资料采矿应用.PDFVIP

資料採礦應用 李御璽 教授兼系主任暨所長 銘傳大學資訊工程學系 leeys@mail.mcu.edu.tw 課程內容 13:30 – 14:30 銀行業數據挖掘應用: 小額信貸回應模型 14:30 – 14:40 中場休息 14:40 – 15:40 電信業數據挖掘應用: 產品交叉銷售模型 15:40 – 15:50 中場休息 零售業數據挖掘應用: 銷售數量預測模型 15:50 – 16:30 QA 分類模型的建構方式 李御璽 教授兼系主任暨所長 銘傳大學資訊工程學系 leeys@mail.mcu.edu.tw Data Filtering  建立區隔化模型  有些單一變數雖對整體客群有鑑別力，但不一定對特定客群亦具 有鑑別力  舉例來說，對申請評分模型而言，「年齡 」這個變數在判定績效 指標上具有一定程度之鑑別力，但若將申請樣本依收入區分成「 高收入分群」與「低收入分群」，如下圖所示，可看出壞件率 (Bad%)在高收入分群中，各年齡區間的差異並不顯著 Data Filtering  建立區隔化模型  因此，若能建立區隔化模型，將可替每個客群找出適合它的 變數與模型，進而大幅提升整體模型的鑑別力  以信用卡行為評分模型為例  往來期間不足5個月者予以排除，因無足夠期間之帳戶歷史 資料做為自變數來源  延滯客群適用催收評分模型，故不予納入  目前沒有延滯的客戶則是我們主要的目標客群，以業務與統 計實證皆指出全清戶(Transactor)與循環使用戶(Revolver) 在風險程度與風險型態上均有顯著差異，故選擇以客戶「是 否使用循環 」做為主要分群方式 Data Filtering 總母體 往來期間5個月 無延滯繳款 延滯客群 (排除戶) 正常客戶 (排除件) 全清戶 循環使用戶 Type 1 Filter 區隔化模型 Segmented Based Model 1 (Income = 1000000) Segmented Based Training Filter on Model 2 Dataset Income (Income = 500000) (70%)