（毕设翻译）交易淡季市场上的价格发现：巴西农产品期货市场上现货和期货的关系（中文译文）

完整数据库营销。

北森，埃格蒙特彼得森，布朗，为僧尼丝。

学习贝叶斯网络分类器对使用马尔可夫链信用评分技术报告，荷兰乌特列支大学，信息与计算机科学学院。

杯踏查瑞亚，年。

采用遗传算法直接营销反应模式，第四国际知识发现与数据挖掘会议，页。

胡茬，年。

利用粗糙集理论和操作数据库，构建数据挖掘应用个很好集成分类器，过程。

届国际会议上数据挖掘技术，页。

教务长和福塞特分类器性能可视化分析不精确类和成本分配比较，三届国际会议知识发现和数据挖掘会议，页。

浆果和洛妮芙，年。

精通数据挖掘客户关系管理科学与艺术。

硕士，年。

神经，新颖混合时间序列预测算法，约翰威利父子公司。

联合国英达科尼和肖洛姆，年。

解决基于规则集成分类器回归问题，过程，页。

夏皮罗，疲沓沓撕开，马思德，估计运动好处和模拟电梯，程序。

第五国际会议上知识发现和数据挖掘，页。

胡查，年。

客户流失分析分类方法比较过程。

第三届国际会议，粗糙集和当前趋势，施普林格出版社，页。

林茨和里茨，年。

直接营销数据挖掘问题和解决方案。

第四届国际会议知识发现和数据挖掘，页。

马珊德和夏皮罗，年。

最大化企业盈利预测模型比较。

第二国际知识发现与数据挖掘会议，年。

埃尔坎，年月。

促进朴素朴素贝叶斯学习，技术报告号，加利福尼亚大学，迭戈。

垦利尼，年。

动荡时间序列数据非线性金融预测个简单神经网络预测过程。

第四届国际会议神经网络在资本市场，页。

思噶波，弗氏，扒塔拉特，和李，提高保证金投票方法有效性种新解释统计年鉴。

强尼昆兰，决策树机器学习，卷，号，页。

强尼昆兰，年。

装袋，促进，与算法。

在第十三届人工智能程序，页。

格兰达塔斯和广，年。

神经网络黄金期货价格预测重要因素。

第四届国际会议神经网络在资本市场，页。

弗里德曼，盖革和金子蜜桃撒，年。

贝叶斯网络分类器，机器学习，卷，页。

斯佩尔，年。

提高机器学习方法概述非线性估计和分类研讨会。

瑞切尔，斯佩尔，拉希姆和噶破塔，年。

将实验知识提高。

第十九机器学习国际研讨会。

胡，赛尔康。

通过离散数据挖掘，推广和粗糙集特征选择，知识和信息系统国际期刊，卷，页。

我们产品而选择我们竞争对手产品客户。

这种情况不是单个例个客户能够在贷款周期中显示这类情况子集。

此时，他她能够通过有效被刺激手段和策略影响来改变他们行为。

鉴于此，这些客户态度可以被量化表现在状态图表上。

表表达了客户管理优势以及预测问题。

确定缓慢客户流失。

交叉销售产品。

确定高风险客户。

确定客户可能被竞争对手挖掘。

如上图中所示，个客户通过他行为，能够按组别属性在每个状态被定义时，在活跃和流失之间活动。

基础上图，我们决定聚焦到两个流失问题上利用过去连续个月所开账户为数据，在提前天情况下，预测特定客户是否会自主通过电话或写信注销她他账户。

利用过去连续个月所开账户为数据，在提前天情况下，预测个特定客户是否可能会将他账户转移到竞争对手手上。

而账户不定仍保持开通。

模型发展和随后活动焦点将会聚集到提高产品线业务及改善该项产品客户维持度和客户活跃度问题上问题保留现有客，中文字种用于零售银行客户流失分析数据挖掘方法作者胡晓华作者单位美国费城卓克索大学信息科学学院摘要在金融服务业中解除管制，和新技术广泛运用在金融市场上增加了竞争优势。

每个金融服务公司经营策略关键是保留现有客户，和挖掘新潜在客户。

数据挖掘技术在这些方面发挥了重要作用。

在本文中，我们采用数据挖掘方法对零售银行客户流失进行分析。

我们讨论了具有挑战性问题，如倾向性数据数据按时序展开字段遗漏检被记录下来。

如，如果个账户直到年月都没有变化，最后列将会成为当前月列，被用来推算当前这个月结论。

在理解这些基础后，创建客户流失模型。

鉴于数据文件中数据记录是每月每户列，我们需要使用过去四个月历史数据来建立个预测模型。

为了表示数据随时间和季节性行为而变化，我们需把过去独立四个月数据结合在个数据文件里，而在数据文件里每个账户有个包含过去四个月金融信息列。

使用数据格式，要求隐性数据成为显形，而时序被分为单独字段。

为了完成这点，我们将变量分成静态变量和时间敏感度变量。

静态变量不随时间而变化。

例子如下账号，母姓，住址和爱好。

时间敏感值每月而变化且为了找到季节性时间相关性行为保留在过去个月不同值。

时间敏感值被分配到个时间前缀意味着最近个月，意味着前二个月，意味着三个月前，意味着四个月前。

因此，例如，在年月到年月当前账户余额反映在表二中定义。

鉴于此，下个任务是包含了在干净格式化文件生成额外文件以及将它们添加到结果文件。

时间序列数据显示于表三，数据值设置从增加到。

表二以四个月为周期时间敏感度数据库。

周期与命名上个月，当前账户余额个月前，当前账户余额二个月前，当前账户余额三个月前，当前账户余额。

表三按时间顺序展开数据集。

目标值定义像很多真实数据挖掘应用程序样，通常在数据仓库中是不会直接定义数据挖掘目标字段，因此，定义合适商业领域研究目标字段也是数据挖掘工作部分。

在商业领域专家帮助下，我们在些存在数据中定义来区分未来例子，可能会导致。

分类器集成是系列分类器，这些分类器在些方面来划分新样本。

为构建分类器集成创建了些方法，有些是般算法和有些特定算法，。

我们采用了种混合方法首先，我们用自然条件下贝叶斯网络来建立种分类器，人工神经网络预测，决策树，自然选择条件下贝叶斯网络，然后我们在主要通过投票将从个分类集合成个分类器。

集成分类器比任何个个体分类器得到更精确字段。

上图是集成分类器所得到结果。

数据挖掘发现最初研究揭露了系列变量之间关系以及临界值来进步探讨与分析。

如下总结了重要观点和些可能含义上表显示，些特定值或数值范围属性是来预测保留客户和流失客户。

这些解释增加了我们信心，而这些属性值将继续在未来继续预测。

字段检测为了检测数据挖掘有效性，我们客户采取了字段检测。

测试要显示出两个要点客户流失率包含了集中流失客户。

基于营销方法数据挖掘对于保留目标是有效。

他们对现有客户分类方法从而生成模型，然后将客户流失比率再次进行分类。

他们决定与列表中前现有客户进行联系大约名，其中有大约名客户。

他们把客户随机分为组，每组大约有名，然后对不同组客户采取积极主动地行动第组，市场营销部门接触每个客户，并提供了些优惠措施来鼓励客户留在公司而第二组，没有采取任何联系。

经过个月后，他们检查列表然后发现，在第组中，流失率非常低，而在第二组中，流失率非常高，几乎是，在两个月累积平均流失率为，因此获得了字段在测试数据段中，列表中始终保持着数据。

在第组中较低流失率显示，如果积极主动行动是及时和适当，这对客户行为确实有影响，而第二组高流失率证明，我们数据挖掘模型是正确和前高比例流失率被捕捉。

结论在此篇论文中，我们演示了种零售银行客户损失分析数据挖掘方法。

我们讨论了关于倾向性数据时序数据展开遗漏检测和项零售银行损失分析数据挖掘任务步骤。

我们讨论枚举法在作为损失分析适当方法上用处，比较了决策树枚举法，贝叶斯网络等多种数据挖掘方法以及这些方法效果。

我们最初发现显示出些有趣结果。

我们客户实践检验证明了损失数据挖掘预测模型是很准确，目标导向措施也是有效。

参考文献辉戈硕士，年。

挖测等，以及项零售银行损失分析数据挖掘任务步骤。

我们使用枚举法作为损失分析适当方法，用枚举法比较了决策树，选择条件下贝叶斯网络，神经网络和上述分类集成数据挖掘模型。

些有趣调查结果被报道。

而我们研究结果表明，数据挖掘技术在零售业银行中有效性。

关键词数据挖掘分类方法损失分析简介在金融服务业中解除管制，和新技术广泛运用在金融市场上增加了竞争优势。

每个金融服务公司经营策略关键是保留现有客户，和挖掘新潜在客户。

数据挖掘技术在这些方面中发挥了重要作用。

数据挖掘是个结合商业知识，机器学习方法，工具和大量相关准确信息反复过程，使隐藏在组织中企业数据非直观见解被发现。

这个技术可以改善现有进程，发现趋势和帮助制定公司客户和员工关系政策。

在金融领域，数据挖掘技术已成功地被应用。

•谁可能成为下两个月流失客户•谁可能变成你盈利客户•你盈利客户经济行为是什么•什么产品不同部分可能被购买•不同群体价值观是什么•不同部分特征是什么和每个部分在个人利益中扮演角色是什么在本论文中，我们关注是应用数据挖掘技术来帮助分析零售银行损失分析。

损失分析目是确定组高流失率客户，然后公司可以控制市场活动来改变所需方向行为改变他们行为，降低流失率。

在直接营销活动数据挖掘中，每个目标客户是无利可图，无效，这个概念很容易被理解。

因为有限营销预算和员工，所以数据挖掘模型过去常常被用来排列客户组成，且只有定比例客户通过邮件，电话等联系。

如果建立更完善数据挖掘模型和定义正确目标，该公司便就能够接触潜在高密度客户流失集中群体。

下面描述了银行流失分析数据挖掘过程步骤商业问题定义在客户保留领域中商业问题明确说明数据审查和初步筛选在现有数据方面问题说明数据集成，编目和格式化数据预处理数据清洗，数据展开和定义时间敏感度变量定义，定义目标变量，统计分析，敏感度分析，漏泄检测，特征选择通过分类模型建立数据模型决策树，神经网络，促进朴素贝叶斯网络，自然选择条件下贝叶斯网络，分类器集成结果表达与分析用数据挖掘模型来预测当前用户中可能流失客户调度展示定义可能成为流失客户对象称为正式这篇论文描述了种用来分析零售银行客户流失数据挖掘方法。

目是确认规则趋向模式和能够被作为潜在流失指标群体和提前确定潜在流失客户，因此银行能够采取积极主动地预防措施来降低流失指数。

本论文安排如下首先我们在第二部分定义客户保留区域上问题和商业问题说明，接着我们在第三部分讨论数据选择数据审查和初步筛选，然后是数据集成数据目录编辑和数据格式化数据演变和时间敏感度变量定义。

接着我们讨论敏感度分析遗漏侦测和特征选择。

在第四部分我们通过决策树，神经网络和贝叶斯网络和自然选择条件下贝叶斯网络和上述四种分类器集成来描述数据模型。

在第五部分，我们主要讨论调查结果字段检测结果。

最后，我们在第六部分得出结论。

商业问题主要问题解释我们客户是世界十大零售银行之，这些银行根据不同客户提供各种种类金融产品。

本论文中讨论产品属于项特定贷款服务。

目前超过，客户正在使用这项仍有亿美元资金未解决产品，这项产品已经有了显著高流失率。

由于高流失率，税收受到了挑战每个月呼叫中心会受到超过个要求注销银行账户电话另外接近条记录属于缓慢流失连续超过个月以上处于不平衡状态，同时非法账户对于产品收益率构成了系列挑战，由于指数贷款限额以及佣金影响，每月零售银行流失指数总计达到。

另外，很多客户只在优惠价时才使用该产品，过期后便作废。

每个账户都有客户管理项目成本和客户获得成本，邮递需要在每个客户上花美元，电话营销需要在每个客户上花美元。

而刺激成本比如降低利率来留住客户能够被考虑，主要取决于