銀行客戶數(shù)據(jù)分析(1)-在線瀏覽
2025-07-17 05:31本頁(yè)面
【正文】 ) ? Salary last Month(上一個(gè)月自動(dòng)付款的賬目 ) ? Salary this Month(這一個(gè)月自動(dòng)付款的賬目 ) ? Count of Credit this Month(這個(gè)月存款的次數(shù) ) 5 數(shù)據(jù)集 (屬性 ) ? Count of Debit this Month(這個(gè)月取款的次數(shù) ) ? Count of OD(透支的次數(shù) ) ? Amount of Deposit this Month(本月存款的賬目 ) ? Amount of Withdraw this Month(本月取款的賬目 ) ? Last Transaction Date(上一次交易的 日期 ) ? Country Code(客戶所屬的國(guó)家 ) ? Birthday(生 日) ? Sex(性別 ) ? ? ? 6 數(shù)據(jù)預(yù)處理 ? 我們選用 Weka數(shù)據(jù)挖掘工具來(lái)對(duì)客戶的賬戶數(shù)據(jù)進(jìn)行分析，因此所有的原始數(shù)據(jù)都必須轉(zhuǎn)換成能被 Weka處理的數(shù)據(jù)集格式。 ? 對(duì)于缺失的屬性值，因?yàn)?Weka中的算法能自動(dòng)處理屬性值缺失的情況，所以按 Weka數(shù)據(jù)集的格式要求用 “ ?”表示。xxxxx???8 聚類分析 ? 目標(biāo) ? 我們的目的是對(duì)客戶進(jìn)行分群，從而使銀行可以對(duì)不同群體的客戶提供不同的服務(wù)。 ? 方法 ? kmeans算法 ? 選取的特征 ? 從 31個(gè)原始屬性值中選取 23個(gè)屬性用作聚類（都是數(shù)值型或標(biāo)稱型的） ? 聚類參數(shù) ? 在經(jīng)過(guò)規(guī)格化處理后的數(shù)據(jù)集中，用 kmeans算法在選定的 23個(gè)屬性上進(jìn)行聚類，設(shè)定聚類數(shù)為 10. 9 各聚類大小 ? 各聚類所包含的客戶數(shù)量如下表 聚類 客戶數(shù)量 聚類 1 145 聚類 2 69 聚類 3 133 聚類 4 6183 聚類 5 1985 聚類 6 213 聚類 7 46 聚類 8 446 聚類 9 413 聚類 10 368 表 1 10 對(duì)聚類大小的分析 由表 1可知，各聚類有大有小，且大小懸殊，但也合乎客戶關(guān)系處理的目的。在上表所示的 10個(gè)聚類中，除去最大的聚類 4后其余 9個(gè)聚類的客戶數(shù)達(dá) 3818人，占總客戶量的 %；除去最大的兩個(gè)聚類（聚類 4和聚類 5）后其余 8個(gè)聚類的客戶數(shù)達(dá) 1833人，占總客戶量的 %. 大聚類可以再繼續(xù)細(xì)分 (作為一個(gè)數(shù)據(jù)集再繼續(xù)進(jìn)行聚類操作 , 或直接提高聚類個(gè)數(shù) ) 11 對(duì)各聚類結(jié)果的處理 ? 聚類后的各聚類結(jié)果的數(shù)據(jù)是規(guī)格化處理后的數(shù)據(jù)的結(jié)果，我們
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1