报名电话:010-59132939

《建构企业营运获利模式之进阶数据挖掘分析技术》

课时:4天

适合学员:

主管、营销经理人、及数据库管理者等。

 

课程内容:

本课程包括:让学员了解数据挖掘在企业上的应用、了解问题导向式数据挖掘分析流程、了解企业如何导入数据挖掘技术、了解如何进行分类模型的效能优化等,本课程也通过实例说明如何建构最大获利(Profit)之数据挖掘模型、如何在不平衡数据下建构精准的数据挖掘模型、如何利用K-Means, EM及SOM来建构银行业之客戶聚类(Customer Segmentation)並并设计营销策略等。

 

第一部分: 数据挖掘在企业上之应用及导入

 

1.    数据挖掘技术在银行业(Banking)之应用

2.    数据挖掘技术在保险业(Insurance)之应用

3.    数据挖掘技术在零售业(Retail)之应用

4.    问题导向式(Business-Question-Driven Process)数据挖掘分析流程

5.    企业如何导入数据挖掘技术?

导入数据挖掘技术会遭遇哪些问题?该如何解决?

组织结构需不需要调整?如何调整?

人员素质是否足够?若不够该如何训练?

 

第二部分: 进阶数据挖掘技术(Advanced Data Mining Techniques)及实务建模(Practical Models)

 

1.    分类技术(Classification Techniques): 类神经网络(Neural Network)及罗吉斯回归(Logistic Regression)

*类神经网络(Neural Network)的基本原理

*罗吉斯回归(Logistic Regression)的基本原理

*实例说明如何利用类神经网络及罗吉斯回归来建构银行业之进件评分卡(Application Score Card)

*实例说明如何建构最大获利(Profit)之数据挖掘模型

 

2.    分类技术(Classification Techniques): 决策树(Decision Tree)及贝式分类(Bayesian Classification)

*决策树(Decision Tree)的基本原理

*贝式分类(Bayesian Classification)的基本原理

*实例说明如何利用决策树及贝式分类来建构银行业之逾期评分卡(Collection Score Card)

*实例说明如何在不平衡数据(Imbalanced Data)下建构精准的数据挖掘模型

 

3.    分类技术(Classification Techniques) : 分类优化(Optimization)

*区隔化模型(Segmented-Based Model)之建构方式

*如何进行分类模型的效能优化(Performance Optimization)

*分类模型的盲点(Blind spot)解析

 

4.    聚类技术(Clustering Techniques) : K-Means, EM(Expectation- Maximization)及SOM(Self-Organizing Map)

*K-Means的基本原理

*EM (Expectation- Maximization)的基本原理

*SOM (Self-Organizing Map)的基本原理

*实例说明如何利用K-Means, EM及SOM来建构银行业之客戶聚类(Customer Segmentation)并设计营销策略

 

5.    关联及序列分析技术(Association & Sequence Analysis Techniques)

*关联分析(Association Analysis)的基本原理

*序列分析(Sequence Analysis)的基本原理

*实例说明如何利用关联及序列分析技术来进行产品之交叉销售(Cross- Selling)及提升销售(Up-Selling)