客户关系管理ModelerIntroduction.pptVIP

结果解释-散点图 促销投入与销量增长之间的潜在线性关系 * 结果解释-神经网络 估计的准确性: 91.892 输入层: 7 个神经元 隐藏层 1: 3 个神经元 输出层: 1 个神经元 输入的相对重要性 Class 0.4626 Promotion 0.282694 Cost 0.0247975 Before 0.0135569 * 模型应用 可以将该神经网络模型用于预测促销投入对于销售增长的拉动效果。 导入数据GOOD2n，进行预测，将预测结果输出为表，生成的$N-Increase为预测值 * 建模分析(6)：聚类分析 Modeler中聚类分析模型包括Kohonen、Kmeans、TwoStep。 Kohonen由一个输入单元层和一个处理单元组成的神经网络生成聚类映像。 K-Means通过定义一组起始聚类中心进行分类，然后根据记录的输入阈值把每个记录分到与其最相似的聚类。 TwoStep是一种分两步进行的聚类方法，第一步单独通过数据，第二步使用层次聚类方法。 * 聚类分析 数据背景：对目标人群的健康情况进行分析，主要测量数据包括胆固醇、Na、Ka元素的含量，从而分为不同类别 数据源：DRUG1n * 类型节点：由于事先不知道数据的分类情况，聚类模型中参与分类的所有的字段方向均设置为输入，Drug方向设置为无。 加入聚类模型Kmeans节点： 设置聚类数 生成距离字段：某记录与该类中心的距离 显示相似度：类与类间的距离 执行，生成模型结果节点 加入图形节点：分布图 * 数据流 * 结果解释 * 决策列表 通过目标变量（yes 或 no）标识了子组或段，例如，寻找那些最不可能流失的客户或最有可能对某个商业活动作出积极响应的客户。 段、规则和条件：模型由段列表组成，每个段由选择匹配记录的规则进行定义，给定的规则可以有多个条件 要求：目标变量为标志类型或集合的分类目标字段，至少一个预测变量（输入）字段。当目标字段类型为集合时，必须手动选择一个值作为匹配或响应；所有其他值集中在一起作为不匹配。 * 案例 以某金融公司为例，该公司希望通过为每个客户提供最适合的报价以在未来的商业竞争中取得更大收益。 数据文件 pm_customer_train1.sav，客户类型campaign 字段表征客户所属类型（普通客户、银卡客户、金卡客户、白金卡客户）。 数据探索性分析：通过图形查看客户类型的分布情况（分布图节点） * 类型节点：response输出， customer_id、campaign、response_date、purchase、purchase_date、product_id、Rowid 和 X_random设为无 选择节点：从原始数据中选择campaign =2的客户类型进行分析 建模节点：目标值设为 1 ，最大段数设为 3 结果：获得响应率较高的三段客户群体 * 序列模式 序列模式：事务在发生过程中的先后顺序上的规律（通常为面向时间的数据） 某人在商店购买了面包和牛奶，几天之后返回了该商店购买了一些奶酪，可表示为两个项目集合：面包和牛奶——奶酪。序列是一系列可能会以可预测顺序发生的项目集合。 指定ID字段 最小规则支持度/最小规则置信度 最大序列大小：序列中不同项目集合的最大量 * * 异常检测 异常检测（离群点分析）：金融领域的信用卡欺诈交易、洗钱活动；股市操控等 异常节点：基于距离和聚类的挖掘方法 * 例：GrantfraudN.db，申请农业补贴的数据表，从中筛选最异常的数据样本 结果：两个对等组（聚类），异常记录数，收益，计数，平均指数 输出到表节点：通过异常指数值，显示异常记录标志、从中获取异常记录。 * * 二元分类器模型 使用多种不同方法创建并比较二元（是/否）结果模型，对比各种模型（C5.0、CRT、QUEST ，CHAID，Logistic 回归和决策列表）的结果。 要求：输出变量为标志型，至少一个输入变量。 例如银行审核客户信用 * 时间序列 时间序列预测 类型节点：设置预测变量为输出 字段：添加“时间区间”节点 散点图：数据变化趋势的探索性分析 时间序列模型 * 主成分/因子分析 用于数据降维 要求：因子/主成分分析模型中只能使用数值字段。 * * * 添加类型节点并将 response_01 的方向设置为输出； 将客户 ID (custid) 和其他响应字段（response_02 和 response_03）的方向设置为无； 将所有其他字段的方向设置为输入； 添加特征选择建模节点； 执行流以生成特征选择模型。 * 数据流 生成的特征选择模型显示