【正文】 Knowledge)了解客戶購(gòu)買不同產(chǎn)品的情況 Product Affinity評(píng)估客戶對(duì)運(yùn)營(yíng)商的利潤(rùn)貢獻(xiàn)度 Value Score評(píng)估客戶的價(jià)格敏感度 Price Sensitivity Profiling預(yù)測(cè)客戶稱為高價(jià)值客戶的傾向 Propensity to be VIP客戶信用度評(píng)估 Credit Scoring/Credit Model客戶分群 Psychodemographic Profiling預(yù)測(cè)營(yíng)收變化趨勢(shì) Revenue Forecast預(yù)測(cè)客戶的服務(wù)使用量變化趨勢(shì) Usage Forecast常用的技術(shù)業(yè)務(wù)目標(biāo) 分析方法 /技術(shù) 錢包份額 /爭(zhēng)取新客戶 (Wallet Share/Acquisition)預(yù)測(cè)客戶購(gòu)買新產(chǎn)品的傾向 決策樹 /對(duì)數(shù)回歸預(yù)測(cè)客戶擴(kuò)展服務(wù)用量的傾向 決策樹 /對(duì)數(shù)回歸預(yù)測(cè)客戶升級(jí)服務(wù)的傾向 決策樹 /對(duì)數(shù)回歸客戶挽留及保育 (Retention)預(yù)測(cè)哪些客戶會(huì)終止服務(wù)的使用 決策樹 /對(duì)數(shù)回歸改善挽留行動(dòng)的效率 描述型分析 /響應(yīng)模型欺詐 /拖欠偵測(cè) (Fraud/Delinquency)預(yù)測(cè)客戶拖欠賬單支付的傾向 對(duì)數(shù)回歸預(yù)測(cè)拖欠客戶對(duì)催繳的響應(yīng) 決策樹欺詐偵測(cè)及管理 規(guī)則歸納基礎(chǔ) /知識(shí) (Infrastructure/Knowledge)了解客戶購(gòu)買不同產(chǎn)品的情況 關(guān) 聯(lián)規(guī)則評(píng)估客戶對(duì)運(yùn)營(yíng)商的利潤(rùn)貢獻(xiàn)度 ABC成本核算評(píng)估客戶的價(jià)格敏感度 描述型分析 /聚類預(yù)測(cè)客戶稱為高價(jià)值客戶的傾向 對(duì)數(shù)回歸客戶信用度評(píng)估 描述型分析客戶分群 聚類分析預(yù)測(cè)營(yíng)收變化趨勢(shì) 線性回歸預(yù)測(cè)客戶的服務(wù)使用量變化趨勢(shì) 線性回歸常用的數(shù)據(jù)挖掘技術(shù)數(shù)據(jù)挖掘分類l一般功能216。預(yù)測(cè)型數(shù)據(jù)挖掘l不同角度 , 不同分類216。挖掘的知識(shí)類型216。應(yīng)用的領(lǐng)域數(shù)據(jù)挖掘分類數(shù)據(jù)挖掘描述 預(yù)測(cè)統(tǒng)計(jì)回歸關(guān)聯(lián)分析決策樹可視化聚類分析時(shí)序分析特征分析神經(jīng)網(wǎng)絡(luò)分類曾經(jīng)欠費(fèi)租期 3到 4個(gè) 月月平均不同 受話號(hào)碼數(shù) =40曾經(jīng)投訴過無(wú)有是 非話費(fèi)下降至 1/3是非Etc.是77%流失是非非Etc.Etc.Etc.Etc.預(yù)測(cè)根據(jù)過去的數(shù)據(jù)預(yù)測(cè)將來要發(fā)生什么l 問題描述：預(yù)測(cè)客戶流失可能性l 結(jié)果描述 : 決策樹決策數(shù)模型基本假設(shè) : 近朱者赤，近墨者黑Known credit cardholderMost likely to have credit card決策樹 模型 (Decision tree model)依賴變量(因變量 )獨(dú)立變量(自變量 )量化兩個(gè)連續(xù)變量之間的關(guān)系的統(tǒng)計(jì)技術(shù)回歸l線性回歸lLogistic回歸擬合一條穿過數(shù)據(jù)的線，線上的點(diǎn)使對(duì)應(yīng)數(shù)據(jù)點(diǎn)的方差最小 ……線性回歸與線形回歸相似，它的依賴變量 (因變量 )不是連續(xù)的，而是離散的Logistic回歸Log ( p/ (1p)) = + * 收入邏輯回歸模型 (Logistic regression)系數(shù)絕對(duì)值越大，對(duì)目標(biāo) (欠款 )影響力越顯重要Pr(Delinqent) = exp(Logit_X)/(1+exp(Logit_X))Logit_X= + * 活存 余額總額 + * 信卡信用額度 + * 信卡上期結(jié)欠消費(fèi)款 + * 信卡卡 數(shù) + * 持有 產(chǎn)品類 別 數(shù) + * 是否 為 男性 + * 是否 為 臺(tái)北市分行 + * 電 子基金下 單 註記 + * 是否 為個(gè)人 用途 + * 近 6月平均客戶收益金 額 + * 是否 啟 用 網(wǎng) 路 + * 活存帳戶 數(shù) + * 是否非 貴賓 理 財(cái) 戶 + * 信 貸總 期 數(shù) + * 是否 為員 工PositiveNegative描述l聚類216。無(wú)指導(dǎo)學(xué)習(xí)216。 劃分的方法216。 基于密度的方法216。 基于模型的方法Short Dark Hair, SmilingWork in ConsultingMales with no JacketGlassesSuitsK均值算法X1X2Seed 1Seed 2Seed 3l任意選擇 k個(gè)對(duì)象作為初始的類中心；l循環(huán)：216。更新類的平均值，即計(jì)算每個(gè)類中對(duì)象的平均值；l終止： 類中心不再發(fā)生變化聚類X1X2Seed 1Seed 2Seed 3K均值算法X1X2Seed 1Seed 2Seed 3經(jīng)過一次迭代客戶分群 (Clustering)總交易金額黃金客戶 (4%)? 消費(fèi)總金額很高? 大額透支? 平均透支利息總額高? 經(jīng)常異地消費(fèi)休眠客戶 (60%)? 較少交易? 絕不透支交易次數(shù)潛力客戶 (16%)? 單筆交易金額高? 交易次數(shù)不多? 極少取現(xiàn)? 存現(xiàn)還款? 透支消費(fèi)工資戶 (8%)? 大額轉(zhuǎn)入? 經(jīng)常取現(xiàn)? 無(wú)透支消費(fèi)存取現(xiàn)戶 (8%)? 經(jīng)常取現(xiàn)? 經(jīng)常存現(xiàn)還款? 交易較多? 單筆交易金額高? 有異地交易轉(zhuǎn)出戶 (4%)? 大額轉(zhuǎn)出? 少量消費(fèi)“ 啤酒與尿布 ”216。利用數(shù)據(jù)倉(cāng)庫(kù)， WalMart分析哪些商品顧客最有希望一起購(gòu)買： “ 啤酒與尿布 ” ；關(guān)聯(lián)規(guī)則l問題描述：216?？梢暬P(guān)聯(lián)規(guī)則age(X, “20..29”) ^ ine(X, “20..29K”) → buys(X, “PC”) [support = 2%, confidence = 60%]關(guān)聯(lián)規(guī)則 購(gòu)物車RuleA ? DC ? AA ? CB amp。關(guān)系的、事務(wù)的、面向?qū)ο蟮?、?duì)象 關(guān)系的、空間的、時(shí)間序列的、文本的、多媒體的， WWW , 等等l挖掘的知識(shí)類型216。多重抽象層次的知識(shí)發(fā)現(xiàn)l所用的技術(shù)216。零售 , 電信 , 銀行 , 欺詐分析 , DNA挖掘 , 股票證券 , Web挖掘 , Web日志分析 , 等等議程l數(shù)據(jù)挖掘概述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。Teredata Warehouse Miner架構(gòu)特點(diǎn) l數(shù)據(jù)挖掘?qū)嵤┡c應(yīng)用216。應(yīng)用過程 :策劃和執(zhí)行216。成功的關(guān)鍵數(shù)據(jù)挖掘工具 功能lSAS Enterprise Miner216。 必須在 SAS環(huán)境下構(gòu)建挖掘基礎(chǔ) (數(shù)據(jù)文件 , 處理結(jié)果 , 挖掘過程 )216。 試圖通過圖形界面改善易用性 , 但并未簡(jiǎn)化挖掘過程216。 極佳的易用性 (可視化開發(fā)環(huán)境 )216。 功能的廣度和深度一般 (決策樹 ,神經(jīng)網(wǎng)絡(luò)和聚類 。 通過 ODBC訪問 TeradatalTeradata Warehouse Miner216。 避免數(shù)據(jù)遷移帶來的空間時(shí)間開銷以及數(shù)據(jù)管理問題數(shù)據(jù)挖掘工具 特性lTeradata Warehouse Miner216。 避免數(shù)據(jù)遷移216。 處理前需將數(shù)據(jù)保存到 SAS數(shù)據(jù)文件 , 擴(kuò)展能力受限216。 在小數(shù)據(jù)樣本 (小于 10~50GB)上的最佳選擇lSPSS Clementine216。 其它挖掘分析功能仍需在應(yīng)用服務(wù)器上運(yùn)行 (需要數(shù)據(jù)抽取 )216。NCR專業(yè)服務(wù)人員具備多年數(shù)據(jù)挖掘應(yīng)用實(shí)施的經(jīng)驗(yàn)n金融業(yè)n零售業(yè)n電信業(yè)216。攜手合作產(chǎn)生了 Indbs(場(chǎng)內(nèi)挖掘 )挖掘的先鋒 ——Teradata Warehouse Miner議程l數(shù)據(jù)挖掘概述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。Teredata Warehouse Miner架構(gòu)特點(diǎn) l數(shù)據(jù)挖掘?qū)嵤┡c應(yīng)用216。應(yīng)用過程 :策劃和執(zhí)行216。成功的關(guān)鍵l1997年，數(shù)據(jù)挖掘?qū)嶒?yàn)室已經(jīng)開發(fā)和驗(yàn)證了數(shù)據(jù)挖掘的方法論 :l當(dāng)時(shí)使用第三方分析工具252。描述統(tǒng)計(jì) /數(shù)據(jù)轉(zhuǎn)換 /矩陣生成252。分析型算法 amp。與第三方分析軟件各有優(yōu)勢(shì)? Teradata Warehouse Miner ? 2022252。Teradata Profiler216。Teradata Warehouse MinerTeradata Warehouse Miner版本發(fā)展模型發(fā)布Teradata Warehouse Miner產(chǎn)品線分析型模型的建立、測(cè)試及校驗(yàn)數(shù)據(jù)預(yù)處理理解業(yè)務(wù)目標(biāo)理解源數(shù)據(jù)數(shù)據(jù)特征刻畫及探索功能 :? 可視化? 描述性統(tǒng)計(jì)? 數(shù)據(jù)探索器分析數(shù)據(jù)集創(chuàng)建功能 :? 轉(zhuǎn)換? 矩陣功能? 重組? 派生變量分析型模型開發(fā)功能 :? 分析型算法? 高級(jí)統(tǒng)計(jì)功能分析型模型發(fā)布功能 :? 模型轉(zhuǎn)換為 SQL? 模型執(zhí)行Teradata Model Manager? 目標(biāo) :運(yùn)行企業(yè)內(nèi)的業(yè)務(wù)人員訪問和使用模型? 目標(biāo)用戶 :業(yè)務(wù)人員和挖掘?qū)TTeradata Profiler ? 目標(biāo) :數(shù)據(jù)探索 , 數(shù)據(jù)挖掘 , 數(shù)據(jù)質(zhì)量評(píng)估? 目標(biāo)用戶 : DBA, 數(shù)據(jù)架構(gòu)師 , 挖掘?qū)T , 質(zhì)量分析師Teradata ADS Generator ? 目標(biāo) :簡(jiǎn)化分析數(shù)據(jù)集的創(chuàng)建 , 用于建立分析型模型 .? 同時(shí)包含 Teradata Profiler的功能? 目標(biāo)用戶 :挖掘?qū)T (支持 SAS及其它挖掘工具 ).Teradata Warehouse Miner? 目標(biāo) :建立分析型模型 . ? 同時(shí)包含 Teradata ADS Generator的功能? 目標(biāo)用戶 :挖掘?qū)T /分析建模人員l 單變量統(tǒng)計(jì)252。 Standard Deviation252。 Variance252。 Skewness252。 Uncorrected Sum of Squares252。 Modesl 基本數(shù)據(jù)質(zhì)量分析252。 Count252。 Positive Values252。 Zeros252。 Unique Valuesl 數(shù)據(jù)分布分析252。 Crosstabulation216。 Histograms of Continuous Variables216。 User Defined Widths/Boundaries216。 “Adaptive Binning”l 覆蓋分析252。 Continuous plot in 2/3Dl 分位 amp。 Top 10/Bottom 10 Percentiles252。 Top 5/Bottom 5 Ranks and ValuesTeradata Warehouse Miner Teradata Profilerl 相關(guān)分析252。 Performs basic statistical analysis on a set of tables and selected columns within any Teradata database 252。 Values Analysis Every column in the set of input tables 216。 Frequency Analysis Every column that has less than or equal to a number of unique values216。 2 amp。 2 amp。 Values Bar Char