La presentazione è in caricamento. Aspetta per favore

La presentazione è in caricamento. Aspetta per favore

Business Intelligence Dai dati alle decisioni. Modulo 5 Customer Profiling e Data Mining Togli la causa e leffetto sparirà. (Miguel De Cervantes)

Presentazioni simili


Presentazione sul tema: "Business Intelligence Dai dati alle decisioni. Modulo 5 Customer Profiling e Data Mining Togli la causa e leffetto sparirà. (Miguel De Cervantes)"— Transcript della presentazione:

1 Business Intelligence Dai dati alle decisioni

2 Modulo 5 Customer Profiling e Data Mining Togli la causa e leffetto sparirà. (Miguel De Cervantes)

3 Customer Profiling Sistema informativo in grado di fornire, per ogni singolo cliente, un dettaglio del suo comportamento dacquisto attuale e atteso. Siamo identificati attraverso la transazione. B ANCA N. C ONTO A SSICURAZIONE N. P OLIZZA C ASA E DITRICE N.A BBONAMENTO G AS N. C ONTATORE T ELEFONO N. T ELEFONO TRANSAZIONE

4 Customer Profiling Avere come obbiettivo il monitoraggio della transazione è un sistema naturale di controllo se vogliamo aumentare lefficienza della P RODUZIONE e / o D ISTRIBUZIONE, ma se lobbiettivo è riconoscere, soddisfare e mantenere fedele il cliente dobbiamo cambiare punto di vista. Rapporto personale e sulla relazione. M ETODI DI ESPOSIZIONE DEI PRODOTTI T ESSERE F EDELTÀ RELAZIONE

5 Struttura di un sistema di customer profiling Le informazioni di cui unazienda può disporre sono descrittive e comportamentali. Tali informazioni sono solitamente disponibili sui sistemi amministrativi e vanno quindi integrati aumentando linterattività tra azienda e cliente.

6 Struttura di un sistema di customer profiling Persone Programmi Premio Aziende dati anagrafici socio-economici socio-demografici settore dimensione localizzazione comportamento di acquisto comportamento duso descrittive comportamentali

7 Struttura di un sistema di customer profiling Esempio Transazioni in banca. N. transaz.Cliente Conto 120A Conto 25B Conto 35C Conto 410B Conto 55B Conto 65B 20 transazione a settimana 10 transazione a settimana 5 transazione a settimana Focus sul Cliente B A C Focus sulla transazion e

8 Struttura di un sistema di customer profiling Bisogna quindi pensare a degli indici predittivi del comportamento futuro. Lufthansa Audi Vailant

9 Indici predittivi Indice della probabilità di abbandono Indice del valore attuale netto Indice della probabilità di frode e morosità Indice della probabilità di acquisto -Telefonia -Quattroruote -Finanziamenti -Amazon

10 Indici predittivi probabilità di abbandono valore attuale netto probabilità di frode probabilità di acquisto Tali indici vengono calcolati utilizzando come base il comportamento in un particolare periodo trascorso e applicando degli algoritmi di DATA MINING DATI STORICI + ESEMPI GIA NOTI = MODELLI PREVISIONALI Si parte quindi dai dati storici che utilizziamo per trovare indici applicabili ai nuovi dati. Possiamo così classificare Direct Marketing Punti Vendita Venditori efficacia Customer Services Agenti per leffettivo potenziale affidato

11 Esempio di Customer Profiling Reddito Debito Concediamo il prestito al cliente? debito pagato debito non pagato

12 Esempio di Customer Profiling Dobbiamo cercare un modello (D ATA M INING ) che mi possa assistere alla decisione: -Media -Iperpiano -Iperpiani paralleli -Clustering s If ( red < s ) Then ( debito non pagato ) s If (a red + b red < s ) Then ( debito non pagato ) b a (Non Supervisionato) (Supervisionato)

13 Data Mining

14 Il D ATA M INING si pone come processo di selezione, esplorazione e modellazione di grosse masse di dati, al fine di scoprire strutture, regolarità o relazioni non note a priori, e allo scopo di ottenere un risultato chiaro e utile al proprietario del database. Le regole statistiche tradizionali di analisi dei dati (ad esempio la regressione) vengono utilizzate per cercare conferma a fatti che lutente ipotizza o già conosce. Se il database è molto grande non si riesce ad avere una visione completa da cui estrapolare una regolarità e simmetrie. Lidea è che tali strutture non sfuggano ad una elaborazione automatica.

15 Tra le tecniche più diffuse troviamo: Clustering Reti Neurali Reti Bayesiane Alberi di decisioni Apprendimento genetico Analisi delle associazioni Tutte le tecniche comprendo metodi e algoritmi. Clustering con lalgoritmo k-means Data Mining

16 Clustering con lalgoritmo k-means Data Mining

17 Clustering (tecnica di Cluster Analysis) Esempio – Metodo k-means (k-medie) metodo partizionante A LGORITMO K - MEANS k-cluster record INPUTOUTPUT k funzione di media metrica

18 Clustering (tecnica di Cluster Analysis) 1. Scegliere un valore k=numero di cluster da determinare. 2. Scegliere in modo casuale k dati del detaset che saranno i (bari)centri del cluster. A LGORITMO K - MEANS k-cluster record INPUTOUTPUT k funzione di media metrica

19 Clustering (tecnica di Cluster Analysis) 3. Definire una metrica per calcolare la distanza dei punti dai centri. 4. Calcolare la media per ogni cluster. A LGORITMO K - MEANS k-cluster record INPUTOUTPUT k funzione di media metrica

20 Clustering (tecnica di Cluster Analysis) 5. Se le nuove medie sono identiche a quelle precedenti il processo termina; altrimenti utilizzare le nuove medie come centri dei cluster e ripetere i passi da 3. a 5. Solitamente si preferisce fermarsi quando siamo arrivati ad un errore quadratico predefinito. A LGORITMO K - MEANS k-cluster record INPUTOUTPUT

21 Clustering (tecnica di Cluster Analysis) Esempio su Excel xy A 12 B 1,51 C 21 D 1 E 42 F 24 G 52 H 51 I 34 J 0,52,5 K 43 L 23 M 14 N 1,52 O 54

22 Algoritmi di Classificazione Valutati da Velocità Robustezza Scalabilità Interoperabilità Esempi di alberi di classificazione ALBERO BINARIOALBERO GENERICO Accetta Comunicazione Età Zona di residenza SI NO 45 >45 Nord Centro Sud Isole

23 Algoritmi di Classificazione Esempio di rete neurale Vettore di Input Vettore di Output x1x1 x2x2 x n-1 xnxn … f(x) Nodo di Output Nodi di Input Nodi Nascosti esempio…

24 Metodi Bayesiani di classificazione Metodo di Bayes è un metodo di inferenza statistica utilizzato per il calcolo delle probabilità a posteriori. Questi metodi hanno il vantaggio di giungere a descrizioni razionali anche quando non vi sono abbastanza informazioni. Esempio Banale - zona di residenza Esempio Completo -

25 Esempio di probabilità a posteriori (probabilità a posteriori) A Londra in inverno piove nel 50% dei casi. A Londra è nuvoloso nell80% dei casi A Londra, quando piove è nuvoloso (100% dei casi) Oggi a Londra è nuvoloso, che probabilità cè che stia piovendo? Algoritmi di Classificazione Regola di Bayes (Teorema di Bayes) Ci sono 5 probabilità su 8 che a Londra piova!

26 Su una linea di produzione abbiamo il 30% di difettosità. A valle della linea abbiamo due metodi per riconoscere la difettosità, questi due sistemi di controllo della difettosità danno risposte sbagliate, uno al 2% e laltra all8%. Se la prima delle due verifiche ha riscontrato la difettosità mentre la seconda non lha riscontrata. Quale dei due controlli ha dato la risposta corretta? Applichiamo la formula di Bayes… Algoritmi di Classificazione Regola di Bayes (Teorema di Bayes)


Scaricare ppt "Business Intelligence Dai dati alle decisioni. Modulo 5 Customer Profiling e Data Mining Togli la causa e leffetto sparirà. (Miguel De Cervantes)"

Presentazioni simili


Annunci Google