數(shù)據(jù)挖掘與決策支持新版.ppt

可能受益的商業(yè)活動,數(shù)據(jù)挖掘解決方案,歷史數(shù)據(jù),預(yù)測模型,新申請者,信用等級評價預(yù)測模型：用過去的客戶數(shù)據(jù)預(yù)測未來,理解商業(yè)問題,性別,父親的教育程度,被訪者教育程度,工作類型,城市,當前收入水平,性別,父親的教育程度,被訪者教育程度,工作類型,城市,當前收入水平,當前財政狀況,未來信用風險,Time1,Time2,家庭收入,銷售數(shù)量,喜歡流行音樂,我們的最終目的是希望從技術(shù)和商業(yè)角度為公司建立一個能夠理解和實施數(shù)據(jù)挖掘的工作環(huán)境。數(shù)據(jù)挖掘的成功，并不在于特定工具和算法的選擇，而是一個合適的環(huán)境。 一個企業(yè)的執(zhí)行能力越強，數(shù)據(jù)挖掘的能力就越大。 企業(yè)所處的商業(yè)環(huán)境往往在戰(zhàn)略上、顧客定位、數(shù)據(jù)倉庫建立、市場定位、生命周期、分析技術(shù)等方面各不相同，成功的基礎(chǔ)必須是基于對數(shù)據(jù)挖掘與商業(yè)規(guī)律良好結(jié)合的環(huán)境，建立自己的挖掘平臺。,數(shù)據(jù)挖掘環(huán)境建構(gòu),數(shù)據(jù)挖掘是企業(yè)的組成部分。 數(shù)據(jù)挖掘是企業(yè)的核心競爭力。 數(shù)據(jù)挖掘是企業(yè)以顧客為導向的市場策略。 數(shù)據(jù)挖掘是建立在客戶為中心的數(shù)據(jù)倉庫。,數(shù)據(jù)挖掘環(huán)境關(guān)鍵因素,選擇一個有效領(lǐng)導，宣傳數(shù)據(jù)挖掘，保證高層關(guān)注； 建立多學科合作，參與并在一起工作的團隊，職責分明； 從一開始就讓各部分參與，他們是最終成功的決定者； 從一開始讓信息部門參與，他們能夠存取和接觸數(shù)據(jù)，獲得硬件、軟件和網(wǎng)絡(luò)支持； 利用示范項目是挖掘的開始，可以展示能力； 數(shù)據(jù)挖掘是轉(zhuǎn)換商業(yè)決策從產(chǎn)品到客戶的變革開始；,數(shù)據(jù)挖掘成功要素,由一人專職負責：此人有著良好的溝通和成功記錄，理解數(shù)據(jù)挖掘的各種可能情況，建立團隊確保執(zhí)行層的興趣。 團隊由各個學科人員組成：技術(shù)組和商業(yè)組，8-12人。 各個單位和部門一開始就參加進來。 信息技術(shù)部門一開始也要參與進來。 示范項目可以展示數(shù)據(jù)挖掘的能力 強有力的軟件供應(yīng)商和豐富經(jīng)驗的顧問。,數(shù)據(jù)挖掘解決方案,Preprocessed Data,Data,Translated Data,Patterns/ Models,Results,Preprocessing,Analysis,Input,Output,數(shù)據(jù)挖掘解決方案,主要數(shù)據(jù)挖掘技術(shù),分類Classification,預(yù)測Prediction,細分Segmentation,關(guān)聯(lián)Association,序列Sequence,將您的顧客和客戶分類,預(yù)測未來的銷量和欺詐，流失,將市場、顧客細分,發(fā)現(xiàn)那些商品會在一起銷售或購買,找出時間進程中的模式或趨勢,決策樹 規(guī)則偵測 回歸分析 聚類分析 神經(jīng)網(wǎng)絡(luò) 序列模式,數(shù)據(jù)挖掘的問題類型,數(shù)據(jù)描述,數(shù)據(jù)細分,概念描述,分類,預(yù)測,依賴型分析,商業(yè)問題,Decision Trees Neural Networks Rule Induction Nearest Neighbor Genetic Algorithms,數(shù)據(jù)挖掘主要新技術(shù),決策樹 神經(jīng)網(wǎng)絡(luò) 規(guī)則偵測 序列規(guī)則 基因算法,分類決策樹,對象,關(guān)系,網(wǎng)絡(luò),網(wǎng)絡(luò)分析,強弱,路徑,自我,小群體,缺失,角色,網(wǎng)絡(luò)分析,神經(jīng)網(wǎng)絡(luò),線性回歸,Logistics回歸,多層神經(jīng)網(wǎng)絡(luò),細胞繁殖,數(shù)據(jù)挖掘技術(shù)分類,數(shù)據(jù)挖掘,驗證驅(qū)動挖掘,發(fā)現(xiàn)驅(qū)動挖掘,SQL,SQL生成器,查詢工具,OLAP,描述,預(yù)測,可視化,聚類,關(guān)聯(lián)規(guī)則,順序關(guān)聯(lián),匯總描述,分類,統(tǒng)計回歸,時間序列,決策樹,神經(jīng)網(wǎng)路,SPSS-Clementine7.2,Clementine Interface,Data Stream 數(shù)據(jù)流,Stream canvas,Palettes,Managers,Projects,Report window,Status window,Clementine Toolbars,Nodes Palette,Basic Operation,Setting Options for Nodes,SPSS-Clementine7.2,客戶流失模型分析,問題描述：如何決定超市中商品的擺放來增加銷售額 結(jié)果描述:(Web圖）,數(shù)據(jù)挖掘的典型結(jié)果交叉銷售,廣電行業(yè)“復合人才”畫像,Clementine的分析模型算法,SAS數(shù)據(jù)挖掘解決方案,聚焦于信息發(fā)布,信息有一個時間維 信息過時后會失去價值 信息過時后會令人誤解 信息必須在適當?shù)臅r間、適當?shù)攸c傳送給適當?shù)娜?通道,發(fā)布和訂閱,主動式的信息發(fā)布!,數(shù)據(jù)挖掘的方法論,有時候我們并不關(guān)心模型如何運作，只是個黑盒子，我們只關(guān)心可能的最優(yōu)結(jié)果。,有時候需要使用模型能夠得到與數(shù)據(jù)相關(guān)的重要信息。我們也需要了解模型運作的細節(jié)，這也只是個半透明的盒子。,語義層設(shè)計,業(yè)務(wù)數(shù)據(jù)庫,商業(yè)理解體系的核心語義層,數(shù)據(jù)源,終端用戶,商業(yè)元語,查詢面板,數(shù)據(jù)源,數(shù)據(jù)挖掘不能作的事情,如何定義要數(shù)據(jù)挖掘的商業(yè)問題 隱含解決企業(yè)問題的有用數(shù)據(jù) 識別數(shù)據(jù)質(zhì)量，搜集初始數(shù)據(jù) 精加工并整合數(shù)據(jù)，使其滿足挖掘建模要求 數(shù)據(jù)變換，使得數(shù)據(jù)庫僅包含建模輸入變量 根據(jù)模型制訂行動計劃，并付諸實施 評價行動結(jié)構(gòu)，反饋信息輸入數(shù)據(jù)庫，進一步挖掘,計算機及數(shù)據(jù)處理軟件、統(tǒng)計軟件的發(fā)展 使得我們做數(shù)據(jù)挖掘和統(tǒng)計分析成為簡單而可能的事情。,分析工具和軟件,WORD EXECL PowerPoint Access Microsoft Visio SmartDraw PCEDIT EpiData SPSS Enter Station & Builder,SPSS for Windows 8.0-11.5 AnswerTree 3.0 Decision Time and What If Clementine 7.0-7.2