数据挖掘的步骤及实例(客户流失模型).pptVIP

2-5数据挖掘过程及实例〔客户流失预测〕;第一步：需求分析。明确挖掘目标和要求。

第二步：数据理解。了解目前的数据状况。

第三步：数据准备：选择挖掘的数据并进行预处理

第四步：挖掘算法与挖掘软件的选择。

第五步：构建硬件、软件、数据平台，确定相关参数，并具体挖掘。

第六步：结果展示与评价、导出。;数据清理筛选;第一步：需求分析。明确挖掘目标和要求。

方法：

1〕调查、访谈。

2〕头脑风暴。头脑风暴会议应在充分的材料准备根底上，在轻松的环境中进行，以充分发挥与会人员的才智。

任务：

1〕数据挖掘应完成哪一类任务：关联、分类、回归、聚类？

2〕如何展示和应用挖掘结果。

3〕挖掘系统部署后，对业务有哪些提升？;客户流失预测需求分析：

开展一个新客户的本钱远远高于保持一个老客户。所以，保持老客户就十分重要。

一个电信企业在运营过程中，不可防止地要流失局部客户。所以，可以建立客户流失模型。从大量的与客户相关的数据中，挖掘出流失客户的共同特征。从而对初显流失客户特征的客户采取必要的措施。

客户的特征：自然特征＋行为特征;第二步：数据理解。即了解目前的数据状况。

1.需要的数据及含义

2.数据的分布情况：

需要的数据都分布在哪些系统〔数据库、表〕中，有多少数据。

3.数据的质量：

1〕关键数据是否能够获取。

2〕缺失值或无效值数量如何？

3〕是否有足够的历史数据。;客户流失预测数据理解：

预测需要的数据：客户数据、通话详单、短信详单、投诉数据、交费数据等。

客户数据：;通话详单如下：;投诉数据：;第三步：数据准备。按要求准备好需要挖掘的数据。

按照挖掘要求，通过抽取数据，转换，聚集以及数据预处理技术，将数据整理成适合挖掘的形式。〔宽表〕

数据预处理的主要内容

1〕数据归约：在保持数据完整性和有效性的前提下，将庞大的数据量压缩到可接受的范围。

2〕数据清??：填充空缺值，识别孤立点，消除噪音。

3〕离散化处理：有些数据的属性呈连续值，不利于数据挖掘。应对这些连续值，采用不同粒度进行离散化采样处理；

4〕概念提升：有些属性值域很大〔可能的取值数量很多〕，对于过于密集的离散值，用更概括的值取代。例如年龄属性可以概括为青年、中年、老年等。;将详单数据聚集为月度数据：;数据采样：

客户流失模型研究的目标是为了挽留客户。研究价值低的客户得不偿失。因此，应选择满足一定价值标准的客户。例如，积分或历史消费数据应大于某个标准。

客户“类标签”确实定：

在电信客户流失中，主要有三类流失：

1〕主动流失：客户客户主动去营业厅要求销户

2〕变动流失：因欠费，被电信公司关闭账户。

3〕自然流失：因各种原因停止使用号码，有时可能还有少量通话。

前两类由系统自动标记，第三类形成比较复杂，可通过消费额的变化，予以标记。;数据清理：

1〕客户根本数据中的学历、职业等字段中有大量的缺值，而且正确性难以保证，可以去掉，不参加建模。

2〕有些客户的通话数据可能存在异常，可以删除这些客户。

3〕有些属性之间相关性较大，可进一步选择。;时间窗口选择：

客户流失与时间有关。因此，需要选择时间窗口。例如，时间窗口为3，就是取3个月的通话等相关数据。

;时间窗口的叠加：

为了提高模型的适应性，可使用不同的时间窗口的数据进行叠加。;第四步：挖掘算法与挖掘软件的选择。

主要考虑因素：

1〕算法的有效性：即算法对要解决的问题是否有效。数据集的特征是千变万化的。目前，每个算法都对数据集有潜在假设。没有一种算法在所有类型的数据集上都表现良好。因此，数据集的特征应与算法的假设比较吻合。

2〕模型的可理解性：模型可解释，可增加人们对模型的信任度。例如，用决策树算法生成的模型易于解释，而神经网络算法生成的模型那么难以解释。

3〕性能与计算复杂度。

4〕处理连续数据或离散数据的能力、处理高维数据的能力等。

常见的算法都可对局部参数进行调整。