在MATLAB当中详细写出数据挖掘技术对上述案例分析的每个步骤的思路和操作（定义目标、数据分析、数据准备、模型构建、结果分析）。

在MATLAB中进行数据挖掘，可以按照以下步骤进行：

1. 定义目标：确定数据挖掘的目标，例如在本案例中，我们的目标是通过分析消费者的购买历史数据，预测新用户的购买意愿。

2. 数据分析：对数据进行探索性分析，例如对购买历史数据进行可视化，查看数据分布、缺失值和异常值等情况。可以使用MATLAB中的数据可视化工具箱，例如plot、histogram、boxplot等。

3. 数据准备：对数据进行清洗、预处理和特征选择等操作，以便于建立模型。例如对缺失值进行填充，对离散型变量进行编码等。常用的工具包括MATLAB中的datastore、table、impute、encode等。

4. 模型构建：选择适当的模型进行建立，例如决策树、随机森林或神经网络等。在MATLAB中，可以使用ClassificationLearner或RegressionLearner应用程序，也可以使用命令行函数fitctree、fitcensemble或fitnet等构建模型。

5. 结果分析：对模型结果进行评估和解释，例如使用交叉验证、ROC曲线、混淆矩阵等指标进行评估。在MATLAB中，可以使用crossval、roc、confusionmat等函数进行结果分析。

具体实现的代码如下：

1. 定义目标：

预测新用户的购买意愿。

2. 数据分析：

加载数据集：

data = readtable('purchase_history.csv');

查看数据集的基本信息：

summary(data)

绘制数据集的直方图：

histogram(data.PurchaseAmount)

3. 数据准备：

处理缺失值：

data = fillmissing(data, 'previous')

对离散型变量进行编码：

data = encode(data, {'Gender','MaritalStatus','Education','Occupation'}, 'dummyvar')

4. 模型构建：

划分训练集和测试集：

cv = cvpartition(size(data,1),'HoldOut',0.2);
idx = cv.test;
dataTrain = data(~idx,:);
dataTest  = data(idx,:);

训练决策树模型：

mdl = fitctree(dataTrain,'PurchaseYN');

5. 结果分析：

对模型进行交叉验证：

cvmdl = crossval(mdl);

计算ROC曲线和AUC：

[rocX,rocY,~,auc] = perfcurve(dataTest.PurchaseYN,scores(:,2),'1');

绘制ROC曲线：

plot(rocX,rocY)