数据挖掘成功案例

时间：2022-02-18 22:21:01 | 来源：信息时代

时间：2022-02-18 22:21:01 来源：信息时代

CredilogrosCíaFinancieraS.A.是阿根廷第五大信贷公司，资产估计价值为9570万美元，对于Credilogros而言，重要的是识别与潜在预先付款客户相关的潜在风险，以便将承担的风险最小化。

该公司的第一个目标是创建一个与公司核心系统和两家信用报告公司系统交互的决策引擎来处理信贷申请。同时，Credilogros还在寻找针对它所服务的低收入客户群体的自定义风险评分工具。除这些之外，其他需求还包括解决方案能在其35个分支办公地点和200多个相关的销售点中的任何一个实时操作，包括零售家电连锁店和手机销售公司。

最终Credilogros选择了SPSSInc.的数据挖掘软件PASWModeler，因为它能够灵活并轻松地整合到Credilogros的核心信息系统中。通过实现PASWModeler，Credilogros将用于处理信用数据和提供最终信用评分的时间缩短到了8秒以内。这使该组织能够迅速批准或拒绝信贷请求。该决策引擎还使Credilogros能够最小化每个客户必须提供的身份证明文档，在一些特殊情况下，只需提供一份身份证明即可批准信贷。此外，该系统还提供监控功能。Credilogros目前平均每月使用PASWModeler处理35000份申请。仅在实现3个月后就帮助Credilogros将贷款支付失职减少了20%.

DHL是国际快递和物流行业的全球市场领先者，它提供快递、水陆空三路运输、合同物流解决方案，以及国际邮件服务。DHL的国际网络将超过220个国家及地区联系起来，员工总数超过28.5万人。在美国FDA要求确保运送过程中药品装运的温度达标这一压力之下，DHL的医药客户强烈要求提供更可靠且更实惠的选择。这就要求DHL在递送的各个阶段都要实时跟踪集装箱的温度。

虽然由记录器方法生成的信息准确无误，但是无法实时传递数据，客户和DHL都无法在发生温度偏差时采取任何预防和纠正措施。因此，DHL的母公司德国邮政世界网（DPWN）通过技术与创新管理（TIM）集团明确拟定了一个计划，准备使用RFID技术在不同时间点全程跟踪装运的温度。通过IBM全球企业咨询服务部绘制决定服务的关键功能参数的流程框架。DHL获得了两方面的收益：对于最终客户来说，能够使医药客户对运送过程中出现的装运问题提前做出响应，并以引人注目的低成本全面切实地增强了运送可靠性。对于DHL来说，提高了客户满意度和忠实度；为保持竞争差异奠定坚实的基础；并成为重要的新的收入增长来源。

价格竞争空前激烈，语音业务增长趋缓，快速增长的中国移动通信市场正面临着前所未有的生存压力。中国电信业改革的加速推进形成了新的竞争态势，移动运营市场的竞争广度和强度将进一步加大，这特别表现在集团客户领域。移动信息化和集团客户已然成为未来各运营商应对竞争、获取持续增长的新引擎。

随着国内三足鼎立全业务竞争态势和3G牌照发放，各运营商为集团客户提供融合的信息化解决方案将是大势所趋，而移动信息化将成为全面进入信息化服务领域的先导力量。传统移动运营商因此面临着从传统个人业务转向同时拓展集团客户信息化业务领域的挑战。如何应对来自内外部的挑战，迅速以移动信息化业务作为融合业务的竞争利器之一拓展集团客户市场，在新兴市场中立于不败之地，是传统移动运营商需要解决的紧迫问题。

从目前网络招聘的信息来看，大小公司对数据挖掘的需求有50多个方面（来源见参考资料）：

1、数据统计分析

2、预测预警模型

3、数据信息阐释

4、数据采集评估

5、数据加工仓库

6、品类数据分析

7、销售数据分析

8、网络数据分析

9、流量数据分析

10、交易数据分析

11、媒体数据分析

12、情报数据分析

13、金融产品设计

14、日常数据分析

15、总裁万事通

16、数据变化趋势

17、预测预警模型

18、运营数据分析

19、商业机遇挖掘

20、风险数据分析

21、缺陷信息挖掘

22、决策数据支持

23、运营优化与成本控制

24、质量控制与预测预警

25、系统工程数学技术

26、用户行为分析/客户需求模型

27、产品销售预测（热销特征）

28、商场整体利润最大化系统设计

29、市场数据分析

30、综合数据关联系统设计

31、行业/企业指标设计

32、企业发展关键点分析

33、资金链管理设计与风险控制

34、用户需求挖掘

35、产品数据分析

36、销售数据分析

37、异常数据分析

38、数学规划与数学方案

39、数据实验模拟

40、数学建模与分析

41、呼叫中心数据分析

42、贸易/进出口数据分析

43、海量数据分析系统设计、关键技术研究

44、数据清洗、分析、建模、调试、优化

45、数据挖掘算法的分析研究、建模、实验模拟

46、组织机构运营监测、评估、预测预警

47、经济数据分析、预测、预警

48、金融数据分析、预测、预警

49、科研数学建模与数据分析：社会科学，自然科学，医药，农学，计算机，工程，信息，军事，图书情报等

50、数据指标开发、分析与管理

51、产品数据挖掘与分析

52、商业数学与数据技术

53、故障预测预警技术

54、数据自动分析技术

55、泛工具分析

56、互译

57、指数化

其中，互译与指数化是数据挖掘除计算机技术之外最核心的两大技术。