数据挖掘技术与应用(我见过的最全面的理论+最佳案例组合).pptVIP

4.2.1 用户行为分析 上述两种建模技术均可以被用来提高企业营销目标对象的准确性并提高相应的收益。为达到这个目的，目前有很多的分析工具被应用，如： 交叉报表工具 基于机器学习的数据挖掘工具工具。如 Minset、Integent Miner等 基于统计学的分析工具，如SAS、SPSS； 神经网络 4.2.2 用户信用度分析 用户信用度等级描述 详细描述用户信用度等级的具体含义。 信用等级分布表示 客户的利润、客户的基本信息和行为分类如时间段、业务类型等的分布表示。类似于客户行为分析。 信用度的相关分析 分析影响用户信用度的因素之间的概率依赖关系、强度及其可信度。这一方面用于预测客户信用度的发展趋势，当发生变化时，对其信用等级进行相应的调整。 4.2.2 用户信用度分析 利用上述分析结果，给出从一个信用度等级到另一个信用度等级变化可能性大的客户。可能决策者主要关心从高等级到低等级（最低等级）和从低等级到最高等级可能性大的用户群。 4.2.2 用户信用度分析 ? 根据影响用户信用度的主要因素，对用户的帐务数据进行分类，建立分类模型，并对用户进行评分，给出用户的信用度级别（类别）。 影响用户信用度的主要因素包括： （1）交费的及时度 （2）用户的社会性质 （3）用户的通话业务量 （4）用户申请的业务数量 （5）用户申请的业务种类和用户的投诉情况 4.2.2 用户信用度分析 用户信用度分析的实现 1 系统初装时，没有用户的信用度级别信息，这时采用聚类算法，按照用户的帐务行为信息将其分为若干类。在此基础上，依照每类各指标的统计数据和一定的等级评定规则，将各类的信用度赋于高低级别; 2 在系统运转过程中，用户（指本系统用户）可能会对用户已有信用度级别提出异议，或加以修改，这样，对做了相应级别修正后的用户数据，采用有监督的分类学习，就会得到更为准确的分类模型，而且这个模型也是不断在更新的。相应的，随着用户信用行为特征的变化，其信用级别也会不断变动。 4.2.2 用户信用度分析 信用度类别分类依据的用户帐务信息数据包括： 开户平均时长 欠费次数 金额(如本月欠费，则为欠费金额，此值为负，如本月不欠费，则为通话费用，此值非负) 欠费时长 帐务人社会性质 步骤1 用户信用度初始化 数据抽样 抽样的原则 样本尽量具有代表性，且数据量能保证学习耗时不是太多。 例如，可采用一个随机数产生器随机产生要抽取的样本。 数据抽样 步骤2 信用度模型更新 步骤3 用户信用度级别更新 步骤4 新开用户信用度设定 用户的信用度级别设定是由用户的帐务信息决定的，而新开用户没有任何帐务记录，故根据已有的信用度模型没法设置其信用度。考虑到有不同帐务行为的用户有不同的基本信息，即某种信用等级的用户具有相似的基本信息，我们可以分析新开户的基本信息，与各个信用等级的用户基本信息做比较，以确定他属于哪个信用级别，分为以下两步： （1）分类模型确定 (2）新开户信用等级评定 步骤4 新开用户信用度设定 4.2.3 黑名单、红名单 黑名单与红名单管理是在信用度管理的基础上，按照一定的规则，将信用度较高或较低的某些用户列入红名单或黑名单。 根据信用度的评定规则可知，红名单中用户交费及时，消费量大，是电信部门保证利润的最重要客源，也是最应该保持的一部分客户；而黑名单上的用户则是对电信部门利润增长贡献较小或最有可能有欺诈行为倾向的用户。 黑名单与红名单是优惠策略管理和反欺诈管理的重要依据，并且也是电信部门较为关心的重要信息。 4.2.4 优惠策略分析 优惠策略（包括营销优惠策略和话费优惠策略）主要完成： （1）定义优惠规则和优惠方式； （2）用户优惠规则参数化处理； （3）对已有优惠策略的性能分析； （4）优惠套餐的设置； （5）各种优惠和业务、以及其他信息分布关系的展示功能。 4.2.4 优惠策略分析 优惠规则分为： 时段优惠 用户可享受国家规定的时段优惠外，系统还应提供有各个公司制定的适用于本地的时段优惠措施 总量优惠 对用户的业务量达到一定的程度后，给予不同的优惠措施。 4.2.4 优惠策略分析 次数优惠 对用户的通话次数达到一定的数量后，给予不同的优惠措施。 伙伴电话优惠 对用户的通话性质进行区分，对于呼叫某类或某部电话的用户，给予不同的优惠措施。 4.2.4 优惠策略分析 优惠方式包括： 基于客户性质类别的优惠 基于呼叫地区类别的优惠 基于营业地区类别的优惠 基于信用等级的优