Внешний анализ: сегментация клиентской базы - презентация, доклад, проект скачать

Нажмите для полного просмотра!

Внешний анализ: сегментация клиентской базы, слайд №1

Внешний анализ: сегментация клиентской базы, слайд №2

Внешний анализ: сегментация клиентской базы, слайд №3

Внешний анализ: сегментация клиентской базы, слайд №4

Внешний анализ: сегментация клиентской базы, слайд №5

Внешний анализ: сегментация клиентской базы, слайд №6

Внешний анализ: сегментация клиентской базы, слайд №7

Внешний анализ: сегментация клиентской базы, слайд №8

Внешний анализ: сегментация клиентской базы, слайд №9

Внешний анализ: сегментация клиентской базы, слайд №10

Внешний анализ: сегментация клиентской базы, слайд №11

Внешний анализ: сегментация клиентской базы, слайд №12

Внешний анализ: сегментация клиентской базы, слайд №13

Внешний анализ: сегментация клиентской базы, слайд №14

Внешний анализ: сегментация клиентской базы, слайд №15

Внешний анализ: сегментация клиентской базы, слайд №16

Внешний анализ: сегментация клиентской базы, слайд №17

Содержание ▲

Вы можете ознакомиться и скачать презентацию на тему Внешний анализ: сегментация клиентской базы. Доклад-сообщение содержит 17 слайдов. Презентации для любого класса можно скачать бесплатно. Если материал и наш сайт презентаций Mypresentation Вам понравились – поделитесь им с друзьями с помощью социальных кнопок и добавьте в закладки в своем браузере.

Слайды и текст этой презентации

Слайд 1

Описание слайда:

Внешний анализ: сегментация клиентской базы Деревья решений

Слайд 2

Описание слайда:

План Понятие дерева решений. Применение деревьев решений в задаче выявления рыночных сегментов. Алгоритмы построения дерева решений. Реализация сегментации на основе деревьев решений в SPSS, Deductor и др. программах.

Слайд 3

Описание слайда:

Дерево решений для сегментации заемщиков банка

Слайд 4

Описание слайда:

Дерево решений для сегментации обменивающих валюту клиентов

Слайд 5

Описание слайда:

Понятие дерева решений Дерево решений (классификации) – это способ представления правил в иерархической, последовательной структуре, где каждому объекту соответствует единственный узел, дающий решение. Дерево классификации – набор последовательно выделенных сегментов с наибольшими различиями целевой переменной (например, группы с максимальным и минимальным процентом заинтересованных в услуге). Это позволяет найти, сочетание каких признаков сильнее всего влияет на целевую переменную, а также определить наиболее перспективные целевые группы.

Слайд 6

Описание слайда:

Достоинства деревьев решений быстрый процесс обучения генерация правил в областях, где эксперту трудно формализовать свои знания извлечение правил на естественном языке интуитивно понятная классификационная модель высокая точность прогноза построение непараметрических моделей.

Слайд 7

Описание слайда:

Основные этапы алгоритмов конструирования деревьев построение дерева (tree building) выбор атрибута для разбиения дерева выбранный атрибут должен разбить множество так, чтобы получаемые в итоге подмножества состояли из объектов, принадлежащих к одному классу, или были максимально приближены к этому, т.е. количество объектов из других классов ("примесей") в каждом из этих множеств было как можно меньше остановка сокращение дерева (tree pruning) на основе анализа ошибок классификации

Слайд 8

Описание слайда:

Алгоритмы построения деревьев решений CHAID, ECHAID (Exhaustive CHAID) для получения оптимального разбиения используется критерий связи между категориальными переменными хи-квадрат (в случае, если целевая переменная является количественной, используется F-критерий). Исходно целевая переменная и переменные-предикторы могут быть как количественными, так и категориальными, однако количественные предикторы при построении дерева преобразуются в категориальные. ID3 C.4.5 CART (Classification And Regression Tree) основан не на статистических критериях, а на уменьшении неоднородности сегментов (узлов) (индекс Gini). Хорошо работает в том случае, если все переменные в анализе являются количественными. В методе могут быть использованы как количественные, так и категориальные целевая переменная и переменные предикторы QUEST В данном методе для выбора предикторов . применяются различные критерии, в зависимости от типа потенциального предиктора. Он позволяет избегать смещений, связанных с выбором предикторов с большим количеством категорий, но целевая переменная в данном случае должна быть категориальной. Предикторы могут быть как количественными, так и категориальными.

Слайд 9

Описание слайда:

CHAID-анализ: основные идеи Метод основан на критерии хи-квадрат. На входе анализа – категориальная зависимая переменная (например, заинтересованность/незаинтересованность в услуге) и несколько независимых переменных (предикторов). Вначале ищется самый сильный фактор, который наилучшим образом объясняет различия между категориями зависимой переменной. Автоматически перебираются все предикторы, ищутся все комбинации значений и находится наилучшее решение, т.е. то, которое максимизирует различия (при котором наибольший хи-квадрат). Далее в каждой из полученных групп процесс повторяется заново: вновь перебираются все предикторы и находится оптимальное решение для второго уровня. То же – для следующих уровней. В каждой из подгрупп процесс происходит независимо, т.е. например, первым фактором оказался пол, а далее для женщин важен возраст, а для мужчин, скажем, семейное положение.

Слайд 10

Описание слайда:

Пример: дерево решений в SPSS Целевая переменная credit rating (кредитный рейтинг) Предикторы Age (возраст) Income level (уровень дохода) Number of credit cards (количество кредиток) Education (образование) Car loans (количество автокредитов)