客户关系管理实验报告.docVIP

客户关系管理实验报告 学院： 商学院 班级： 姓名： 学号： 实验时间： 2018年5月 实验成绩： PAGE PAGE 2 实验一：关联规则和决策树分析 一、实验目的：探索BASKETS1n，挖掘以下问题 1、哪些食品经常出现在同一个购物篮 2、满足什么条件的人是健康食品的购买者 二、实验步骤 1、点击数据源→选择可变文件→Demos→读取数据BASKETS1n→输出表→执行 2、连接字段选项中的类型节点→编辑类型节点→读取值（必点）→客户信息（value-age）方向为无，购买信息（-confectionery）方向为双向 在类型节点后面建模GRI和Apriori→执行→得出支持度小于置信度 4、在类型节点后面设置网络图→字段全选→客户信息前三个删掉→勾选仅显示真值标志→执行 5、类型结点上连接导出结点→编辑（导出字段为healthy、导出为“标志”、字段类型为“标志”、真值设置为“T”、假值设置为“F”）→以下情况为真:fruitveg =’T ’and fish=’T’→确定→输出一个表格→执行 6、healthy后连接一个新的类型节点→编辑（方向：healthy设置为输出、fruitveg设置为无、其他为输入） 7、在新的类型节点后建模C5.0→定制TRUE,RULE→执行得到执行树和规则集 三、实验结论 1、啤酒、冻肉、罐装蔬菜的关联性最强，常出现在同一购物篮中。其中，啤酒和罐装蔬菜置信度最高，冻肉和罐装蔬菜支持度最高，即罐装蔬菜和冻肉经常放同一购物篮。随着支持度不断增加，食品种类不断减少。 2、大于24岁的人不是健康食品的购买者，小于等于24岁但是已婚的也不是健康食品的购买者。即24岁以下无家的青年人是健康食品的购买者。 四、实验小结 通过此次试验，我们用一个具体的案例学习了如何用这个软件帮助我们更好的挖掘数据，如何使用软件分析一些数据之间的关系，通过网络图和决策数模型可以清晰的看出数据之间的关联性。但是初次使用这个软件还有不熟悉的地方，置信度、支持度这样的数据的具体意义还需要记忆理解。 实验二：决策树专业修整和聚类分析 一、实验目的：探索DRUG1n，挖掘以下问题 1、对决策树进行剪枝、修改出错成本，并与简单决策树进行精确度对比； 2、探索DRUG1n，使用聚类模型对该数据进行聚类分析。 二、实验步骤 将RULE(C5.0模式)改成专家→点击决策树→建立定制名为NO-CUT的决策树→修建严重性为0→执行 进入决策树编辑框→模式改为简单→名称改为NE-COST→点击成本→使用误分类损失→将第一行第一列改为0.4→执行→将NE-COST接到类型后面→在两者后面连接放大镜 3.进入编辑框→模式改为专家→名称NEZ-COST→点击成本→使用误分类损失→将第一行第一列改为0.4→执行→将NE-COST接到类型后面→在两者后面连接放大镜 4、在NO-CUT、NE-COST、NEZ-COST后面分别连接一个矩阵（将矩阵的行设置为healthy列设置为C-healthy）、一个放大镜→→产生两张表格，在NE-COST和NEZ-COST后分别连接一个矩阵→产生两张表格 （成本误分类损失对比：避免了成本费用的增加） 5、打开Drug1n,点击类型→读取值→方向全部设置为输入→在建模中点击K-Means、两步法和Knhonen  由步骤4可得出结论：NE-COST的结果最好，NES-COST精确度最高，避开最彻底。所以，修错越精确，剪枝越彻底，它的精确度越高，避开越彻底。成本误分类损失之间的对比就避免了成本费用的增加。 聚类分析法通过对各个变量之间进行分类处理，找出各指标之间相似程度的统计量，把相似程度大的划分为了一类。 四、实验小结 在本次实验中，我们通过决策树专业修整的方法对决策树进行剪枝、修改出错成本，并与简单决策树进行精确度对比，然后通过对比我们得出成本损失对比图，通过得出的结论我们可以对成本进行有效的成本控制。而聚类分析有助于我们对相似指标的分析。这两项操作都比较复杂，用到的模型也比较多，需要多练习才能熟练掌握。 实验三：神经网络分析 实验目的：探索Goods1n，挖掘以下问题 1、学会使用神经网络分析哪些商品值得做促销； 2、学会抽样键、特征选择键的使用 实验步骤 创建可变文件→选取Goods1n中的数据→输出表格→执行 在Goods1n后增加一个increase导出图（设置导出字段为increase、公式为After-Before/Before*100） 3、在导出字段后连接类型节点→设