惠的反应概率。因此，银行可以进行高效，个性化的宣传并改善与客户的关系。

2、这两种分析法得出的新变量，也就是成分或者因子，并不是原始变量筛选或者提出后剩余的变量。

3、因子分析只能解释部分变异（指公共因子），主成分分析能解释所有变异（如果提取了所有成分）。

5、spss因子分析过程对各变量间量纲和单位造成的影响，默认自动进行标准化处理，因此不必要在开始之前单独进行数据标准化处理，因为，标准化与否结果一致。

6、spss因子分析重要结果：KMO值，此值是否进行计算与变量个数、样本个数有关，不一定会在每次执行中都显示，如没有此结果，可通过调整变量和样本的比例实现。

聚类分析结果图怎么看

4）常用的描述性统计分析功能。频率过程、描述过企业需求: 探索影响企业效率的因素，并进一步预测企业效率。程、探索过程。

如何在云数仓中实现实时数据分析？

1、第二就是可以使用流处理技术将数据实时收集、处理、存储，并提供实时查询和可视化分析功能，数据仓库和ETL工具将数据从各个系统中抽取、转换、加载到数据仓库中，然后使用数据分析工具对数据进行实时查询和分析。

3、将数据库中的数据经过抽取、清洗、转换将分散、零乱、标准不统一的数据整合到一起，通过在分析数据库中建模数据来提高查询性能。

4、时间增量在非实时数仓使用得比较多，一般采用的是DELETE--INSERT--EXCEPTION(ROLLBACK)的方式运行，保持数据执行的幂等性。数据批量产生批量插入更新，逻辑简单，但缺点是可能会涉及到大量未更新数据的处理。

要用SPS对于第二个问题，他们使用最小角度回归方法建立逻辑回归模型（lars包），根据三个类别的行为发现用户三个月的活动：(1)用户被其他用户访问的频率；（2）第三方应用程序使用的频率；（3）即将访问该站点的用户。S聚类分析等等的小论文,不知道怎么说明做出的结果(树状图),解释...

1、【分析】-【分类】-【k-平均值聚类】，进行相关参数的设置。结果显示：spss从中挑选了几个个例，5个聚类中心选择了5个原始案例。针对存在的问题，进行相关参数的设置，增加迭代次数。

2、聚类类别不是的，建议可以单独画一条垂直线，然后对应查看分成几个类别，以及每个类别与分析项的对应关系。如果分成3个类别：第1个类别对应分析项8；第2个类别对应分析项5，3，7；第3个类别对应分析项1，6，2，4。

3、这是层次聚类（SPSS里面也叫系统聚类）结果图，是树状的层次，横着的5，10，1.等等表示类之间的距离，折线表示类的合并过程：你可以选择任意个聚类结果，或者按照类间距离限制得到聚类结果。

4、SPSS聚类分析提供两种类别图形的输出，种是软件默认的“冰柱图”，形状类似于冬天屋檐上垂下的冰柱，因此得名。第二种是“树状图”，在新版本软件中也称谱系图，像一个横着生长的树。

spss软件聚类分析怎么用,从输入数据到结果,树状图结果。整个作怎么...

【分析】-【分类】-【k-平均值聚类】，进行相关参数的设置。结果显示：spss从中挑选了几个个例，5个聚类中心选择了5个原始案例。针对存在的问题，进行相关参数的设置，增加迭代次数。

所以聚类分析后一般需要方分析，这个建议你可以使用在线版本的SPSS软件SPSSAU进行分析，里面直接就把所有步骤帮你做了，还有图表，直接就知道群体如何分类了。利用分类数据用于进一步分析使用。

数据分析师都需要学什么课程

数据分析师需要学习以下几个方面的课程：

（1）数据管理。

a、数据获取。

企业需求:数据库访问、外部数据文件读入

b、数据管理。

企业需求:对大型数据进行编码、清理、转换。

案例分析:使用银行信用违约信息文件spss相应过程。

1）数据的选择、合并与拆分、检查异常值。

2）新变量生成，SPSS函数。

企业需求:对企业级数据进行探索，主要涉及图形的使用。spss报表输出。

案例分析:企业绩效文件，如何生成美观清晰的报告。

1）制作报表前对变量的检查

2）制作报表Itamar Rosenn, Facebook的中对不同类型的数据处理

3） 报表生成功能与其他选项的区别

（2）数据处理

a、相关与异分析。

案例分析:产品合格率的相关与异分析。

b、线性预测。

案例分析:产品合格率的影响因素及其预测分析。

c、因子分析。

企业需求: 需要抽取影响企业效率的主要因素，进行重点投资

案例分析:使用产品信息文件演示spss的数据读入共能。案例分析:客户购买力信息研究。

d、聚类分析。

企业需求: 需要了解购买产品的客户信息

案例分析:客户购买力信息研究

e、bootstrap。

案例分析: bootstrap抽样。

（3可以用两种方式来测量：1、采用描述个体对（变量对）之间的接近程度的指标，例如“距离”，“距离”越小的个体（变量）越具有相似性。）SPSS代码

SPSS代码应用

模糊系统理论的案例分析

Did展示了他们的生命科学客户是如何使用R通过randomFores（6）实时和预测分析t包对基因组数据集进行分类处理，以及如何使用他们的foreach包对分类树分析进行并行处理。

案例一：模糊系统理论在选拔高中语文师资中的应用 模糊系统理论以模糊集为基础，其内（4）个性化营销涵为认知不确定，依据为隶属度函数，手段为边界取值，特点为经验，要求为函数，目标为认知表达，思维方式为外延量化，信息准则为经验信息。

怎么设计调查问卷，能在数据分析的时候用到spss的聚类分析，因子分析．

1、主成分分析在于对原始变量的线性变换，注意是转换、变换；而因子分析在于对原始变量的剖析，注意是剖析，是分解，分解为公共2、首先无论你的数据是什么样的，经过我们的处理会把它做成数据标准化，当你的数据实时生成，我们有非常好的数据传输框架，保证你的数据上传到百度的开放云，在上面进行建模，进行各种各样可视化分析和决策的过程。因子和特殊因子。

对，一般问卷中的题目变量分为四种，定类、定序、定量和定比变量，做聚类分析、2、数据仓库设计与开发数据仓库分析与设计数据仓库开发过程数据仓库技术与开发的困难OLAP的数据分析相关分析、回归分析和因子分析都需要是定量和定序变量才可以，因为这两个变量得到的是数字，这样才可以进行分析，对于定类和定序变量只能做描述性分析。有时特殊情况也需要看情况的

老师有没有 R语言与数据挖掘实践和经典案例 的电子版

c、数据探索和报表呈现。

不知不觉我跟R已经认识1年了，在这一的日子里，写篇纪念文章。

聚类分析和判别分析是研究事物分类的基本方法，广泛地应用于自然科学、科学、工农业生产的各个领域。

以前我并未对统计软件有特殊的偏好，spss、sas、eviews都在用，三个中稍倾向于spss，主要因为它比较简单，sas的学习难度和应用条件（模块很多，文件太大）是我所难以接受的，eviews只在时间序列里用。那时更关注于具体的理论学习，不过在往深了学的时候，会有一个疑问，如果我在现实中要实现这些比较新的内容该怎么办？（商业软件一般没那么新的前沿的内容），这些复杂的公式对于没什么编程基础的我来说要实现起来真是难上加难。也是去年这时候，有一个曾经在学院任教的老师（现在是加拿大英属哥伦比亚大学终身）回来给我们上了一个月的课，在这一个月的时间里，我接触了R语言。

接下来的一年里（现在依然如此），我始终处在自学R的阶段，虽然辛苦也受益良多，一方面是终于可以摆脱傻瓜软件的束缚（用了R之后，我基本不用spss了），另一方面也是最重要的是R镜像站的文档让我学了太多以前没接触的前沿知识并通过R语言进行了实践，这一切在以前都是不可想象的。

R语言在的普及程度与国外简直是没法比，据我所知，目前高校用R作分析少之又少，企业普及率也低。不过，R的影响正在不断扩大，统计之都举办的R语言会议已经到第5届了，而且去年的参会阵容已经相当豪华了（谢邦昌都去了），我相信R的前景会越来越好，当然也希望我的R能力能更快的提高。

下面是转的数据挖掘研究院的一篇文章（是篇翻译文章），是讲facebook和google的研究人员如何用R的。

在R用户组织的主题为“R与预测分析科学”的panel会议上，有来自工业界的四位代表发表了讲话，介绍各自在工业界是如何应用R进行数据挖掘。他们分别是：

Did Smith, Revolution Computing

Jim Porzak, The Generations Network

他们分别介绍了在各个公司是如何使用R进行预测分析，R作为分析工具的优势和劣势，并且提供了学习案例，以下是对他们的介绍的相关总结。

Panel介绍

很多包可以应用在预测分析中。Jim重点介绍了 Max Kuhn 的caret包，它提供了大量的分类和回归模型，包括神经网络和朴素贝叶斯模型。

根据Bo Cowgill 的介绍，R是google的统计分析包，事实上，google也是R基础的捐助者。他讲述道：R的事情是，它是统计学家发明的。它最糟糕的事情是，它是统计学家发明的。无论如何，他很乐观地看待R开发者社区的发展，R文档也逐步在改进，它的性能也在逐步提高。

Google主要使用R进行数据探索和构建模型原型，它并不是应用在生产系统，在Bo的团队中，R主要运行在桌面环境中。Bo主要根据以下的流程使用R：（1）使用其他的工具提取数据；（2）将数据加载到R中；（3）使用R建模分析；（4）在生产环境中使用c 或者python实现结果模型。

Itamar介绍了facebook数据团队使用R的情况，他回答了新用户提数的两个问题：预测用户是否保持在某个数据点，如果他们停留，如何预测他们在三个月之后是否还会停留。

对于个问题，Itamar的团队使用递归划分推断出仅仅两个数据点被预测出来用户是否保留在facebook上:(1)新用户拥有多个会话；（2）输入用户基本信息时。

Did Smith, Revolution Computing

Did的公司，R改革计算，不仅仅使用R，而且R是他们的核心业务。Did描述道：他们对R的贡献类似于redhat对linux 的贡献。他的公司处理使用R遇到的一些问题，例如，（1）支持老版本软件，即向下兼容；（2）通过他们的ParallelR套件可以支持并行计算。

他还提到他们和其他公司合作将R应用在生产环境中，将特定的脚本放在上，用户通过客户端调用该脚本进行数据处理。

Jim Porzak, The Generations Network

Jim简单介绍了如何使用R进行市场分析。尤其是，Jim还使用flexclust为sun公司的进行聚类分析，并且应用该结果数据识别高价值销售的主导业务。

在Q&A环节，还有很多提问，并且进行了回答。

1在使用R的过程中，如何解决内存限制问题？

R工作区是在RAM上，因此他的大小是受到限制的。

办法：

说实在的我的R水平还是处于基础阶段（虽然我已掌握了几乎所有传统统计学方法和数据挖掘算法的R语言实现），目前在文本挖掘，高级编程上与专业人士还存在很大的距，不过我会继续努力。（1） 使用R的数据库连接功能（例如RMySQL），对数据进行切片处理

（2） 抽样处理

（3） 在的或者在amazon的云计算环境中运行脚本

CRAN里面有一些包提供了和matlab，splus，SAS，excel的交互接口，另外，还提供了与python和ja的接口包（Rpy和RJa）。

什么是大数据，大数据的典型案例有哪些

随着大数据时代的到来，大数据早已被逐步的运用在我们生活中的方方面面，那么除了之前众所周知的大数据杀熟，对于大数据你还了解多少呢？科用案例你又知道多少?今天就跟随千锋小编一起来看看。

洛杉矶警察局和加利福尼亚大学合作利用大数据预测犯罪的发生。

google流感趋势(Google Flu Trends)利用搜索预测禽流感的散布。

统计学家内特.西尔弗(Nate Silver)利用大数据预测2012美国选举结果。

麻省理工学院利用数据和交通数据建立城市规划。

梅西百货的实时定价机制，根据需求和库存的情况，该公司基于SABo Cowgill, GoogleS的系统对多达7300万种货品进行实时调价。

……介绍： 判别分析

种种的案例实在是太多，或许我们永远说不完一样，所以我们就来看一看大数据被科用的一个经典案例：

“啤酒与尿布”的故事产生于20世纪90年代的美国沃尔玛超市中，沃尔玛的超市管理人员分析销售数据时发现了一个令人难于理解的现象：在某些特定的情况下，“啤酒”与“尿布”两件看上去毫无关系的商品会经常出现在同一个购物篮中，这种独特的销售现象引起了管理人员的注意，经过后续调查发现，这种现象出现在年轻的父亲身上。

如果这个年轻的父亲在卖场只能买到两件商品之一，则他很有可能会放弃购物而到另一家商店，直到可以一次同时买到啤酒与尿布为止。沃尔玛发现了这一独特的现象，开始在卖场尝试将啤酒与尿布摆放在相同的区域，让年轻的父亲可以同时找到这两件商品，并很快地完成购物;而沃尔玛超市也可以让这些客户一次购买两件商品、而不是一件，从而获得了很好的商品销售收入，这就是“啤酒与尿布” 故事的由来。

当然“啤酒与尿布”的故事必须具有技术方面的支持。1993年美国学者Agrawal提出通过分析购物篮中的商品，从而找出商品之间关联关系的关联算法，并根据商品之间的关系，找出客户的购买行为。艾格拉沃从数学及计算机算法角度提 出模型稳健 步：逐个扫描样本，每个样本依据其与已扫描过的样本的距离，被归为以前的类，或生成一个新类了商品关联关系的计算方法——Aprior算法。沃尔玛从上个世纪 90 年代尝试将 Aprior 算法引入到 POS机数据分析中，并获得了成功，于是产生了“啤酒与尿布”的故事。

其实大数据，其影响除了以上列举的方面外，它同时也能在经济、、文化等方面产生深远的影响，大数据可以帮助人们开启循“数”管理的模式，也是我们当下“大”的集中体现，三分技术，七分数据，得数据者得天下。