在理清画像规划与类型来源后，据企业会员规模与用户群边界定义，手上会有一堆的数据，这时需有个好用的工具，进行数据分析。SPSS 25 版提供了多种数据比较分类的菜单式统计分析方法，同时支援python 整合，是一个十分适合小数据企业的统计分析工具。下面就依SPSS 25 版，进行一个案例演示：
某企业有一群会员，注册即将满一周年，时间跨度基本满足覆盖企业一年春夏、秋冬两款新品的时间，数据能够生成一个完整的运营周期里可能发生的特征值。
数据库中积累着大量业务数据、埋点数据。挖掘沉淀在数据库中数据以建设用户群画像，从而对用户群设计有效的精准营销，提高活动的参与率，提高会员的转化率。
在本案例中，可以获取到的数据按其类型可分为：
用户基本资料（注册资料、导购注释），可以用来生成静态类的标签；
业务类数据（购买汇总），可以用来生成规则类的标签；
用户行为数据（主订单、细订单），可以用来生成挖掘类标签。
Step1
可以通过 ODBC将所需数据自数据库中以 SQL 产生后，直接生成在 SPSS 中
或是使用工具将数据生成excel 档后再导入SPSS 中。
然后对生成的数据，用SPSS 语法编辑器，生成个案序号变量（如下），以便在后续数据处理过程中，随时可以回复成回来的排序。
到此，先将生成的数据存成SPSS .sav档，作为ETL后续处理的数据。
Step2
继续使用SPSS 语法编辑器，将数据进行缺失值处理、数据分段定义处理、名义变量转换数据变量处理、变量标签处理、数据脱敏处理。
数据进行缺失值处理，例子如下：
数据分段定义处理，例子如下：
首先数据分段定义，可以利用SPSS 的“频率”菜单来协助设计适合的分割点。
然后用SPSS 语法编辑器进行数据分段
名义变量转换数据变量处理，例子如下：
将数据进行这三种处理的用途，在于后续可以方便的进行交叉表分析、spearman相关系数分析、kendall秩相关系数分析、贝叶斯方法分析或是Apriori 算法挖掘。
之后进行变量标签处理，例子如下：
将变量加上标签的目的，在于后续SPSS产生分析说明时，标签值会出现在说明中，如此就可以清楚变量在分析说明里所代表的意义，不需另外查找。
数据脱敏处理的目的是将个人身份辨识的单一数据或组合数据，自分析数据源中去除，避免造成数据流失时的麻烦。
Step3
在进行数据分析前，还需要先完成一个数据排重的设计。因为案例中，我们为了实现购买商品的属性特征对会员购买粘度的分析，所以在生成数据时特意让用户基本数据、业务类数据结合订单明细数据，不过产生的副作用就是出现了一人多笔重复用户基本数据、业务类数据的状况。此时若要进行用户基本数据对会员购买粘度的分析， 或是业务类数据对会员购买粘度的分析，必须先经过SPSS一个数据排重的处理，如左下:可以得到每一手机最大CTRange (购买粘度)的过滤器；如右下：则可以得到一手机每一个主订单的过滤器
再通过SPSS “选择个案”的菜单， 就可以消除分析数据源的数据重复状况了。
Step4
在这个案例中，经过处理后的数据，应该会包含了会员购买粘度定义的用户群，也包含了用户基本资料（注册资料、导购注释），业务类数据（购买汇总）与用户行为数据（主订单、细订单）。
接下就可以利用交叉表分析、spearman相关系数分析、kendall秩相关系数分析、贝叶斯方法分析或是Apriori 算法挖掘产生个各种分析结果。例如使用交叉表对名义变量分析时，就可以将分析结果中皮尔森卡方渐进显著性（双侧）< 0.05, 且 克莱姆V系数 >= 0.5 的变量当成候选标签，然后用此候选标签与会员购买粘度建立可视图表，再次确定此候选标签与会员购买粘度的相关性。
Step5
将Step4 里确定的候选标签收集起来，就可以针对不同的会员购买粘度建立用户群画像。
数据应用的建议是我们建立用户群画像的最后目的。
例如微信有一个“48小时不限次数推送信息“，其使用条件是：
1.公众号48小时内互动的粉丝进行不限次数推送；
2.互动粉丝动作定义：关注、对话、扫码、点菜单（弹出信息）等，只需满足其中一个动作均算。
如果要48小时跟会员产生密集互动，完成行销目的，就必须针对用户群画像的标签发送首篇文章、或创意活动，才能让会员有感有兴趣的进行对话、扫码、点菜单，然后后续才有机会进行48小时的行销，有了会员群的用户画像，就可以进行如下的行销设计 (可结合第三方提供的微信工具) ：
在 5）手动建模里面很多动作都是重复性的操作，幸好SPSS内建Python 3.4.3 ，并且提供两种方法，可以将这些操作用Python的程序处理掉，提高工作效率。
第一种方法
在Python 的 IDE 环境里进行。首先在SPSS 菜单中打开Python3的IDE；
然后开启或建立一个py文档；
在文档中，引入一个 SpssClient模块，接下在StartClient() 跟 StopClient() 之间，就可以进行程序化的处理了。完成后按下 F5 Run Module
通过这个方法，可以轻松的将SPSS 分析产生的output 文件，进行过滤挑选出所需要的变量字段与分析数据。
第二种方法
在SPSS的 语法编译器环境里进行。首先在SPSS 菜单中新建或打开一个语法档，然后在 BEGIN PROGRAM. 与 END PROGRAM. 之间输入Python指令，就可以进行程序化的处理；
通过这个方法，可以对SPSS 的数据进行分析处理。结果就直接呈现在SPSS output 查看器中。
