SQL Server聚类数据挖掘信用卡客户可视化分析
全文链接:http://tecdat.cn/?p=30925
原文出处:拓端数据部落公众号
近年来商业银行利用先进数据挖掘技术对信用卡客户进行分类,区分不同的客户群体,然后针对不同客户群体,采取不同的发卡方式,营销策略,风险控制措施。这些举动都是十分有必要的,也是对信用卡产品获得市场份额有巨大帮助作用的。
在信用卡分析时,我们向客户演示了用SQL Server的数据挖掘算法可以提供的内容。
查看数据
查看信用卡资料库:
变量信息:
导入数据库
数据导入数据库中。
数据挖掘
(1) 打开visual studio ,新建项目,选择商业智能项目,analysis services项目
(2) 在解决方案资源管理器中,右键单击数据源,选择新建数据源
(3)数据源名称保持默认,完成
选择聚类,继续下一步
关闭处理窗口后,就可在挖掘模型查看器看到系统经过分析得出的结果和文件:
从聚类结果可以看到,聚类将所有用户分成了10个信用级别。
从不同类别的依赖图可以看到,类别10、7、9、5之间具有较强的相关关系。说明这几个类别中的信用级别是类似的。下面可以具体看下每个类别中的各个属性的分布的比例。
从上图可以看到不同类别的呆账比例是不同的。
从结果来看,相对来说,第7、10类别的呆账比例最小的,其他几个类别中呆账比例较高,因此可以认为这些类别中的用户的信用级别较高。同时可以看到这些类别的其他信息,这类用户的月开销较低,大多在10000元以下。同时可以看到,这类用户大多是都是都市用户,较少的城镇用户,说明都市用户的信用等级相对城镇用户的信用等级较高。另一方面,可以看到呆账用户中 ,有大部分是高收入人群,而低收入用户的呆账比例反而较低,可以认为低收入用户的信用等级反而较高。
从每个类别的倾向程度来看,月开销较低的用户呆账比例较低。从另一方面来看,月收入较低的用户,倾向于是分类10的用户,也就是它们的信用等级较好。同时可以看到,户籍为都市的用户倾向于分类10的用户,而户籍为城镇的用户倾向于其他分类。说明都市用户的信用等级相对较高。同时,可以看到与收入越高的用户,更倾向于非10类别,因此,可以认为,收入越高的用户,越存在信用风险。
最受欢迎的见解
2.R语言基于温度对城市层次聚类、kmean聚类、主成分分析和Voronoi图
3.R语言对用电负荷时间序列数据进行K-medoids聚类建模和GAM回归
5.Python Monte Carlo K-Means聚类实战
7.R语言KMEANS均值聚类和层次聚类:亚洲国家地区生活幸福质量异同可视化
8.PYTHON用户流失数据挖掘:建立逻辑回归、XGBOOST、随机森林、决策树、支持向量机、朴素贝叶斯模型和KMEANS聚类用户画像
相关文章
- 学生数据库管理系统
- SpringDataJpa 用MySQL语句怎么分页,spring全家桶SpringDataJpa 用MySQL语句怎么分页
- Docker创建MySQL容器模板命令
- Elasticsearch对应MySQL的对应关系
- 使用SpringDataJpa保存(save)报错误:SQL Error: 1062, SQLState: 23000 控制台会报:Duplicate entry ‘数‘ for key ‘PRIMA
- Navicat Premium 连接sqlserver数据库时提示安装Client失败,解决方案
- Mysql查询当前用户所有数据库语句(SHOW DATABASES)
- MySQL语句-查看当前数据库有哪些表(SHOW TABLES)
- MySQL5.0版本以上新增的 information_schema 数据库是什么?
- MariaDB数据库备份之逻辑备份
- MariaDB数据库创建用户
- MariaDB数据库给用户授权
- MariaDB数据库刷新权限表命令
- MariaDB数据库删除用户命令
- PhpStudy 2016搭建-sqli-libs靶场
- MySQL手动注入步骤
- Pikachu靶场-SQL注入-数字型注入(post)过关步骤
- Pikachu靶场-SQL注入-字符型注入(get)过关步骤
- 利用SQL注入漏洞实现MySQL数据库读写文件
- Kali-工具-sqlmap常见用法