這兩天假期在公司舉辦的外訓中度過了......
課程的內容是在說明CRM與Data Mining的應用,
請來的是某大學的資工教授,
第1天我還蠻認真的,做了不少筆記,
可是他的內容主要是著重在技術面的應用,
所以很多非IT人員都上的很痛苦(其實IT自己都快不行了),
結果第2天來上課的人明顯少了一半~
而留在課堂上的人我看也掛的差不多了~(睡的睡、出去溜搭的溜搭......)

我呢~
在下午第1節課後~我終於不行了,
實在已經超出我所能接收的容量了,
所以休息時,我就自然而然晃了出去.......
晃去金石堂看了一個半小時的書,
然後去那種什麼都賣的店逛了半小時,
最後,偷偷晃到休息室看電視.......(還好我跟人資混得夠熟...)
就在下午4點多,我又認命的回到教室~(實在混不下去了)
可是......要上到6點耶~><
於是,打開我的小黑寫下了這篇上課心得.......
呼~真是充實的假期啊!^O^

對了,附上我的筆記,表示我有認真上課~
哈哈..............

==My Note==
1. Text Mining --> 網路搜尋
2. Oracle的RPM(Data Mining tool)非其主要強項
3. One mining lisence is about $4,000,000~5,000,000.
4. The first step of Data Mining : 建立金控Data Mining
5. Product Association --> Amazone Bookstore -->推薦相關商品
6. HOLA's catalog : NTD.3~4/本
7. HOLA客戶流失率約40%/year--> 但每年客戶都維持在1,000,000
8. Taishin客戶分析:
    * investment --> +score
    * use service --> -score
    * 臨櫃交易損失50元(-score)
    * use ATM損失7~8元(-score)
9. Capital One --> A bank in USA --> one of Taishin's model
10.用客戶找產品,不用產品找客戶(行銷案找客戶)--> Relationship-driven
11.同一客戶不應在同一時間做不同行銷--> CMS
12.Taishin's CRM Department--> 各子公司挑選種子組成--> 統一訓練--> 三階段認證(P.376)
13.event driven campaign --> 先定義各event的產品
14.event rules
    * financial event
    * life cycle event
15.Taishin行銷三等級:
    * 先斬後奏
    * 簡單分析即可做
    * 需深入分析(Data Mining)才能進行
16.Taishin行銷活動人員種類:PM,CRM,IT
17.SME --> 中小企業戶
18.麥肯錫做customer segmentation --> 6,000,000
19.分析客戶地理位置--> 了解客戶附近是否有本行機構
20.資料前處理:
    * data selection
    * cleansing
    * enrichment
    * coding
21.地址轉郵遞區號--> 台灣郵政網站
22.mining結果取決於編碼(coding)的方式
23.先討論欄位需求再開聯絡單,將欄位縮在30個以內,關鍵變數大約才10個
24.Concept Description --> 篩選關鍵變數(P.140)
25.Sequence Patterns --> 產品之間依序購買的關聯性(P.140)
26.Cluster Analysis(集群分析) --> 銀行用最多(P.140)
27.Concept Description,Classification亦很常用(P.140)
28.Simpson’s Paradox(概念描述) --> 注意數據解讀的陷阱(在愈是偏態的狀況,平均數被扭曲的愈厲害)(P.143,144)
29.Confidence --> rules預測的準確度;Support --> rules被運用的機率(P.146)
30.Amazone --> use Association Rules --> 產品間同時購買的關聯性(P.147,148)
31.Sequential Patterns --> 產品間循序購買的關聯性(可用在大賣場--> 發給下次可能購買的折價券) --> include Association Rules(P.149)
32.Cluster Analysis --> begining of marketing(campaign)(P.150)
33.Bayes(貝式定律) --> P(Y|X)=P(X|Y)*P(Y)/P(X)
34.0.028/P(X)+0.007/P(X)=1 --> P(X)=0.035(P.154)
35.Naive Bayes --> 不夠準確,分類效果差,但很簡單
36.Decision Tree --> 整合歸納(P.155)
37.Neural Networks --> 無法解釋結果(系統只學習到一堆權重)(P.161)--> 變形:邏輯式回歸(去掉中間的類神經元)
38.將資料表拆成多個--> 避免資料不一致與浪費空間
39.All mining systems only accept one table for data mining, so you have to join all of the tables.(P.173)
40.X:行銷人數;Y:回應人數(成交人數)(P.175)
41.Data Mining挑對屬性比較重要 --> 用什麼分析
42.........之後已經彌留了^_^(混ing......)
43.Customer Demographic Data:P.345-3~10
44.Relationship Data:P.345-11~P.347-33
45.Transactional Data:P.347-34~37
46.Additional Data:P.347-38~40
47.remove redundant variables --> important
48.mining出的群數,每群人數至少有2%才有意義(P.358,359)
創作者介紹

愛.自.由

一個人 發表在 痞客邦 PIXNET 留言(3) 人氣()


留言列表 (3)

發表留言
  • IVYJANG
  • 我第2天就沒去了<br />
    打死我都不去!!!
  • 哈哈............<br />
    我知道妳不會出現的~<br />
    我有幫妳簽名了~^^

    一個人 於 2008/06/06 20:01 回覆

  • hyades26
  • 恩…好專業…看不懂<br />
    怎麼覺得有部分有點像「統計」的東西 @@<br />
    <br />
    這門課的給我的感覺是<br />
    有興趣的人,會覺得上這門課很高興;<br />
    沒興趣的人,會覺得生不如死!
  • 厲害唷~<br />
    他是跟統計有關係,<br />
    因為CRM必須分析許多資料,<br />
    所以會用到統計概念與方法.......<br />
    <br />
    我應該是處於【高興】和【生不如死】之間<br />
    哈哈..............

    一個人 於 2008/06/06 20:07 回覆

  • vivibell
  • 真佩服有勇氣去上課的人<br />
    像我只能上人資開的Office課程<br />
    哈哈哈
  • 我...............也不是自願的~<br />
    是被指派的.......><

    一個人 於 2008/06/06 20:07 回覆

找更多相關文章與討論