信用卡用户大数据分析报告实验报告材料.docx

信用卡用户大数据分析报告实验报告材料.docx

《信用卡用户大数据分析报告实验报告材料.docx》由会员分享，可在线阅读，更多相关《信用卡用户大数据分析报告实验报告材料.docx（22页珍藏版）》请在冰豆网上搜索。

信用卡用户大数据分析报告实验报告材料

信用卡用户数据分析实验报告

实验目的：

1、熟悉Clementine软件从数据导入到结果输出的全过程。

2、复习Clementine软件中聚类方法。

3、复习Clementine软件中的关联分析方法

实验内容：

在Clementine中建立信用卡数据分析模型；

聚类分析：

使用K-Means、Kohonen、两步法，进行聚类，并简单给出结论；

异常点分析：

使用“异常”节点进行异常分析，并简单给出结论；

关联规则分析：

对其中感兴趣的字段进行关联分析，画出网络图，并简单给出结论。

信用卡分析：

打开操作区，选择“可变文件”，将之拖入操作区，编辑“可变文件”

，打开位于E盘中的“信用卡交易-Data.csv”数据源，如图所示：

在“类型”中将各个字段的值读入，如图所示：

然后进行各项分析。

K-means分析：

创建K-means结点，编辑使用定制设置，选择所要进行分析的字段名，如图：

选择“执行”，执行之后在右侧区域形成K-means模型，如图：

将K-means模型拖入操作区并与数据源相连：

单击模型进行分析：

点击“查看器”：

分析结果：

在对各项的字段进行分析中，对强制停卡记录、性别、都市化程度分成三个聚类，得出的结果是强制停卡记录、以及都市化程度的重要性均大于0.95，而性别的重要性则为0.00，说明强制停卡记录以及都市化程度对聚类的影响程度很大，而性别的影响程度几乎为0。

Kohomen分析：

创建Kohomen分析结点，选择相应的要分析的字段：

编辑完毕之后点击“执行”：

点击模型查看分析结果：

在查看器的分析结果中，三个字段的重要性均大于0.95，这说明个人月收入、婚姻、瑕疵户、三项因素对聚类的影响程度都很大。

两步聚类分析：

创建“两步”聚类分析结点，并进行编辑：

点击“执行”生成两步聚类分析模型，如图：

点击查看分析结果：

在分析结果中发现，学历、宗教信仰、月刷卡额字段的重要程度均大于0.95，说明这些因素对于聚类的影响程度都很高。

异常分析：

创建“异常分析”结点并与源文件相连;

在编辑结点中，选择所要分析的字段，如图所示：

点击“执行”后，形成异常分析的模型，然后点击查看：

为了更好的查看异常用户的异常情况，创建一张表，用来显示异常用户的基本信息。

然后对表进行排序，将正常用户与异常用户隔离开来。

如图所示：

分析结果如图所示：

在字段“O-Anomaly”中，若字段值为“F”，则为正常用户，若字段值为“T”，则为异常用户，如编号为14号的用户，即为信用卡异常的用户。

关联分析：

散点图分析：

在散点图结点中，要分析“都市化成都”以及“个人月收入”这两者之间的相关程度，故选择X字段以及Y字段分别为“都市化成都”和“个人月收入”。

如图：

点击“执行”，结果如下图所示：

分析：

由上如的分析结果可以看出，生活在“都市”的居民人数最多，而收入高的人群也比生活在“都”以及“城”的居民多。

其次是生活在“都”的居民个人月收入次之，最后是生活在“城”的居民。

集合分析：

利用集合分析来研究月刷卡额与年龄之间的关系，如图：

分析：

月刷卡额最多的群体是20——24的年轻群体；

其次是15——19和25——29岁之间的群体;

30——34岁之间的群体月刷卡额也在6000以上；

35——39岁之间的群体月刷卡额接近6000；

随着年龄的增长，月刷卡额也在下降。

多重散点图分析：

分析：

由图可以看出：

对于个人月收入，各个学历的阶层都分布在10000元以下及60000元以上各个层次；

对于个人月开销，各个学历阶层都分布在10000元以下及40000元以上这些层次上。

直方图分析：

利用直方图分析年龄与信用卡使用量的关系：

分析：

持卡量最多的群体是20——24的年轻群体；

其次是15——19和25——29岁之间的群体;

30——34岁之间以及35——39岁之间的群体持卡量也很大；

40岁以上的群体持卡量较年轻群体较少；