页面树结构
转至元数据结尾
转至元数据起始


Smartbi Mining为用户提供拖拽的流式建模、可视化建模界面、预置大量数据处理及算法节点,方便用户快速构建数据挖掘模型,通过简单的例子来看一下如何使用Smartbi Mining搭建实验。点击入门视频下载

本文档将按照如下流程,以客户流失问题为背景,为您介绍如何快速在Smartbi Mining上搭建实验:

案例背景

现在银行产品同众化现象普遍存在,客户选择产品和服务的途径越来越多,客户对产品的忠诚度越来越低,所以客户流失已经成为银行业最关注的问题之一。其实,银行流水数据反应了客户使用银行卡的行为特点,通过对这些数据进行深入分析,挖掘不同类别客户的特点,有针对性地进行营销,加强客户关系管理,提高客户与我行粘度,减少不必要的客户流失。

本文档主要介绍利用Smartbi Mining快速搭建挖掘实验的过程,故对原始数据进行一定分析之后,加工必要数据后,选取影响较大的字段数据作为本文档构建模型的数据输入,故本实验构建过程无数据预处理过程,相关详情参考 内置案例-银行客户流失

现有银行客户流失数据84823条,每条数据记录包括客户id、卡等级、是否为代发客户、月均代发金额、最多代发金额、月初AUM、月均AUM、是否流失8个字段,各字段解释如下:

字段名数据类型字段解释
客户idstring客户唯一身份标识
卡等级int客户拥有卡的级别,总共分为[1,2,3,4]四个级别
是否为代发客户int1表示为代发客户,0表示为非代发客户
月均代发金额int代发客户的月代发金额平均值
最多代发金额int代发客户代发金额的最大值
月初AUMint客户月初的资产管理规模AUM值
月均AUMint客户资产管理规模AUM的月均值
是否流失int1表示该客户流失,0表示该客户未流失。


1.新建实验

数据挖掘的默认界面为‘实验管理’界面,该界面可以进行‘新建实验’:

新建方式1:在文件夹右键菜单‘新建’中单击‘实验’;

新建方式2:单击‘新建实验’。

2.选择数据源

根据原始数据存放的方式在选择数据源节点,将数据源节点拖拽至画布区域,并在参数面板上进行数据源信息的设置。

3.模型搭建

特征选择:将‘卡等级’、‘是否为代发客户’、‘月均代发金额’、‘最多代发金额’、‘月初AUM’、‘月均AUM’做为特征列,而‘是否流失’做为标签列;

拆分:将数据集进行拆分,一部分数据用来训练模型,另一部分用来验证经过训练的模型效果如何;

随机森林:本研究用分类算法节点中选择 随机森林算法 进行预测客户流失的模型构建。

4.训练&预测

训练:训练节点的输入分为两部分,左边为算法节点,右边为训练数据集,模型通过对训练集数据中特征列的数据进行学习,并根据标签列的数据,确认具有何种特征的数据可能是流失客户,进而使模型获得能够识别流失客户的能力;

预测:预测节点的输入分为两部分,左边为训练好的模型,右边为测试数据集,模型运用识别流失客户的能力,对测试集中的特征列数据进行处理,并获得是否为流失客户的标记,这里的标记是模型给出的结论,并非测试集中标签列的数据。

5.结果评估

评估:通过对比模型预测结果与测试集数据之间的差异,可以评价模型的效果。

最终输出评价结果为:

可以看到这个模型的准确率高达95%。