KNIMI数据挖掘建模与分析系列_003_利用KNIMI做客户细分

利用KNIMI做客户细分

老帅

20150801

http://blog.csdn.net/shuaihj

一、测试数据

需要测试数据,请留下邮箱

二、计算消费金额和消费次数

1.读入(销售数据.csv)

读取列标题

2. 时间格式转换

按指定时间格式识别“订单创建日期”列

3.对金额分组加和

依据客户编号对”销售金额”加和

4.字段重命名更可读

统计结果

5. 对订单分组计数

依据客户编号对”销售订单编号”进行去重加和

6.字段重命名更可读

统计结果

7.连接查询客户的消费金额和消费次数

设置连接方式和关键列

8.统计结果

9.数据流

三、计算多少天没消费了

1.最近一次消费时间

依据客户编号对订单创建日期取最大值

2.多少天没消费了

计算客户最近一次消费,距离“2014年1月31日”有“多少天没消费了”

3.过滤无用字段

4.统计结果

5.数据流

四、根据销售数据对客户进行层次聚类计算

1.连接查询客户的消费信息

设置连接方式和关键列

查询结果

2.聚类计算前标准化

设置需要标准化的列和标准化算法

标准化结果

3.计算层次聚类

指定“距离函数”、“连接类型”以及参与聚类计算的列

分层聚类结果

4.去掉噪声数据(全局)

放大层次聚类图

选中噪声点并设置为噪声

在全局过滤噪声数据

查看被过滤掉的数据

5.数据流


四、根据销售数据对客户进行k-Means聚类计算

1.计算k-Means聚类

指定聚类参数及参与聚类计算的列

查看聚类结果

2.根据聚类结果指派数据

(也就是根据训练模型测试真实数据)

查看聚类结果

3.决策树训练

设置决策树参数

查看训练结果

4.数据流

版权声明:本文为博主原创文章,未经博主允许不得转载。

时间: 2024-08-16 06:58:06

KNIMI数据挖掘建模与分析系列_003_利用KNIMI做客户细分的相关文章

KNIMI数据挖掘建模与分析系列_001_利用KNIMI做演员关系网络分析

利用KNIMI做演员关系网络分析 老帅 20150407 一.测试数据 二.演员社会关系网络可视化 1.读入"演员社会关系.csv" 读取列标题 2.识别社会关系网络节点 一个关系是由两个节点组成的,设置关系的第一个节点和第二个节点 3.可视化社会关系网络 4.数据流 5.可视化结果 三.附加节点属性分析社会关系 1.读入"02演员基本信息.csv" 读取列标题 2.匹配演员基本信息 设置匹配依据的"节点ID"列 3.过滤掉女演员 设置过滤条件

KNIMI数据挖掘建模与分析系列_002_利用KNIMI做商超零售关联推荐

利用KNIMI做商超零售关联推荐 老帅 20150801 http://blog.csdn.net/shuaihj 一.測试数据 须要測试数据,请留下邮箱 二.训练关联推荐规则 1.读取销售记录(sales.table) 2.训练关联规则(得到前后项) watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQv/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/Center" />

KNIMI数据挖掘建模与分析系列_004_利用KNIMI做客户流失预测

利用KNIMI做客户流失预测 老帅 20150801 http://blog.csdn.net/shuaihj 一.测试数据 中国移动客服数据 需要测试数据,请留下邮箱 二.统计已流失客户 1.读取移动客服数据(客户流失.xlsx) 2.统计已流失客户 参数设置 统计结果 3.数据流 三.贝叶斯预测客户流失 1.字符类型转换 将"流失"列转换为字符串类型 2.划分训练集和测试集 取30%作为训练数据,剩余70%作为测试数据,我们将预测这70%客户的流失率: 设置"流失&quo

KNIMI数据挖掘建模与分析系列_004_利用KNIMI做客户流失预測

利用KNIMI做客户流失预測 老帅 20150801 http://blog.csdn.net/shuaihj 一.測试数据 中国移动客服数据 须要測试数据,请留下邮箱 二.统计已流失客户 1.读取移动客服数据(客户流失.xlsx) 2.统计已流失客户 參数设置 watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQv/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/Center"

数据挖掘应用案例:RFM模型分析与客户细分(转)

正好刚帮某电信行业完成一个数据挖掘工作,其中的RFM模型还是有一定代表性,就再把数据挖掘RFM模型的建模思路细节与大家分享一下吧!手机充值业务是一项主要电信业务形式,客户的充值行为记录正好满足RFM模型的交易数据要求. 根据美国数据库营销研究所Arthur Hughes的研究,客户数据库中有三个神奇的要素,这三个要素构成了数据分析最好的指标:最近一次消费(Recency).消费频率(Frequency).消费金额(Monetary). 我早期两篇博文已详述了RFM思想和IBM Modeler操作

《需求工程-软件建模与分析》读书笔记3

在读完<需求工程——软件建模与分析>的前三部分后,我对软件需求有了初步的了解,在之后的阅读中我开始了对这本书的第四部分,需求的文档化和验证,在这与部分的阅读中我开始了解到了需求文档的书写规范,这一部分在软件需求中同样十分重要. <需求工程——软件建模与分析>在需求的文档化和验证中主要分两个部分讲述,分别是需求规格说明和需求验证,在需求规格说明文档中讲到需求规格说明文档是需求规格说明活动的一个核心元素,要理解需求规格说明活动,就需要明确文档的编写规格说明文档的原因.需求规格说明文档的

jQuery源码分析系列(38) : 队列操作

Queue队列,如同data数据缓存与Deferred异步模型一样,都是jQuery库的内部实现的基础设施 Queue队列是animate动画依赖的基础设施,整个jQuery中队列仅供给动画使用 Queue队列 队列是一种特殊的线性表,只允许在表的前端(队头)进行删除操作(出队),在表的后端(队尾)进行插入操作(入队).队列的特点是先进先出(FIFO-first in first out),即最先插入的元素最先被删除. 为什么要引入队列? 我们知道代码的执行流有异步与同步之分,例如 var a

《需求工程-软件建模与分析》读书笔记1

新学期开始,新的阅读也随着开展起来.在老师众多推荐书籍中我选择了这本<需求工程-软件建模与分析>.首先,作为我们的教材这本书应该对软件需求有着详细的介绍,并且能作为教材相信它的知识理论有一定的体系结构,对我来说阅读刚好适合.在初学阶段我对软件需求工程并不是很了解,可以说是白纸一张,阅读这本书刚好可以丰富我的基础理论知识.同时作为教材我手中刚好有这本书,阅读起来也是十分方便.总之,在众多的原因下我开始了对这本书的研究. <需求工程-软件建模与分析>这本书分为五部分,这一阶段我主要浏览

《需求工程——软件建模与分析》读书笔记二

前一阵子,继续读了<需求工程——软件建模与分析>.之前了解了需求工程的概论和需求的捕获,分别讲了需求捕获中的困难.获取信息的方法和来源:学会分析项目的前景:确定系统边界:涉众分析与硬数据采集:在需求捕获时的方法:面谈,问卷调查,头脑风暴,原型,观察与文档审查: 这次读的主要是介绍需求分析和需求文档化和验证.其中介绍了需求分析技术,需求分析方法等:建模(过程建模,数据建模,面向对象建模):需求规格说明:需求验证. 经过这次读书,我发现需求获取的根本任务是:1.建立分析模型,达成开发者和用户对需求