永洪社区
标题: <永洪tech>永洪深度分析案例介绍 [打印本页]
作者: Kevinli 时间: 2017-10-30 14:30
标题: <永洪tech>永洪深度分析案例介绍
永洪深度分析集成了复杂的统计算法和机器学习技术，能够从海量数据中，挖掘具有潜在价值的关系、模式和趋势，构建数据模型，做出预测分析。帮助企业及时了解自身问题，发现市场机会，做出科学的经营决策。
1. 深度分析的适用对象有哪些？
永洪深度分析既适用于不会编程的数据分析师与平民数据科学家，也适用于熟练掌握代码的数据科学家与软件研发人员。永洪深度分析内置多种分析算法，无需脚本，即使是不熟悉 R 语言的用户，也能通过简单的点击拖拽，轻松构建分析模型，快速对数据做出预测分析。
深度分析的经典案例
逻辑回归
一种用于解决二分或多分类问题的机器学习方法，用于估计某种事物的可能性。例如：某用户购买某商品的可能性，某病人患有某种疾病的可能性，以及某广告被用户点击的可能性等。逻辑回归可用于客户忠诚度预测、广告点击率评估、信用卡风险评估、财务预警等。
场景：电信客户流失度预测
逻辑回归，常用于二元变量的预测，比如有或无、是或否、涨或跌等。从运营商角度，客户状态分为在网和离网，属于典型的二分类变量问题，非常适合应用逻辑回归进行预测分析。
案例一：例如我们选取 2017 年 2 月至 4 月作为观察窗口，抽取该时间段内5000 个流失客户、5000 个未流失客户，总样本数为 10000，流失客户与非流失客户的比为 1:1。经过与业务人员沟通，得到多个用户行为特征。获得这些样本数据后，首先清洗原始数据记录，包括对数据缺失值和异常值的处理。然后对这些用户消费行为进行相关性分析，剔除具有较高相关性的特征，最终得到 9 个特征，分别为话务量异动、漫游通话费用比例异动、短信量异动、数据流量异动、交往圈人数异动、消费异动、基站数异常、宽带捆绑到期情况、入网时长。根据客户自身消费的这 9 个特征，对逻辑回归模型进行训练。得到的训练结果，再经过测试集对模型的准确性进行测试。应用逻辑回归模型，对客户的状态进行预测，即可得知哪些客户有可能流失。
当运营商使用了客户流失模型后，就能够有效预测出潜在的流失客户，对有价值的客户进行挽留，加大客户关系维护的投入，进行客户关系的二次开发。
K-means 聚类
K-means 聚类是一种得到最广泛使用的聚类算法，常用来进行客户细分，使同一类客户具有较高的相似度，而不同类的客户差异较大 场景：客户细分
案例三：有些客户常购买 A 产品，几乎不买 B 产品，而另一些客户经常购买 B 产品，几乎不买 A 产品。我们就可以根据消费习惯把这些客户分为 A 类客户和 B 类客户，并针对 A 类客户或 B 类客户进行专门的客户维护和营销活动。
关联分析
又称关联挖掘，就是在交易数据、关系数据或其他信息载体中，查找存在于项目集合或对象集合之间的频繁模式、关联、相关性或因果结构。关联分析可用于购物篮分析、商品推荐、定点广告投放、商业选址、用户画像分析等。
场景：银行营销方案推荐
案例四：关联规则挖掘技术已经被广泛应用在金融行业企业中，它可以成功预测银行客户需求。一旦获得了这些信息，银行就可以改善自身营销。如各银行在自己的ATM机上就捆绑了顾客可能感兴趣的本行产品信息，供使用本行ATM机的用户了解。如果数据库中显示，某个高信用限额的客户更换了地址，这个客户很有可能新近购买了一栋更大的住宅，因此会有可能需要更高信用限额，更高端的新信用卡，或者需要一个住房改善贷款，这些产品都可以通过信用卡账单邮寄给客户。当客户打电话咨询的时候，数据库可以有力地帮助电话销售代表。销售代表的电脑屏幕上可以显示出客户的特点，同时也可以显示出顾客会对什么产品感兴趣。
以上3个分析提供参考样例，引导大家快速构建分析模型：