行业数据挖掘应用课件.pptVIP

数据挖掘定义 通俗地讲，数据挖掘就是对海量数据进行精加工；严格地说，数据挖掘是一种技术，从大量的数据中抽取出潜在的、不为人知的有价值信息、模式和趋势，然后以易于理解的可视化形式表达出来，其目的是为了提高市场决策能力、检测异常模式、控制可预见风险、在经验模型基础上预言未来趋势等。 数据挖掘方法 CRISP-DM（Cross-Industry Standard Process for Data Mining）就是公认的、较有影响的方法论之一。 商业理解（Business Understanding） 数据理解(Data Understanding) 数据准备(Data Preparation) 建模(Modeling) 评估(Evaluation) 发布(Deployment)。 数据挖掘过程 数据挖掘的过程就是一个不断探索数据特征、建立和检验模型，发现客户消费行为特征的过程。 行业应用过程 行业应用分布 行业应用方法 数据挖掘存在一个较长的应用周期。 数据挖掘应用的有效方法是：从一个较小的、关键的问题出发，建立起相对有效的模型，并通过应用实践不断检验和完善模型，逐步替使用者解决问题。 银行行业应用 1、客户细分 2、存贷款业务交叉销售 3、预防客户流失 4、信用卡风险控制 5、防范信贷风险及欺诈 6、其他挖掘主题 客户流失分析 业务目标：得出最可能流失的客户名单，交由客户服务部门采取挽留措施； 建模数据：客户个人资料、消费情况、历史流失情况； 挖掘模型：神经网络、C5.0决策树、线性回归 部署数据：新的客户资料、消费情况 挖掘结果：预测出每个新客户的流失概率，并从中取概率最大的一部分。 客户流失分析 尽可能减少客户流失，增加交叉销售，吸引有价值的新客户，在与客户发生关系的整个过程中增加盈利能力。 客户信用评分 业务目标：给每个客户进行信用评分，以便确定客户的贷款授信、信用卡透支额度等； 建模数据：客户个人资料、历史信用情况； 挖掘模型：神经网络、C5.0决策树、线性回归 部署数据：新的客户个人资料 挖掘结果：为新客户给出信用评分（0-1） 洗钱行为监测 业务目标：分析客户交易行为，从中找出少部分异常的交易，重点检查是否为洗钱； 建模数据：帐号及相应的交易行为信息； 挖掘模型：K-means聚类、TwoStep聚类 部署数据：同建模数据； 挖掘结果：筛选出与大多数交易行为不同的交易记录。 客户风险控制 风险控制 客户行为分析 客户行为及资料聚类 客户评价分析 客户欺诈分析 欺诈数据挖掘及评分 客户财务数据挖掘 1) 公司之间的相似程度，它们的距离，合并。 2) 公司有金融比率值高或很高，其他则低或很低。 3) 金融分析家和有经验的投资者可以通过改变金融比率的选择，开始新的聚类分析。他们可以从多次、多层聚类分析的结果中获得更多有用的信息。 银行其他应用 (1) 构建信用评级模型来评估贷款申请人或信用卡申请人的信用风险 (2) 构建探测欺诈模型来对可能的欺诈交易及早发出警告 (3) 更好地理解消费者和客户（例如通过购物篮分析） (4) 将用户分类（例如通过聚类）。所获结果可以用来制定邮寄类别、有针对性的广告和促销活动等。 (5) 构建模型来预测购买特定产品或服务的概率，从而推动交叉销售和向上销售。 银行行业案例 金融行业 中国建设银行 -基于SPSS统计分析产品的风险预警管理系统光大银行 -采用Clementine产品，进行企业信贷风险数据数据分析中国银行 -建立信用风险评级管理系统，有效组建内部评级分析体系 First Union(美国第六大银行企业) -现在我们确切明白了需要做些什么来满足客户的需求和期望，我们的交付系统也发生了重大变化。Barclays Bank(英国领先的金融服务集团) - Barclays的市场研究小组可以进行不断增加的有效的调查，从而在研究客户需 求时可以从数据中获取更多的价值美国汇丰银行 -预测分析帮助我们在合适的时间、用合适的产品和服务来接触合适的人。而SPSS为我们提供了进行这些分析的有力武器。 SPSS银行业用户 电讯行业应用 电信运营商拥有许多成熟的数据库应用系统 如网管系统、财务系统、计费账务系统、112障碍管理系统、缴费销账系统等，并产生了大量的业务处理数据。 如果针对客户关系管理相关决策分析的需求，对这些数据进行重组整合，就能充分利用这些宝贵的数据，体现信息的真正价值。 电讯行业应用 快速占领市场，扩大市场份额 牢牢掌握大客户，防止流失 了解竞争对手，强化竞争优势 分析收入组成，制定战略决策 发现欺诈规律，减少欺诈行为 电讯客户流失 电信客户流失涉及以下的一些问题： 1.哪些现有客户即将流失? 2.现有客户的流失概