【正文】 系統(tǒng)支撐 :有效的 IT系統(tǒng)216。挖掘過程 :有效的實(shí)施方法論216。數(shù)據(jù)挖掘常見軟件216。數(shù)據(jù)挖掘業(yè)務(wù)案例216。系統(tǒng)支撐 :有效的 IT系統(tǒng)216。挖掘過程 :有效的實(shí)施方法論216。數(shù)據(jù)挖掘常見軟件216。數(shù)據(jù)挖掘業(yè)務(wù)案例216。Refinement KnowledgeDiscovery知識必將替代暴力、金錢，成為所有力量中最強(qiáng)有力的力量。系統(tǒng)支撐 :有效的 IT系統(tǒng)216。挖掘過程 :有效的實(shí)施方法論216。數(shù)據(jù)挖掘常見軟件216。數(shù)據(jù)挖掘業(yè)務(wù)案例216。模型實(shí)施Model(Rules)ScoringSegments TargetSegmentOutput DataInput Data (Time Series)Rules or sThresholdNew Data模型實(shí)施模型部署和應(yīng)用項(xiàng)目時(shí)間表示例項(xiàng)目管理三月二月 四月項(xiàng)目規(guī)劃建模調(diào)研 /定義業(yè)務(wù)問題范圍提交最終文檔測試評估討論持續(xù)的建模知識共享五月數(shù)據(jù)探索系統(tǒng)集成 。不同群之間差異明顯216。提升 (LIFT)l分群216。命中率216。有 EMail的客戶剪卡率低模型喂入變量分析及選取流程帳單 /付款狀況 卡片狀況行銷活動(dòng) /客服接觸情形? 性別? 年齡? 星座? 年收入? 教育程度? 職業(yè)? 帳寄地址? 應(yīng)繳金額? 付款金額? 未付金額? 循環(huán)利息? 繳款狀況? 繳款評等? 付款比例? 往來期間? 持有卡別? 持有卡片數(shù)? 信用額度? 卡片申請來源? 帳上循環(huán)金額? 回應(yīng)狀況? 和客戶接觸情形? 行銷活動(dòng)類別ModelData Warehouse消費(fèi)行為? 消費(fèi) /預(yù)借現(xiàn)金金額? 消費(fèi) /預(yù)借現(xiàn)金次數(shù)? 消費(fèi) /預(yù)借現(xiàn)金類別? 消費(fèi) /預(yù)借現(xiàn)金特店類別? 基礎(chǔ)變量 — 性別 , 年齡 …? 衍生變量 — 最近 3個(gè)月總消費(fèi)金額 , 信用額度使用比例 …業(yè)務(wù)規(guī)則 /需求數(shù)據(jù)倉庫現(xiàn)有資料喂入模型變量Scope Business Problem 度量數(shù)稱勝Teradata Data WarehouseSelect amp。申請時(shí)已婚客戶剪卡率較低216。申請時(shí)教育程度越高剪卡率越低 — 大專以下 的客戶剪卡率較高216。年齡大剪卡率低 — 30歲以下 的年輕用戶剪卡率較高216。 整理和呈現(xiàn)數(shù)據(jù)探索的發(fā)現(xiàn)探索型數(shù)據(jù)分析探索式資料分析Credit Card Attrition Model探索剪卡客戶行為之資料來源基本屬性?反應(yīng)狀況?和客戶接觸情形?行銷活動(dòng)類別?客戶抱怨紀(jì)錄?客戶詢問紀(jì)錄?消費(fèi) /預(yù)借現(xiàn)金金額?消費(fèi) /預(yù)借現(xiàn)金類別?消費(fèi) /預(yù)借現(xiàn)金特店類別?最后交易日?消費(fèi)地區(qū)?往來期間?發(fā)卡年度 /專案?持有卡別?持有卡片數(shù)?信用額度?卡片申請來源?帳上循環(huán)金額?可用額度?分行別?開卡注記?卡片評等等級?預(yù)約額度 ?自動(dòng)扣繳帳款?是否使用消費(fèi)簡訊?信用卡貢獻(xiàn)度?應(yīng)繳金額?付款金額?未付金額?循環(huán)利息?繳款狀況?繳款評等?付款比例?額度使用比例?繳款方式?性別?年齡?星座?年收入?教育程度?職業(yè) /位階?帳寄地址?居住地址?持有產(chǎn)品數(shù)?婚姻狀態(tài)?Email?客戶等級?集團(tuán)貢獻(xiàn)度帳單 /付款狀況 卡片狀況 消費(fèi)行為行銷活動(dòng) /客服接觸情形?客戶持有有效信用卡中 , 最早發(fā)卡日距離現(xiàn)在 之期間?續(xù)卡的客戶中 , 收到續(xù)卡多久會(huì)剪卡?疑似被他行 BT客戶分析：使用循環(huán)息 2個(gè)月以 上 , 當(dāng)月以匯款的方式 , 全額繳清帳款?由普 /金 /白金卡免收年費(fèi)之條件 , 分析其比例 及剪卡情形?交易類分析：可區(qū)分為＇ 31＇ 客戶主動(dòng)消費(fèi) , ＇ 51＇ 預(yù)借現(xiàn)金 , 其他為手續(xù)費(fèi)、年費(fèi) 及循環(huán)息等?針對一般消費(fèi) +預(yù)借現(xiàn)金的次數(shù)及金額進(jìn)行析?針對往來期間六個(gè)月以上的卡戶分析其交易 次數(shù)與交易金額增減趨勢?分析客戶繳款行為時(shí) ,區(qū)分為無消費(fèi)、有消費(fèi) 全額繳清及未全額繳清?針對疑似被他行余額代償?shù)目☉舴治銎淅U清帳 款至剪卡間隔期間探索式資料分析 — 基本屬性216。 數(shù)據(jù)轉(zhuǎn)換 以輔助數(shù)據(jù)的分析216。 通過圖形化呈現(xiàn)工具和其他的統(tǒng)計(jì)方法理解數(shù)據(jù)216。 數(shù)據(jù)質(zhì)量 檢查216。數(shù)值分析是全面理解數(shù)據(jù)的第一步，隨之進(jìn)行的統(tǒng)計(jì)分析便于更好地了解有關(guān)數(shù)據(jù)的分布。 Sample 必也正名乎Clean Data 謹(jǐn)防假做真時(shí)真亦假，無為有處有還無Explore Business Facts in DB (EDA) 望聞問切Model 奇正之變，不可勝窮也Deploy工欲成其事，必先利其器資料品質(zhì)的好壞對模型影響甚巨? 資料的量 — 業(yè)務(wù)部門對行銷活動(dòng)的相關(guān)信息紀(jì)錄不完整 , 故無法取得可供分析的資料? 資料的質(zhì) — 空值或不合理值過多80%為空值Qualifying data takes 60 80% project effort.0及負(fù)值均為不合理值Scope Business Problem 度量數(shù)稱勝Teradata Data WarehouseSelect amp。其他困惑、目標(biāo)、洞察216。企業(yè)的價(jià)值觀216。企業(yè)的業(yè)務(wù)目標(biāo)216。不含員工戶及公司戶l客戶反應(yīng)與否定義216。單位 : 至 2022/11月底之 主卡續(xù)卡持卡人216。 Sample 必也正名乎Clean Data 謹(jǐn)防假做真時(shí)真亦假，無為有處有還無Explore Business Facts in DB (EDA) 望聞問切Model 奇正之變，不可勝窮也Deploy工欲成其事，必先利其器? 定義業(yè)務(wù)問題及使用者對數(shù)據(jù)挖掘的需求? 訂定數(shù)據(jù)挖掘的信息環(huán)境? 訂定數(shù)據(jù)挖掘的產(chǎn)出? 定義分析基準(zhǔn) (Base)? 定義分析資料時(shí)間結(jié)構(gòu)202207012022060120220501202204012022030120220201202201012022120120221101Analysis Window (6 Months)Prediction Window (2 Months)已開卡、信用卡狀態(tài)為｀正常＇或｀掛停＇，半年內(nèi)有交易、信用評等不為 M3~M7………..CC Attribute , Transaction , Payment / Bill ,Customer Care , …Churn , Nonchurn 信用卡流失定義與分析范圍6月底主卡人名下所有有效信用卡均流失（ 6月底｀剪卡＇ or 5月底｀掛停＇ amp。理解業(yè)務(wù)問題數(shù)據(jù)的后續(xù)處理知識預(yù)備建模持續(xù)的建模知識共享數(shù)據(jù)挖掘方法論Scope Business Problem 度量數(shù)稱勝Teradata Data WarehouseExplore Business Facts in DB (EDA) 望聞問切Model 奇正之變，不可勝窮也Deploy工欲成其事，必先利其器Clean Data 謹(jǐn)防假做真時(shí)真亦假，無為有處有還無Select amp。成功的關(guān)鍵數(shù)據(jù)挖掘方法論P(yáng)roject ManagementKnowledge TransferBusinessIssuesArchitectureandTechnologyPreparationDataPreparationAnalyticalModelingKnowledgeDelivery and DeploymentNCR數(shù)據(jù)挖掘方法論 CRISPDM Data Mining MethodPete Chapman (NCR), Julian Clinton (SPSS),Randy Kerber (NCR), Thomas Khabaza (SPSS),Thomas Reinartz (DaimlerChrysler), Colin Shearer (SPSS)and R252。應(yīng)用過程 :策劃和執(zhí)行216。Teredata Warehouse Miner架構(gòu)特點(diǎn) l數(shù)據(jù)挖掘?qū)嵤┡c應(yīng)用216。數(shù)據(jù)挖掘概念與常用技術(shù)l數(shù)據(jù)挖掘軟件與架構(gòu)216。 OLAP SQL extensionsTeradata Warehouse MinerSQL企業(yè)級數(shù)據(jù)挖掘 !數(shù)據(jù)冗余數(shù)據(jù)轉(zhuǎn)移數(shù)據(jù)管理困難沒有詳細(xì)數(shù)據(jù)開放式數(shù)據(jù)挖掘策略Teradata Data Warehouse ScoredData SetData SampleAnalyticData Set數(shù)據(jù)預(yù)處理模型發(fā)布建立挖掘模型AnalyticMetadata使用 Teradata Warehouse Miner的處理流程“ 抽取 ” /定制 SQL(ADS) Analytic Data Set Data Sample“ 應(yīng)用 ” 分析模型ScoredData Set“ 加載 ”評分?jǐn)?shù)據(jù)TeradataDataWarehouse CRM Retention CampaignTarget Customers with Attrition Score 70理解您的數(shù)據(jù) 數(shù)據(jù)準(zhǔn)備“ 建立 ” 分析模型“ 評估 ” 分析模型Cust_id Prob Score2062434 612064423 452051691 81… … …2022891 79Role ExampleAnalysis Level Cust_idDependent Variable Close FlagIndep. 1 Candidate of TransIndep. 2 Candidate $ Amt Q1Indep. 3 Candidate $ Amt Q2… …Indep. N Candidate $ Avg Bal重新生成 /“ 抽取 ” ADSRole ExampleAnalysis Level Cust_idDependent Variable Close FlagIndep. 3 Chosen $ Amt Q2Indep. 9 Chosen $ IRA/MonthIndep. 15 Chosen Children… …Indep. N Chosen Region IDAppliedADS使用第三方分析工具的處理流程Teradata ADS Generator 數(shù)據(jù)與分析之間的橋梁Enterprise Data WarehouseCost of Development? ETL resources to move data? Network traffic? Data and server management? Potential for human error優(yōu)化分析環(huán)境? 降低分析應(yīng)用開發(fā)的開銷? 更快提交分析成果Teradata ADS Generator數(shù)據(jù)準(zhǔn)備在數(shù)據(jù)挖掘過程中的比重?cái)?shù)據(jù)挖掘時(shí)間分配NCR TWM數(shù)據(jù)挖掘時(shí)間分配Effort Distribution趨近于Teradata ADS Generator