全文链接：http://tecdat.cn/?p=31887
原文出处：拓端数据部落公众号
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。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。
将表格命名
在相应数据库中找到对应的数据
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
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
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
设置输入数据与键Id
设置训练集和测试集的百分比
点击部署模型
看到右下角 部署完成
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。
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
可以看到消费水平很低的样本主要分布在分类10中
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
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。
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。
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。
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。
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。
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。
最受欢迎的见解
2.R语言基于温度对城市层次聚类、kmean聚类、主成分分析和Voronoi图
3.R语言对用电负荷时间序列数据进行K-medoids聚类建模和GAM回归
5.Python Monte Carlo K-Means聚类实战
7.R语言KMEANS均值聚类和层次聚类：亚洲国家地区生活幸福质量异同可视化
8.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、朴素贝叶斯模型和KMEANS聚类用户画像
标签：样本,分类,Analysis,类别,聚类,数据挖掘,职业,餐厅,聚类分析 From： https://www.cnblogs.com/tecdat/p/17220721.html