资料库知识发现与探索培训资料.pptVIP

銀行簡易信用評等模型建立-資料轉置 製作衍生性變數 根據之前資料探索結果，與決定的模型撰寫程式或公式，產生分析所需要的欄位格式與識別欄位(被解釋變數) 資料轉置與加值 製作Metadata 銀行簡易信用評等模型建立-建立模型 模型的優劣通常取決於 原始資料的取得與整理： 主要的考量點在於資料的時間性，資料源的客觀性與適用性等。 反應變數及解釋變數的定義： 反應變數的定義在於利用已知的結果區分優良與信用不良的客戶 區隔越明顯、資料時間點越一致，越能找出適合預測機率的解釋變數 解釋變數的定義取決於原始資料及經驗 根據反應變數測試所有的變數，找出適合的解釋變數 資料採礦模型的應用： 找出最合適的資料採礦模型，模型的確定必須考慮資料的特性及模型應用的便利性。 銀行簡易信用評等模型建立-模型追蹤評估 此步驟之主要目的是驗證之前的假設，同時調整模型參數 此時應已確認關鍵影響因數、影響比重、與突顯觀察對象的區隔、問題發生模式等 觀察初次模型區隔中的客戶行為(可按重要欄位如消費、繳款情形)，建議觀察最少3個月(可以OLAP輔助) 判定欄位(例如:客戶基本資料欄位)改變？ 判定能力減弱？ 銀行簡易信用評等模型建立-客觀評估模型 在判斷模型優缺點的時，不僅要參考模型正確率，仍需考慮 母體(population)分配 與實際被解釋變數的強度-可信度(Confidence) 在A事件發生的狀況下，同時發生A、B事件的機率=條件機率 = P(B∣A) 支持度(Support) 在所有事件發生的狀況下，同時發生A、B事件的機率=P(B∩A) 增益圖 Lift Chart 增益圖： 主要展現在整體的百分上所累積的效益狀況 由此圖可以看出，需根據固定比例的對象名單進行銷售就有總體相對比例%之銷售效果 收益圖 Profit Chart 根據母體數、固定成本、單位成本以及每個別營收能夠計算出累積利潤圖 收益圖能夠告訴我們何時是最佳獲利點 銀行簡易信用評等模型建立-結果呈現 採礦分析結果報告 包含專案背景、資料敘述統計、使用模型詮釋、解釋變數、與企業問題的表現關係詮釋、視覺化圖表附件等。 企業執行建議研討 (workshop) 綜合產業顧問的know-how與之前的資料假設，以企業應用為導向作更深入的探討與建議，發掘更多事業主題與適切的發展方向。 資料採礦實例分享 I 建立銀行信用卡或消金業務客戶行銷資料倉儲，與各分析模型之階段導入與技術移轉。 單一模型平均進行資料篩選、建模、評估完成修正時程約3個月。 實例介紹： 客戶屬性分群與消費行為區隔模型 全方位資料採礦應用 客戶行銷 資料超市 客戶輪廓區隔 客戶消費模式與行銷活動管理 信用評等模式 利潤貢獻度區隔 以信用卡為例 卡戶價值區隔產出範例 貢 獻 度 Low 1st Group 高貢獻購物群 2nd Group 風潮取向型 3st Group 循環信用型 4th Group 尊 榮 服 務 型 6th Group 流失/休眠 5th Group 游擊行銷型 Size: 30% Revenue: 2.2% Size: 8% Revenue: 18% High 與行銷方案的整合 被動行銷(不需浪費行銷預算) 維持與 推薦優惠方案 推薦優惠方案 促銷方案 HIGH LOW 貢 獻 度 流失機率 LOW HIGH 餐飲、住宿 郵購 家電 旅遊 百貨 針對目標市場進行資料採礦 購物籃分析-Cross-selling/Up-selling 按客戶購買產品之歷史交易，加上問卷調查結果的判別，預測可能有興趣購買產品的關聯性，來規劃投資組合建議。不同產品購買量之增加亦可大幅提昇客戶對於企業之忠誠度。 除了以關聯性來作客群與產品的關聯外，也可用類神經網路來作客群與產品的歸類，或用羅吉斯迴歸來作風險承受預測 客戶區隔應用效益 瞭解全行客戶組成結構 利用客戶區隔模型描繪全行客戶分佈(正常循環、高消費無循環、高循環無預借、高循環高逾期等等) 提供區隔大小、各區隔消費貢獻概況、風險概況、基本資料描繪與統計圖表等 產出目標族群名單 產出多波段行銷活動執行時所需之名單 產出VIP優良客戶名單 客戶行銷方案/產品設計 針對不同目標族群(高利息費用或即將流失客戶)設計誘發或維持方案，將利潤極大化，並降低行銷成本 顧客價值應用資料採礦 Customer Profiling Demographic Segmentation 先將客戶按基本的人口屬性資料分群，作為客戶管理的初步指標，找出相似度similarity或可依循的客服基準 Customer Value Segmentation 按客戶往來績效再作價值分群或群集，找出影響參數、客戶行為模式、風險承受、忠誠