某SAS软件研究所公司SAS数据挖掘白皮书
sas案例集
sas案例集SAS案例集。
SAS（Statistical Analysis System）是一种统计分析系统，它提供了强大的数据分析和数据挖掘功能，被广泛应用于各个领域。
在本文档中，我们将介绍一些实际的SAS案例，帮助读者更好地了解SAS的应用和功能。
案例一，销售数据分析。
某公司的销售数据存储在一个大型数据库中，包括产品销售额、客户信息、销售地区等。
公司希望利用这些数据进行分析，找出销售额的变化趋势，挖掘客户的购买习惯，并对不同地区的销售情况进行比较。
通过SAS的数据处理和统计分析功能，可以轻松实现这些目标。
首先，可以使用SAS连接数据库，提取所需的数据；然后利用SAS的统计函数和图表功能，对销售额进行趋势分析和客户购买习惯挖掘；最后，利用SAS的地理信息分析功能，对不同地区的销售情况进行可视化展示。
通过这些分析，公司可以更好地了解销售情况，制定更有效的营销策略。
案例二，医疗数据挖掘。
一家医院希望利用患者的病历数据进行挖掘，找出不同疾病之间的关联性，预测患者的病情发展趋势。
SAS的数据挖掘和机器学习功能可以帮助医院实现这一目标。
首先，可以利用SAS清洗和预处理病历数据，确保数据的准确性和完整性；然后利用SAS的关联规则分析和聚类分析功能，找出不同疾病之间的关联性；最后，利用SAS的预测建模功能，预测患者的病情发展趋势。
通过这些分析，医院可以更好地了解患者的病情，提前采取有效的治疗措施。
案例三，金融风险分析。
一家银行希望利用客户的信用卡消费数据进行风险分析，找出不同客户之间的信用风险，预测客户的信用卡违约情况。
SAS的数据挖掘和风险建模功能可以帮助银行实现这一目标。
首先，可以利用SAS清洗和预处理信用卡消费数据，确保数据的准确性和完整性；然后利用SAS的分类分析和回归分析功能，找出不同客户之间的信用风险；最后，利用SAS的风险建模功能，预测客户的信用卡违约情况。
通过这些分析，银行可以更好地了解客户的信用风险，采取相应的风险管理措施。
SAS深层数据分析与数据挖掘
1.查询及报表 查询及报表 (Query and Reporting) 2.OLAP分析 2.OLAP分析 3.深层数据分析 深层数据分析： 3.深层数据分析： 传统的统计分析 和数据挖掘
Da Brick 数据仓库存储
数据仓库应用
数据仓库的应用： 数据仓库的应用： 不同层次的数据分析及应用
谁需要数据挖掘
• 电信 • 银行业 • 零售业 • 咨询机构 • 保险业 • 医疗保健 • 任何使用数据仓库的人
SAS Solution 和数据挖掘
• Business Intelligence（商务智能） Intelligence（商务智能） • Collaborative Business Intelligence（协作式商务智能） Intelligence（协作式商务智能） • Customer Relationship Management（客户关系管理） Management（客户关系管理） • Supplier Relationship Management（供应关系管理） Management（供应关系管理） • E-intelligence（电子商务智能化） intelligence（电子商务智能化） • Risk Analysis/Management（风险分析/管理） Analysis/Management（风险分析/管理） • …
• 相互补充，而不是替代！ 相互补充，而不是替代！
SAS 数据分析的特点
• 在数据处理和数据分析领域，SAS 被誉为国际上 在数据处理和数据分析领域，
的标准软件 • SAS 既可由编程，也可用图形界面交互式地实现 既可由编程， 分析功能 • 方法全，功能更新快 方法全， • 即是Desktop分析工具软件，更是企业化的分析软 即是Desktop分析工具软件， Desktop分析工具软件 这是和其它Desktop Desktop分析软件的主要差别 件，这是和其它Desktop分析软件的主要差别
学习使用SAS进行数据分析的基础教程
学习使用SAS进行数据分析的基础教程一、SAS介绍与安装SAS（全称Statistical Analysis System，统计分析系统）是一种非常强大的数据分析软件。
它提供了丰富的统计分析、数据挖掘和数据管理功能。
在学习使用SAS之前，首先需要下载并安装SAS软件。
在安装过程中，需要根据操作系统选择相应的版本，并按照安装向导进行操作。
安装完成后，可以通过启动菜单找到SAS软件并打开它。
二、SAS基本语法与数据集1. SAS语法基础SAS语法是一种类似于编程语言的语法。
在SAS中，每一个语句都以分号作为结尾。
常用的SAS语句包括DATA、PROC和RUN。
DATA语句用于创建数据集，PROC语句用于执行数据分析过程，RUN语句用于执行SAS语句的运行。
2. SAS数据集SAS数据集是SAS中最重要的数据组织形式。
它可以包含多个数据变量，并且每个变量可以拥有不同的数据类型，如字符型、数值型、日期型等。
通过DATA语句可以创建一个新的SAS数据集，并通过INPUT语句指定每个变量的属性。
使用SET语句可以将现有的数据集读入到SAS数据集中，以供后续分析使用。
三、SAS数据清洗与变换1. 数据清洗数据清洗是数据分析的第一步，其目的是去除数据中的错误或无效信息，保证数据质量。
在SAS中，可以使用IF和WHERE语句来筛选出符合条件的数据观测值，并使用DELETE和KEEP语句删除或保留特定的变量。
2. 数据变换数据变换是对原始数据进行转换，以满足具体的分析需求。
在SAS中，常用的数据变换操作包括缺失值处理、变量重编码、数据排序和数据合并等。
可以使用IF、ELSE和DO语句进行逻辑判断和循环操作，通过FORMAT语句对数据进行格式化。
四、SAS统计分析1. 描述统计分析描述统计分析是对数据的基本特征进行分析，包括均值、标准差、中位数、分位数和频数等。
在SAS中，可以使用PROC MEANS进行基本统计分析，使用PROC FREQ进行频数分析。
sas数据挖掘实例
sas数据挖掘实例数据挖掘是从大数据中获取有价值的信息的过程。
SAS作为业内领先的数据分析软件，具有强大的数据挖掘功能。
本文将通过一个SAS数据挖掘实例，来介绍SAS数据挖掘的相关知识和技术。
实例简述本次实例选取了一个经典的数据集：鸢尾花数据集(Iris Dataset)。
该数据集是由英国统计学家和生物学家Ronald Fisher在1936年收集而来，由三种不同的鸢尾花，每种鸢尾花各50个样本，共计150个样本。
每个样本都有四个特征：花萼长度、花萼宽度、花瓣长度、花瓣宽度。
我们的目标是使用SAS对该数据集进行数据挖掘，从中分析出不同鸢尾花的数据模式和特征。
数据预处理在进行数据挖掘之前，我们需要对原始数据进行处理，使其符合数据挖掘的要求。
首先，我们需要将数据导入到SAS软件中。
SAS支持导入多种类型的数据，如CSV、Excel、TXT等。
由于我们的鸢尾花数据集为CSV格式，因此我们可以使用以下代码将其导入SAS：```SASproc import datafile='iris.csv'out=irisdbms=csv;getnames=yes;run;```代码中，我们使用了`proc import`命令，将CSV格式的`iris`文件导入到SAS中，并将其保存为SAS数据集`iris`。
同时，我们使用了`getnames=yes`参数，表示将文件的第一行作为变量名导入。
接下来，我们需要查看数据集的基本信息。
SAS提供了多种查看数据集信息的方法，此处我们使用`proc contents`命令可以查看数据集的变量名、变量类型、样本数等信息。
```SASproc contents data=iris;run;```运行后，SAS会在日志窗口输出数据集的基本信息。
我们发现该数据集共有150个样本，每个样本有四个连续型变量：花萼长度、花萼宽度、花瓣长度和花瓣宽度。
数据可视化在进行数据挖掘之前，我们还可以使用SAS提供的可视化工具对数据集进行探索分析。
sas软件教程精华
机器学习算法
SAS支持多种机器学习算法，包括线性回归、逻辑回归、决策 树、随机森林等，用户可以根据自己的需求选择合适的算法。
06
sas应用场景
金融行业
风险管理
SAS提供强大的统计分析功能，帮助金融行业进行风险评估、模型 开发和管理，从而提高风险控制水平。
信贷评估
通过SAS的数据挖掘和机器学习算法，金融机构可以对客户进行精 准的信贷评估，降低信贷风险。
预测性分析在SAS中的实现
使用PROC REG过程进行线性回归分析；使用PROC ARIMA过程进行时间序列 分析。
04
可视化报告
图表类型
柱状图
用于比较不同类别的数据，直观展示各组之 间的差异。
折线图
用于展示数据随时间变化的趋势，帮助理解 数据的变化规律。
饼图
用于表示各部分在整体中所占的比例，方便 比较不同部分的大小。
03
过程步可以读取数据集、输出数据集、生成报表或图形，并支持自定 义过程和宏程序等扩展功能。
04
过程步还支持使用嵌套过程，以实现更复杂的分析任务。
宏语言
宏语言是SAS中用于编写 可重用代码的一种编程语 言，它允许用户定义自己 的程序和过程。
宏语言可以用于简化重复 性任务、封装复杂逻辑和 创建自定义过程等。
文本挖掘应用
文本挖掘在很多领域都有应用，如信息检索、舆情分析、品牌监测等。
机器学习
机器学习概念
机器学习是人工智能的一个子领域，它使用计算机算法让 机器从数据中学习并改进自身的性能。
SAS机器学习工具
SAS提供了一整套机器学习工具，包括Predictive Analytics、 SAS/ML等，这些工具可以帮助用户进行机器学习的全过程，
使用SAS进行数据分析的基础知识
使用SAS进行数据分析的基础知识一、SAS数据分析简介SAS（Statistical Analysis System）是一套全面的数据分析软件工具，它具备强大的数据处理和统计分析能力。
它适用于各种领域的数据分析，包括市场调研、金融分析、医疗研究等。
二、数据准备在进行SAS数据分析之前，首先要进行数据准备。
这包括数据的收集、整理和清洗。
收集数据可以通过调查问卷、实地观察、数据库查询等方式。
整理数据即将数据格式统一，包括去除重复数据、统一变量命名等。
清洗数据则是去除异常值、缺失值处理等。
三、SAS基础语法1. 数据集（Data set）的创建和导入SAS中的数据以数据集的形式存在，可以使用DATA步骤创建数据集，也可以从外部文件导入数据集。
导入数据可使用INFILE 语句指定文件位置，并使用INPUT语句将数据导入到数据集中。
2. 数据操作和处理SAS提供了多种数据操作和处理函数，如排序、合并、拆分等。
常用的函数有SUM、MEAN、COUNT、MAX、MIN等，它们可以对数据集中的变量进行统计和计算。
3. 数据可视化SAS提供了多种可视化方式，用于更直观地展示数据。
可以使用PROC SGPLOT语句进行绘图，如折线图、散点图、柱状图等。
还可以使用PROC TABULATE语句生成数据报表。
四、统计分析SAS强大的统计分析功能是其独特的优势之一。
以下为几种常用的统计分析方法：1. 描述统计分析描述统计分析用于对数据进行概括和描述。
可以使用PROC MEANS进行均值、中位数、标准差等统计指标的计算，使用PROC FREQ进行频数分析。
2. t检验t检验用于比较两组样本均值的差异是否显著。
可以使用PROC TTEST进行t检验分析，根据t值和显著性水平判断差异是否显著。
3. 方差分析方差分析用于比较两个或多个样本均值的差异是否显著。
可以使用PROC ANOVA进行方差分析，根据F值和显著性水平判断差异是否显著。
SAS的名词解释
SAS的名词解释随着大数据时代的到来，人们对于数据分析和统计越来越重视。
在数据科学领域中，一家被广泛应用和认可的软件公司就是SAS（Statistical Analysis System）公司。
本文将对SAS和与之相关的名词进行解释，并介绍其在数据分析领域中的重要性。
一、SAS（Statistical Analysis System）公司SAS公司是全球领先的分析软件提供商。
它的软件系统（也称为SAS）广泛用于数据管理、数据挖掘、统计分析、预测建模和商业智能等领域。
SAS公司于1976年成立于美国，多年来一直致力于推动数据分析领域的创新和发展。
其产品和解决方案帮助企业从庞大的数据中获取洞察力，做出更明智的商业决策。
二、SAS语言SAS语言是SAS公司开发的一种专门用于数据分析和统计的编程语言。
它具有强大的数据处理能力和丰富的统计分析函数，被广泛应用于学术研究、医药、金融、市场营销等众多领域。
SAS语言的特点是结构化和过程导向的，即通过一系列的步骤和语句来完成数据分析任务。
它具有灵活的语法和强大的数据管理功能，使得用户能够高效地处理和分析大规模数据集。
三、SAS数据集SAS数据集是SAS系统中最常用的数据存储格式。
它可以理解为一个结构化的表格，包含多个观测值和变量。
SAS数据集可以由用户创建，也可以从外部数据源导入。
在SAS语言中，对数据进行读取、处理和分析都是通过操作数据集来完成的。
SAS数据集的优势在于高效的数据检索、数据转换和数据整合能力，使得用户能够迅速地获取所需的信息。
四、SAS图形SAS图形是SAS系统中用于数据可视化的工具。
它提供了众多的图表类型和图形选项，如散点图、柱状图、折线图等，帮助用户更直观地理解和展示数据。
通过利用SAS图形，用户可以进行数据探索和发现数据之间的关联性。
此外，SAS 图形还支持自定义图形输出，使用户能够根据需要调整图表的样式、尺寸和布局。
五、SAS模型SAS模型是指在SAS系统中基于数据建立的统计分析模型。
SAS软件及部分常用功能简介
使用适当的颜色和字体，使图表更加美观和 专业。
动态数据可视化
交互式图表
允许用户通过点击或拖动来交互地查看数据。
时间序列动画
展示随时间变化的数据趋势。
动态更新
随着数据的改变，图表能够自动更新。
数据筛选
允许用户根据特定条件筛选数据，并实时反 映在图表上。
05
编程与自定义功能
SAS编程语言基础
SAS软件及部分常用功能简介
• SAS软件概述 • 数据导入与处理 • 统计分析功能 • 数据可视化功能 • 编程与自定义功能
01
SAS软件概述
SAS软件简介
SAS（Statistical Analysis System）软件是由美国北卡罗来纳大学于1966年开发的统计分析软件，最初 主要用于农业领域的数据分析。经过多年的发展，SAS已成为全球领先的数据分析和统计分析解决方案提 供商。
SAS软件采用模块化设计，用户可以根据需要选择不同的模块进行数据处理、统计分析、数据挖掘、 预测建模等。
SAS软件的特点与优势
强大的数据处理能力
SAS提供了丰富的数据导入、导出和转换工具，支持多种 数据格式和数据库系统，能够高效地处理大规模数据集。
灵活的数据挖掘功能
SAS的数据挖掘工具能够帮助用户发现隐藏在数据中的模 式和关联，支持多种数据挖掘算法，如决策树、神经网络 、聚类等。
饼图
用于表示各部分在整体中所占的比 例。
03
02
折线图
用于展示时间序列数据或连续变量 的变化趋势。
散点图
用于展示两个变量之间的关系。
04
图表制作与美化
选择数据
确保数据准确无误，是制作图表的基础。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
SAS数据挖掘白皮书美国SAS软件研究所公司2000年8 月目录第一章总括 (2)第二章SAS数据挖掘方法论─SEMMA (5)第三章深层统计分析与预测套件 (9)功能 (10)客户机/服务器方式 (13)浏览器/服务器方式 (14)第四章数据挖掘套件 (15)功能 (15)客户机/服务器方式 (19)浏览器/服务器方式 (19)第一章总括早期的计算机主要就是用来进行数据处理或称数值计算的。
后来随着计算机技术及其周边设备和通讯能力的发展，计算机更多地用于了大量繁杂事务的在线处理，生产设备的实时控制等。
在此过程中，计算机系统积累了越来越多的数据，数据处理的任务就更加繁重。
到今天，即使是发展中的我们中国，在一个企业中有数以几十或上百GB、甚至TB计的生产经营数据已不是什么希奇的事情了。
企业的数据和由此而产生的信息是企业的重要财富。
它最真实、具体的反映了企业运作的本质状况。
但是，面对堆积如“山”的数据，你可能并未看清企业运作的本质规律是什么，或者说你至少是未能全部看清楚。
面对激烈竞争的市场经济，企业的经营和管理者任何不符合客观事物规律性的决策都会给企业带来损失，甚至失败。
运用有力的工具，不断地探索企业成败、得失的原委，并以此不断完善企业运作，这是每一个成功的企业家必不可少的工作任务。
美国SAS软件从60年代在北卡洲立大学开创伊始就致力于计算机数据处理的研究。
几十年来无数的成功事例使人们推崇SAS为国际上标准的数理统计分析软件；进而，SAS的丰富数据采集、数据管理、数据分析和信息展现的能力，又使之成为决策支持的最好的工具；近几年，SAS又推出了套装的SAS/Enterprise Miner这一企业级的数据处理分析和决策支持软件包。
SAS 系统的软件和这些软件运用的无数成功经验，一定能帮你从企业堆积如“山”的数据中“挖掘”出隐藏着的规律性，以支持你正确的经营决策。
SAS的数据挖掘软件集成了一系列有效的技术手段全面地支持你的工作。
首先是支持你的数据重组工作。
在你的企业或组织中或许已经有了成功的各种业务系统，其中的数据体系对应着一项项事务处理和一个又一个控制环节，它们定能完美的支持其原有的工作。
但当你从企业级的角度去审视，并想进一步分析处理时，你会感到这些数据过于分散，数量越来越大，并难以整合。
美国数据挖掘技术开拓者Gregory Piatetsky-Shapiro曾戏言说：“原来曾希望计算机系统成为我们智慧的源泉，但从中涌出的却是洪水般的数据！”其实不必埋怨数据太多，也不必埋怨原来的数据结构不好，它们是适应原有工作任务的，只是不适合你现在的要求而已。
要支持你的企业级的决策，就是需要“洪水般的数据量”，但是要面向企业级的工作任务对其进行重组。
数据仓库系统支持你进行数据重组，并以全新的数据、信息的结构形式支持你的全新的工作方式。
这在前面五篇连载文章中已作了详尽的介绍。
建立数据仓库，这是进一步能有成效的进行数据挖掘的基础工作。
要看清企业或组织运作的状况，第一步就是能查询到反映你所关心事情的相应数据、信息。
以SAS的多维数据库产品MDDB构造的数据仓库从物理结构上保证了你查询的迅速、方便。
E.F.Codd在提出在线分析处理OLAP概念时，多维数据结构是实现其任务的第一项要求。
一些简单的决策支持所需要的就是有针对性的数据。
在数据重组后的数据仓库中还建立了所谓数据市场（Data Marts），它就可以更针对决策支持的需要而设计，其中还可综合不同层次的汇总数据和跨数据仓库主题的数据。
SAS软件研究所对数据挖掘所下的定义是：数据挖掘是按照既定的业务目标，对大量的企业数据进行探索、揭示隐藏其中的规律性并进一步将之模型化的先进、有效的方法。
对数据的探索、挖掘首先要有一个明确的业务目标。
一组生产数据可作生产能力的分析；可作生产成本核算的分析；亦可作影响产品质量诸因素的分析。
目标决定了此后数据挖掘过程的各种运作，并导引了运作的方向。
虽然说数据挖掘的业务目标在过程中不是不可修正的，也应当在工作进程中不断的进一步明确化，但其基本原则容要保持稳定不变，否则数据挖掘工作是难以有效的进行的。
这里所指的大量企业数据最好是按照数据仓库的概念重组过的，在数据仓库中的数据、信息才能最有效的支持数据挖掘。
假如所取用的数据并不足以反映企业的真实情况，当然也不可能挖掘出有用的规律。
数据仓库的数据重组，首先是从企业正在运行的计算机系统中完整地将数据取出来。
所谓完整，就是决策支持目标所涉及的各个环节不能有遗漏；其次各个环节的数据要按一定的规则有机、准确地衔接起来。
从决策支持的主题来看，这重新组织过的数据，以极易取用的数据结构方式，全面的描述了该主题。
有了反映业务主题全貌的数据后，在进行数据的分析、探索时，对于不同的人，可能会采用不同的方式方法。
Gartner Group在评价数据挖掘工具时，也特别提到了面对各种不同类型人员的可伸缩性和完整性。
SAS支持各层次用户：−业务水平和数学水平可能比较一般，对这样的用户提供方便的数据查询是非常重要的。
实际上早期的决策支持主要就是数据查询的支持。
可能也要做一些简单的数理统计分析。
若统计分析的要较明确的，可以事先做好，向他们提供统计分析的结果。
这可做成SAS数据仓库中的信息市场（Information Mart）。
对应他们随机的需求，应当提供菜单式选择的方便工具。
−业务水平较高，但数学水平一般，且没有时间和兴趣再钻研数学方法的人，除了以上资源外，还应提供能简便的实现各种常用的数理统计的工具。
让他们不必受累于繁杂的过程，通过简单的需求设定，即可执行他们需要的操作。
−有计算机和数学知识，但对业务的熟悉程度一般的人员。
对他们要提供较全面的数据处理工具，如：数理统计；聚类分析；决策树；人工神经元网络；……等。
−对有很深计算机和数学造诣的数据分析专家不仅要提供上述环境，而且还要提供实现各种算法的工具和开发平台。
SAS系统提供了适合各类人员使用的既完整，又有伸缩性的模块化的工具。
通过探索和模型化所得的结果可分成两种类型：一种是描述型的；另一种是预测型的。
描述型的结果是指通过数据挖掘量化的搞清了业务目标的现状。
通过数据挖掘还可以建立起企业或某个过程的各种不同类型模型。
这些模型不仅能描述当前的现状和规律性，而且利用它还可以预测当条件变化后可能发生的状况。
这就为企业开发新产品、定位客户群体、甚至于为企业业务重组提供决策支持依据。
在世界走向信息化的今天，充分利用企业的信息资源，挖掘企业和所对应市场的运作规律性，以不断提高企业的经济效益是先进企业的必由之路。
SAS数据挖掘软件广泛应用于客户关系管理、金融风险防、供应关系管理、数据库营销、企业均衡记分卡、e-智能化及竞争优势分析等方面。
SAS新近推出了专用于网络流量分析的最新软件产品e-Discovery和webHound，可对优化的结构和客户关系管理起到非常有效的作用。
正象是你拿个镐在山上挖几下不能算是开采矿山一样，用数理统计方法或人工神经元网络作个数据分析，也不能说就是在进行数据挖掘了。
要开采矿山，首先要按照人类总结千百年来经验所形成的理论规律去找矿；发现矿藏后还要根据其实际地质情况，有针对性的采用相应的方法最有效的挖掘才能获得有价值的宝藏。
同样，要想有效地进行数据挖掘也必须要有好的工具和一整套妥善的方法论。
可以说在数据挖掘中你采用的工具、使用工具的能力、以及数据挖掘过程中的方法论在很大程度上决定了你能开拓的成果。
SAS研究所不仅有丰富的工具供你选用，而且在多年的数据处理研究工作中积累了一套行之有效的数据挖掘方法论──SEMMA，通过使用SAS技术进行数据挖掘，我们愿意和你分享这些经验。
根据客户的不同层次的业务需求，SAS公司把数据挖掘等深层次分析分为两个层次，同时提供两种产品及方案套件供用户选择。
这两种方案分别为：一、深层统计分析与预测套件；二、数据挖掘套件。
在下面几节中会一一加以介绍。
第二章SAS数据挖掘方法论─SEMMASAS研究所不仅有丰富的工具供你选用，而且在多年的数据处理研究工作中积累了一套行之有效的数据挖掘方法论──SEMMA，通过使用SAS技术进行数据挖掘，我们愿意和你分享这些经验：✧Sample──数据取样✧Explore──数据特征探索、分析和予处理✧Modify──问题明确化、数据调整和技术选择✧Model──模型的研发、知识的发现Assess──模型和知识的综合解释和评价Sample──数据取样当进行数据挖掘时，首先要从企业大量数据中取出一个与你要探索问题相关的样板数据子集，而不是动用全部企业数据。
这就象在对开采出来矿石首先要进行选矿一样。
通过数据样本的精选，不仅能减少数据处理量，节省系统资源，而且能通过数据的筛选，使你想要它反映的规律性更加凸现出来。
通过数据取样，要把好数据的质量关。
在任何时候都不要忽视数据的质量，即使你是从一个数据仓库中进行数据取样，也不要忘记检查其质量如何。
因为通过数据挖掘是要探索企业运作的规律性的，原始数据有误，还谈什么从中探索规律性。
若你真的从中还探索出来了什么“规律性”，再依此去指导工作，则很可能是在进行误导。
若你是从正在运行着的系统中进行数据取样，则更要注意数据的完整性和有效性。
再次提醒你在任何时候都不要忽视数据的质量，慎之又慎！从巨大的企业数据母体中取出哪些数据作为样本数据呢？这要依你所要达到的目标来区分采用不同的办法：如果你是要进行过程的观察、控制，这时你可进行随机取样，然后根据样本数据对企业或其中某个过程的状况作出估计。
SAS 不仅支持这一取样过程，而且可对所取出的样本数据进行各种例行的检验。
若你想通过数据挖掘得出企业或其某个过程的全面规律性时，必须获得在足够广泛围变化的数据，以使其有代表性。
你还应当从实验设计的要求来考察所取样数据的代表性。
唯此，才能通过此后的分析研究得出反映本质规律性的结果。
利用它支持你进行决策才是真正有效的，并能使企业进一步获得技术、经济效益。
Explore──数据特征探索、分析和予处理前面所叙述的数据取样，多少是带着人们对如何达到数据挖掘目的的先验的认识进行操作的。
当我们拿到了一个样本数据集后，它是否达到我们原来设想的要求；其中有没有什么明显的规律和趋势；有没有出现你所从未设想过的数据状态；因素之间有什么相关性；它们可区分成怎样一些类别……这都是要首先探索的容。
进行数据特征的探索、分析，最好是能进行可视化的操作。
SAS有：SAS/INSIGHT和SAS/SPECTRAVIEW两个产品给你提供了可视化数据操作的最强有力的工具、方法和图形。
它们不仅能做各种不同类型统计分析显示，而且可做多维、动态、甚至旋转的显示。
这里的数据探索，就是我们通常所进行的深入调查的过程。