在上一篇文章中，我们谈到了探索性分析的概念。

作为一个简短的提醒，探索性分析不是一个产品，而是一种数据分析方法和一系列功能，在这些功能中，你可以让数学算法和计算机自动化在你的数据集上工作，自动地呈现一些有趣的结果（数据中的相关性、数据集中的异常值、具有相似性的项目组等）。

作为一个精通商业的人，您可以查看这些结果，了解他们的业务价值是什么，并据此做出战略决策。

探索性分析是对经典分析和高级分析的补充，如下图所示：

在经典分析方法中，你一步一步地决定如何处理你的数据。您可以创建表、过滤器、切片和骰子，目的是展示您希望在数据集中看到的一些知识。你通常用试错的方法手动实现一个特定的目标。使用这种方法，您可以轻松地回答诸如"有多少客户在购买我的产品？"

在高级分析中，你让数学算法对数据进行运算，建立一个预测模型，然后用这个模型做出操作决策。例如，通过高级分析，您可以构建一个模型，该模型可以回答（如果您愿意，可以实时）一个问题，例如"这个潜在客户可能会购买我的产品吗？"。

最后，在探索性分析中，您将使用相同的高级分析算法，以获得有助于回答"为什么客户购买我的产品？"等问题的见解。了解决策背后的"原因"可以帮助您改变业务以改进业务。

在本博客中，我们展示了SAP Predictive Analytics及其自动化分析模块如何为您提供进行探索性分析所需的工具。

实际上，我们展示了在执行分类之后，买云服务器，您将自动获得各种见解，这些见解可用于推动您的决策。

假设您正在分析显示客户特征的数据集，并且您的目标是一个标志，表明客户是否购买了产品，运行分类后，您会自动获得各种见解：

"关键影响因素"是主要解释目标的变量（例如，哪些客户特征与购买或不购买

产品的决定最相关）。您可以了解关键影响因素的具体值，但也可以自动获得具有类似影响的值的"组"或"带"。

当变量是分类的（例如"客户国家是法国、美国或意大利"）时，这些值会自动"分组"在一起；当值是连续的（例如"年龄在29岁到45岁之间"）。分组和分组大大简化了分析，而且该工具在自动提出最佳分组方面做得很好，而无需担心如何以最佳方式存储数据。

最后，该工具会快速自动地为您指出感兴趣的"分段"。这些是一组具有相似特征的记录，这些特征对目标有很大的影响（例如，该工具可以显示"居住在美国，年龄在18到25岁之间"的客户购买您的产品的可能性最大）。

现在是时候看看一些行动，并通过一个例子来理解，如何根据探索性分析方法得出的见解改进业务

想象一下，你在一家专门为餐馆清洁桌布和餐巾纸的公司工作。在过去的几个月里，你创造了一个新的提供所谓的"优质服务"，保证餐厅有白色餐巾纸在整个国家！您向几个现有客户建议了该服务，有些客户购买了，有些客户没有购买。

您创建了一个列表，列出了您向其建议该服务的所有餐厅。在这个列表中，你列出了你的顾客的所有特征（例如餐厅有多少座位，如果他们位于市中心，郊区，乡下，一顿饭的平均价格，如果他们有一个服务员，云服务器好，对于您标记为"是"或"否"的每位客户，他们购买了高级服务。

数据集可能如下：

您可以使用此列表执行两项任务：创建一个预测模型，该模型可以判断潜在客户是否可能接受服务（高级分析）和/或查看您是否可以在餐厅中找到一些有趣的模式可用于改进业务的概要（探索性分析）。

通常，专注于短期营销活动（目标是最大化回报和最小化成本）的营销经理会在运营模式中使用预测模型。

希望在全球范围内改进业务的业务策略师长期而言，人们对探索性方法更感兴趣。

要完成这两项任务，您可以使用SAP Predictive Analytics及其自动分析模块。

您要回答的基本问题是，客户是否可能购买该服务。这是一个典型的分类问题，因此应用分类模块。您将Premium Service flag设置为目标变量。（如果您从未使用过SAP Predictive Analytics，您可以观看此视频，了解如何使用分类。）)

将分析所有其他变量（不包括ID），以了解其对采购决策的影响。设置变量的屏幕如下：

现在点击几个下一步按钮，分类完成后，自动为您创建模型。

首先需要检查模型的质量是否良好，要做到这一点，请在模型摘要中查找预测能力（也称为"Ki"）和预测信心（"Kr"）。