3.4. Data mining implementation pro

3.4. Data mining implementation process

Late-paying customers comprise 7% of all customers. If a decision tree is used directly for analysis, prediction analysis will be difficult, due to the small percentage of late-paying customers.

And, in fact, if a decision tree is used directly, the result has one single node, the root node, and the prediction accuracy for normal customers is 93%.

This accuracy is high, but it fails to meet the model prediction requirements since the model prediction goal is
to find customers who may make delayed payments.

As shown in Fig. 2, clustering and decision trees are used to perform data mining in the second phase to analyze user behavior and find target customers.

ผลลัพธ์ (ไทย) 1:

3.4 การดำเนินการทำเหมืองข้อมูลประมวลผลลูกค้าจ่ายเช็คประกอบด้วย 7% ของลูกค้าทั้งหมด ถ้าใช้ต้นไม้ตัดสินใจโดยตรงสำหรับวิเคราะห์ วิเคราะห์ทำนายจะยาก เนื่องจากเล็กเปอร์เซ็นต์ของลูกค้าที่จ่ายล่าช้าแล้ว ในความเป็นจริง หากใช้ต้นไม้ตัดสินใจโดยตรง ผลมีโหนหนึ่งเดียว โหน และความถูกต้องของการคาดเดาสำหรับลูกค้าปกติเป็น 93% ความแม่นยำนี้จะสูง แต่มันไม่สามารถตอบสนองความต้องการคาดเดาแบบตั้งแต่แบบจำลองคาดการณ์เป้าหมายคือเพื่อค้นหาลูกค้า ที่อาจทำให้ล่าช้าการชำระเงิน ดังแสดงในรูป 2 ต้นไม้ clustering และการตัดสินใจที่จะใช้การดำเนินการทำเหมืองข้อมูลในระยะสองในการวิเคราะห์พฤติกรรมของผู้ใช้ และค้นหาลูกค้าเป้าหมาย

ผลลัพธ์ (ไทย) 2:

3.4 การทำเหมืองข้อมูลขั้นตอนการดำเนิน

ลูกค้าสายจ่ายประกอบด้วย 7% ของลูกค้าทั้งหมด ถ้าต้นไม้ตัดสินใจมาใช้โดยตรงสำหรับการวิเคราะห์การวิเคราะห์ทำนายจะเป็นเรื่องยากเนื่องจากร้อยละขนาดเล็กของลูกค้าที่ปลายจ่าย.

และในความเป็นจริงถ้าต้นไม้ตัดสินใจมาใช้โดยตรงผลที่มีหนึ่งโหนดเดียวโหนดราก และถูกต้องทำนายสำหรับลูกค้าปกติ 93%.

ความถูกต้องนี้จะสูง แต่ก็ล้มเหลวในการตอบสนองความต้องการการทำนายรูปแบบตั้งแต่เป้าหมายของการทำนายรูปแบบคือ
การหาลูกค้าที่อาจทำให้การชำระเงินล่าช้า.

ดังแสดงในรูป 2, การจัดกลุ่มและการตัดสินใจต้นไม้ที่ใช้ในการดำเนินการทำเหมืองข้อมูลในขั้นตอนที่สองในการวิเคราะห์พฤติกรรมของผู้ใช้และหาลูกค้าเป้าหมาย