今天突然心血來潮上來看看，
沒想到這塊被棄置許久的荒地，來訪人數竟然破2萬了？！
應該都是一些不小心晃進來的朋友，
不過我既然來了，就除除草、澆澆花唄...
- 8月 15 週一 201116:55
掃掃地
今天突然心血來潮上來看看，
沒想到這塊被棄置許久的荒地，來訪人數竟然破2萬了？！
應該都是一些不小心晃進來的朋友，
不過我既然來了，就除除草、澆澆花唄...
- 1月 08 週五 201020:16
很久沒來更新囉
自從用了臉書和噗浪後，真的很少來了，
因為臉書分享照片、網誌、影音...都相當方便，
用噗浪分享心情與朋友互動更是每天必做的事，
（上面會不會被痞客邦封殺啊？）
- 9月 07 週日 200823:12
混？！
好吧，我是上來承認我很混的！
最近荒蕪了很久，
這裡都結蜘蛛網了～
趕快來打掃、打掃～
其實心理總是有好多的想法，
但腦永遠動的比手快，
再加上人類的好朋友〝惰性〞，
所以最後就變成在心理想想，
懶得上來打了；
而且，自己的完美主義作祟，
總覺得打出來的東西不若腦中乍現的靈光完美～
所以......我很混！！
（ps：上次說要來補的新竹遊照片，
其實我放在相簿好一陣子了......
好啦！我很混......）
- 8月 12 週二 200820:39
生日快樂
昨天（8/11）是我生日，
前天和女王出發去新竹，
順便體驗一下「新竹薇閣」，
住的是「美國舞孃」系列，
整個就是～舞孃風！
還有跳鋼管的包廂區咧（真的有根鋼管插在中間說～還有暴閃燈......）
不過......螞蟻好多！（看的我全身都癢起來了......）
整體感覺SOSO；
而且新竹真的沒啥好玩的，
不過在竹北找了些新玩意兒來吃～還不錯吃，
也去了新竹漁港走走，
改天再上來補照片和說明囉～
前天和女王出發去新竹，
順便體驗一下「新竹薇閣」，
住的是「美國舞孃」系列，
整個就是～舞孃風！
還有跳鋼管的包廂區咧（真的有根鋼管插在中間說～還有暴閃燈......）
不過......螞蟻好多！（看的我全身都癢起來了......）
整體感覺SOSO；
而且新竹真的沒啥好玩的，
不過在竹北找了些新玩意兒來吃～還不錯吃，
也去了新竹漁港走走，
改天再上來補照片和說明囉～
- 6月 21 週六 200822:11
I'm fucking tired
我厭倦了八面玲瓏的日子！
I just want to be myself！
I really don't care who the fuck you are !
不管怎麼做、事前有多麼周詳的計畫，
一定還是會有反面的雜音；
所以，想那麼多幹嘛？
I have to trust myself !
Welcome to the real world.
What's a fuck world !
I just want to be myself！
I really don't care who the fuck you are !
不管怎麼做、事前有多麼周詳的計畫，
一定還是會有反面的雜音；
所以，想那麼多幹嘛？
I have to trust myself !
Welcome to the real world.
What's a fuck world !
- 6月 01 週日 200819:34
充實的假期
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)
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)
