KXEN营销案推广教程

作者：刘文

2007/7/26 8:49:58

本文关键字： BI 学习培训

假设某行要推广一种信用卡，但是不知道哪些人会对这种信用卡感兴趣，传统的方式是给银行所有的老客户发放一个短信或者是邮件，对这种新业务进行介绍，如今，这是一种不明智的方式，一方面，增加了成本，另外一方面，对于对这种卡业务不感兴趣的人来说，这些信息无疑是一种垃圾，这对企业的品牌推广有极大的副作用，所以，我们要对我们的客户进行准确定位。

是否有一种方式，可以对所有的客户进行打分，我们最优潜在客户有一个高的打分，而最差客户有低的得分，这样，我们的营销推广就可以只抓前面的最优潜在客户，大大降低成本。

下图是一个KXEN建模的营销闭环，首先，对数据仓库中所有的客户进行采样，然后，进行一个小范围的营销推广，这样，就会得到一些反馈，反馈当中，会有客户的反应信息（是否对本业务感兴趣？）基于客户的反应信息和数据库中客户资料信息，运用KXEN创建模型，那么，这个模型就可以识别对本业务感兴趣的客户，运用些模型对数据库中所有客户进行打分，我们的营销就可以针对最优潜在客户。后面一步，要把我们营销具体的结果回写到数据库中，以进行模型的改进，完成营销闭环的管理。

如下图是建模数据集（即采样数据集的个人信息和小范围营销后的反馈信息）的元数据，有客户的个人信息（年龄，工作性质，婚姻状况，性别等），class代表反馈的结果，1为是，0为否，我们的目的是用个人信息来预测反馈结果。

KXEN的分类问题和回归问题都是用K2R模块，即分类也是用回归解决，不管对于定性的结果和定量的结果，最后预测值都是一个量化的数值，如果是分类的结果，K2R会根据数据的分布给出一个界值，大于此界值的为一类，小于此界值的为另一类。

对于K2R的参数设置，多项式次数一般都为1。KXEN的算法是结构风险最小化的岭回归，会自动进行模型的选优，大多情况下，无需进行高级参数的修改。相关性设置对于模型的性能没有影响。而规则模式中，是一个数值的转化，也没有影响。最正面和自动选择栏目，是对变量的自动筛选，去除对模型性能影响次要变量。自动模型调优，如果这里不进行自动选择，后面也可以重复这个过程。

KXEN的算法一个最大的强项在于，模型可以容纳高维的数据，即使预测变量多至5000维，不进行变量选择，也可以得到稳健的模型，同时，模型的结果解释中有变量重要性的排名，所以许多SAS分析师都喜欢先用所有的变量进行KXEN建模，然后，选取KXEN结果解析中的重要变量，再用SAS进行建模，选择自己熟悉的算法。

　在KXEN市场细分教程（/CIO/knowledge/200707/539.html　）中，我们解释了部分模型解释的意义，现对其它几个K2R特有的进行解释。

在变量权重的显示中，显示了所有变量对目标的正影响和负影响。值得注意的是，对于连续性预测变量，KXEN的一致编码模块（K2C）进行了特别的处理，变成了两个变量，譬如，年龄（age）有age和c_age对应，age为初始变量，c_age为进行了装箱操作后的变量，这样，充分运用自变量的信息，还可以去除奇异点(outliers)对目标的影响，增强了模型的稳健性。