吃瓜群众

将物理或抽象对象的集合分组成为由类似的对象组成的多个类的过程被称为聚类。由聚类 所生成的簇是一组数据对象的集合，这些对象与同一个簇中的对象彼此相似，与其它簇中 的对象相异。相异度是根据描述对象的属眭值来计算的，距离是经常采用的度量方式。
连接分析
连接分析，Link analysis，它的基本理论是图论。图论的思想是寻找一个可以得出好结 果但不是完美结果的算法，而不是去寻找完美的解的算法。连接分析就是运用了这样的 思想：不完美的结果如果是可行的，那么这样的分析就是一个好的分析。利用连接分析， 可以从一些用户的行为中分析出一些模式；同时将产生的概念应用于更广的用户群体中。
数据挖掘在金融业的应用
目前数据挖掘在各行各业应用广泛，尤其在金融、保险、 电子商务和电信方面得到了很好的效果，本文对金融行业 数据挖掘应用做了一个简单的总结，目的是想起到抛砖引 玉的作用，欢迎各位大牛拍砖
4
客户价值分析
根据“二八原则”，找出重点客户，即对 银行创造80%价值的20%客户实施最优质 的服务，通过对客户金融产品的使用频率 以及持续性等指标判断客户的忠诚度。
风险控制
有很多因素会对货款偿还效能和客户信用等级 计算产生不同程度的影响。数据挖掘的方法， 如特征选择和属性相关性计算，有助于识别重 要的因素和非相关因素。例如，与货款偿还风 险相关的因素，包括货款率、资款期限、负债 率、偿还与收入(payment—to—income)比率、 客户收入水平、受教育程度、居住地区、信用 历史等等。而其中偿还与收入比率是主导因素， 受教育水平和负债率则不是。银行可以据此调 整货款发放政策，以便将货款发放给那些曾被 拒绝、但根据关键因素分析、其基本信息显示 是相对低风险的申请者。
数 据 挖 掘 的 主 要 步 骤
数据整理 数据收集 定义问题
对目标有一清晰、明确 的定义，也就是确定需 要解决的问题，这个目 标应是可行的、能够操 作与评价的。 大量全面丰富的数据是数 据挖掘的前提，没有数据， 数据挖掘也就无从作起。 因此，数据收集是数据挖 掘的首要步骤。数据可以 来自于现有事务处理系统， 也可以从数据仓库中得到。 数据整理是数据挖掘的必要环 节。由数据收集阶段得到的数 据可能有一定的“污染”，表 现在数据可能存在自身的不一 致性，或者有缺失数据的存在 等，因此数据的整理是必须的。 同时，通过数据整理，可以对 数据做简单的泛化处理，从而 在原始数据的基础之上得到更 为丰富的数据信息，进而便于 下一步数据挖掘的顺利进行。
统计技术
数 据 挖 掘 的 主 要 技 术
数据挖掘涉及的科学领域和技术很多，如统计技术。统计技术对数据集进行挖掘的主要思 想是：统计的方法对给定的数据集合假设了一个分布或者概率模型(例如一个正态分布)然 后根据模型采用相应的方法来进行挖掘。
关联规则
数据关联是数据库中存在的一类重要的可被发现的知识。若两个或多个变量的取值之I司存 在某种规律性，就称为关联。关联可分为简单关联、时序关联、因果关联。关联分析的目 的是找出数据库中隐藏的关联网。有时并不知道数据库中数据的关联函数，即使知道也是 不确定的，因此关联分析生成的规则带有可信度
回归分析
回归分析分为线性回归、多元回归和非线性同归。在线性回归中，数据用直线建模，多 元回归是线性回归的扩展，涉及多个预测变量。非线性回归是在基本线性模型上添加多 项式项形成非线性同门模型。
差别分析
差别分析的目的是试图发现数据中的异常情况，如噪音数据，欺诈数据等异常数据，从 而获得有用信息。
概念描述
遗传算法GA
数 据 挖 掘 的 主 要 技 术
基于进化理论，并采用遗传结合、遗传变异、以及自然选择等设计方法的优化技术。主要 思想是：根据适者生存的原则，形成由当前群体中最适合的规则组成新的群体，以及这些 规则的后代。典型情况下，规则的适合度(Fitness)用它对训练样本集的分类准确率评估。
聚集检测
数据挖掘 结果的评估 数据挖掘
利用人工智能、数理统 计等各种数据挖掘方法 对数据进行分析，发现 有用的知识与模式。整 个过程的核心步骤。 数据挖掘的结果有些是有实际 意义的，而有些是没有实际意 义的，或是与实际情况相违背 的，这就需要进行评估。评估 可以根据用户多年的经验，也 可以直接用实际数据来验证模 型的正确性，进而调整挖掘模 型，不断重复进行数据挖掘。
经营产品
吃瓜，听说你们开 了一个工作室？你 们是干哈的？？？
说的有道理，那我就给我 女神先定制一个月的吧， 吃瓜，你们的定制是怎么 样的啊
运营模式
消费群体以上班的白领为主，待 客户在网上下了订单之后会送货 到距离客户提供的地址附近的便 利店，客户自取。
金融行业的数据挖掘技术
第一章
Chapter One
从技术角度看
数据挖掘就是从大量的、不完全的、 有噪声的、模糊的、随机的实际应用 数据中，提取隐含在其中的、人们事 先不知道的、但又是潜在的和有用的 信息和知识的过程。它是一门广义的 交叉学科，涉及数据库技术、人工智 能、机器学习、神经网络、统计学、 模式识别、知识库系统、知识获取、 信息检索、高性能计算和数据可视化 等多学科领域且本身还在不断发展。 目前有许多富有挑战的领域如文本数 据挖掘、Web信息挖掘、空间数据挖 掘等。
粗糙集
粗糙集理论基于给定训练数据内部的等价类的建立。形成等价类的所有数据样本是不加 区分的，即对于描述数据的属性，这些样本是等价的。给定现实世界数据，通常有些类 不能被可用的属性区分。粗糙集就是用来近似或粗略地定义这种类。
模糊集
数 据 挖 掘 的 主 要 技 术
模糊集理论将模糊逻辑引入数据挖掘分类系统，允许定义“模糊”域值或边界。模糊逻辑 使用0.0和1.0之间的真值表示一个特定的值是一个给定成员的程度，而不是用类或集合的 精确截断。模糊逻辑提供了在高抽象层处理的便利。
3
客户评分
评分技术是银行业广泛使用的一项技术， 包括风险评分、行为评分、收益率评分、 征信局评分以及客户评分等。评分技术 是将客户的海量信息数据运用有效的数 据挖掘和处理手段，对各种目标给出量 化评分的一种手段， 以征信局评分为例。要达到建立征信局 评分的目标，首先要建立起集中的数据 仓库，其中涵盖了申请人的各种特征， 银行提供的所有产品，包括存款、贷款、 信用卡、保险、年金、退休计划、证券 承销，以及银行提供的其他产品，甚至 包括水电煤气、电话费、租金的缴纳情 况等。
1
风险控制
数据挖掘在金融业的应用
目前数据挖掘在各行各业应用广泛，尤其在金融、保险、 电子商务和电信方面得到了很好的效果，本文对金融行业 数据挖掘应用做了一个简单的总结，目的是想起到抛砖引 玉的作用，欢迎各位大牛拍砖
2
通过关联分析可找出数据库中隐藏的 关联网，银行存储了大量的客户交易 信息，可对客户的收入水平、消费习 惯、购买物品等指标进行挖掘分析， 找出客户的潜在需求；并对各个理财 产品进行交叉分析，找出关联性较强 的产品，从而对客户进行有针对性的 关联营销，提高银行业绩
吃瓜群众 工作室
Celeste_PPT
目录
CONTENT
公司简介
经营产品
1 2 3 4
组织架构
运营模式
公 司 简 介
吃瓜群众工作室位于广州市天河区中心地段，公司成立于2014年，
主营水果搭配定制。公司自成立以来，始终坚定统一信念：时刻保证新鲜 货源，增强一流服务意识，打造良好企业信誉，不懈追求顾客的满意！公 司拥有价格更低、质量更好的进货渠道，严格的管理体系和很强的服务理 念。在经营范围以内，坚决提供质优价廉的产品，精心打造顾客满意品牌。 公司始终坚持消费者利益高于一切，坚决杜绝假冒伪劣或质次价高的产品， 是都市人享受大海的原汁原味的最佳选择。 吃瓜群众工作室成立至今就一贯致力于提供物美价廉的产品的代理，致力 于拓宽更广阔优质货源的进货渠道，致力于打造客户满意、放心的品牌企 业。公司长期以来与各大农场合作以便及时提供新鲜健康的水果。 我们始终相信“质量是企业发展的根本，诚信是企业发展的动力”，我们 会让您相信选择了我们就是选择了优质，选择了放心。
数据挖掘是一种深层次的商业信 息分析技术。它按照企业既定业 务目标，对大量的企业数据进行 探索和分析，揭示隐藏的、未知 的或验证已知的规律性并进一步 将其模型化，从而自动地提取出 用以辅助商业决策的相关商业模 式。
从商业角度看
第二章
Chapter Two
数据挖掘的主要技术
数据挖掘技术是一种数据处理的技术，是从大 量的、不完全的、有噪声的、模糊的、随机的 数据中，提取隐含在其中、人们事先不知道又 潜在有用信息和知识的过程。
5
客户流失预警来自百度文库
根据客户属性特征、存储款、贷款、金融 产品使用等数据，运用数据挖掘技术，找 到流失客户的共同特征，从而针对具有相 似特征的客户还未流失前，进行有针对性 的弥补或者营销活动，从而起到避免客户 流失到其他公司的作用，起到稳定本企业 客户的作用。
数据挖掘在金融业的应用
目前数据挖掘在各行各业应用广泛，尤其在金融、保险、 电子商务和电信方面得到了很好的效果，本文对金融行业 数据挖掘应用做了一个简单的总结，目的是想起到抛砖引 玉的作用，欢迎各位大牛拍砖
分析决策
数据挖掘的最终目的是辅助决 策。决策者可以根据数据挖掘 的结果，结合实际情况，调整 竞争策略等。总之，数据挖掘 过程需要多次的问题修改、模 型调整、重新评估、检验等循 环反复，才有可能达到预期的 效果。
第四章
Chapter Four
数据挖掘在金融业的应用
目前数据挖掘在各行各业应用广泛，尤其在金 融、保险、电子商务和电信方面得到了很好的 效果，本文对金融行业数据挖掘应用做了一个 简单的总结，目的是想起到抛砖引玉的作用， 欢迎各位大牛拍砖
贷款偿还预测
贷款偿还预测对银行业务相当重要的。贷款 偿还风险相关的因素包括贷款率，贷款期限， 负债率（月负债总额与月收入总额之比）， 偿还与收入比率（payment-to-income）,客户 收入水平，受教育水平，居住信息，信用历 史等等，通过数据挖掘预测手段，可以提早 预测哪些用户有可能偿还违约，哪些用户曾 经贷款被拒但是预测结果却是低风险。
决策树
数 据 挖 掘 的 主 要 技 术
决策树提供了一种展示类似在什么条件下会得到什么值这类规则的方法。
神经网络
在结构上，可以把一个神经网络划分为输入层、输出层和隐含层。输入层的每个节点对 应—个个的预测变量。输出层的节点对应目标变量，可有多个。在输入层和输出层之间是 隐含层(对神经网络使用者来说不可见)，隐含层的层数和每层节点的个数决定了神经网络的 复杂度。 除了输入层的节点，神经网络的每个节点都与很多它前面的节点(称为此节点的输入节点)连 接在一起，每个连接对应一个权重Wxy，此节点的值就是通过它所有输入节点的值与对应 连接权重乘积的和作为—个函数的输入而得到，我们把这个函数称为活动函数或挤压函数。
基于历史的MBR分析
先根据经验知识寻找相似的情况，然后将这些情况的信息应用于当前的例子中。这个就是 MBR(Memory Based Reasoning)的本质。MBR首先寻找和新记录相似的邻居，然后利用这 些邻居对新数据进行分类和估值。使用MBR有三个主要问题，寻找确定的历史数据；决定表 示历史数据的最有效的方法；决定距离函数、联合函数和邻居的数量。
基本概念
随着数据挖掘技术的不断发展，其应用领域也 不断拓广。数据挖掘的对象已不再仅是数据库， 也可以是文件系统，或组织在一起的数据集合， 还可以是数据仓库。与此同时，数据挖掘也有 了越来越多不同的定义，但这些定义尽管表达 方式不同，其本质都是近似的，概括起来主要 是从技术角度和商业角度给出数据挖掘的定义。
概念描述就是对某类对象的内涵进行描述，并概括这类对象的有关特征。概念描述分为 特征性描述和区别性描述，前者描述某类对象的共同特征，后者描述不同类对象之间的 区别，生成一个类的特征性描述只涉及该类对象中所有对象的共性。
第三章
Chapter Three
数据挖掘的主要步骤
随着数据挖掘技术的不断发展，其应用领域也 不断拓广。数据挖掘的对象已不再仅是数据库， 也可以是文件系统，或组织在一起的数据集合， 还可以是数据仓库。与此同时，数据挖掘也有 了越来越多不同的定义，但这些定义尽管表达 方式不同，其本质都是近似的，概括起来主要 是从技术角度和商业角度给出数据挖掘的定义。