數(shù)據(jù)庫安全性控制（數(shù)據(jù)推理與數(shù)據(jù)營銷）《大數(shù)據(jù)安全與隱私保護》1.

數(shù)據(jù)安全訪問控制1.1基于視圖的訪問控制1.2數(shù)據(jù)推理與數(shù)據(jù)營銷1.3創(chuàng)建視圖1.4管理視圖1.5利用視圖管理數(shù)據(jù)★數(shù)據(jù)庫安全性控制1.2數(shù)據(jù)推理與數(shù)據(jù)營銷

以某國銀行系統(tǒng)消費數(shù)據(jù)為例，有一天，一個用戶接到銀行客服的電話，直接開門見山，向用戶推出本月信用卡額度臨時調(diào)整業(yè)務(wù)，可以調(diào)整到1萬的額度，有效期限本月，并提供很低的利息進行下個月的分期還款，問是否選擇調(diào)整。該用戶目前的信用額度為5000元，月初時已經(jīng)用了4000元的額度，本月還剩20多天，而日常大部分的生活消費都是用信用卡支付的，并且往往都是月底進行大部分生活支出，而該用戶的工資水平并不高，如果不提供分期還款的話，提高額度也同樣會帶來下個月全額還款的壓力。很顯然該用戶調(diào)整額度和分期付款的需求是非常迫切的。那么為什么是調(diào)整到1萬的額度而且有效期限本月，并提供很低的利息進行下個月的分期還款呢？這背后的推理邏輯和營銷策略，為何會如此精準呢？【數(shù)據(jù)推理與數(shù)據(jù)營銷】1.2案例解析生活中的推理現(xiàn)象：當看到天空烏云密布、燕子低飛、螞蟻搬家等現(xiàn)象時，我們會得到一個推理判斷：天要下雨了。數(shù)據(jù)庫推理與營銷1從用戶第一天辦理信用卡開始，用戶的數(shù)據(jù)就進入銀行數(shù)據(jù)庫，其中的數(shù)據(jù)大致包含了：姓名、所在城市、區(qū)域、年齡、性別、身份證號、電話號、公司、工齡、年薪、信用額度、銀行卡號，消費記錄、接待客服等大量的數(shù)據(jù)。解析1：用戶數(shù)據(jù)積累【

數(shù)據(jù)庫數(shù)據(jù)推理與數(shù)據(jù)營銷】1.2數(shù)據(jù)庫推理與營銷1“物以類聚，人以群分”解析2：用戶數(shù)據(jù)挖掘與模型建立以本案例的用戶為例，特征是：青年人，剛剛參加工作，工資偏低、日常生活消費為主等，同時講究生活品質(zhì)，定期購買高端商品，信用額度經(jīng)常不夠用。于是這樣的用戶就極有可能成為信用額度提升、推廣分期付款的營銷對象?！?/p>

數(shù)據(jù)庫數(shù)據(jù)推理與數(shù)據(jù)營銷】1.2案例解析數(shù)據(jù)庫推理與營銷1RFM模型解析3：制訂營銷方案（1）最近一次消費(Recency)：最近消費，如果面對用戶一個月的消費，那么一周作為一個分段，分為4段。（2）消費頻率(Frenquency)：消費頻率從1次到10次，那么每2次作為一個分段，分為5段。（3）消費金額(Monetary)：消費金額從1元到5000元，那么1000元就是一個等級點。分為5段。按照上面的3個維度，可以把顧客分成4*5*5=100類，對其進行數(shù)據(jù)分析，然后制定出營銷策略。對于那些近期消費用戶，頻率較高且金額較大的，一定是高端的優(yōu)質(zhì)用戶，區(qū)分出用戶后，排好優(yōu)先級進行營銷?！?/p>

數(shù)據(jù)庫數(shù)據(jù)推理與數(shù)據(jù)營銷】1.2案例解析數(shù)據(jù)庫推理與營銷1解析4：營銷執(zhí)行案例解析細分出精準用戶，量身打造的產(chǎn)品，接著就是按照用戶名單的優(yōu)先級別進行多種方式的營銷執(zhí)行。比如對于RFM模型中高端用戶，采用電話營銷，提高轉(zhuǎn)化率。各種不同的信用卡產(chǎn)品，究竟是否會被持續(xù)使用？有無可能提供更貼近用戶習(xí)慣，又能充分利用資源的產(chǎn)品？現(xiàn)有的聚類方式是否合理？RFM模型分段是否合理？都需要進行用戶行為的后期數(shù)據(jù)跟蹤進行判斷優(yōu)化。解析5：效果評估與模型優(yōu)化根據(jù)不同渠道影響的用戶消費數(shù)據(jù)，判斷各種營銷手段的有效性，譬如RFM模型的高端用戶，采用A/B測試方式，是發(fā)短信的效率高，還是電話營銷的效率高？【

數(shù)據(jù)庫數(shù)據(jù)推理與數(shù)據(jù)營銷】1.2數(shù)據(jù)導(dǎo)入★★數(shù)據(jù)去重與異常數(shù)據(jù)處理數(shù)據(jù)預(yù)處理1實現(xiàn)數(shù)據(jù)準備--Frenquency★★數(shù)據(jù)可視化--分布直方圖數(shù)據(jù)分析2實現(xiàn)RecencyFrenquencyMonetary模型定義--RFM★★R、F、M的均值R、F、M模型3計算用于劃分客戶的闕值，R、F、M的均值（*通過分布直方圖可以發(fā)現(xiàn)該份數(shù)據(jù)不適合用中位數(shù)來分層，因此這里用均值做分層）不同類型的客戶消費份額實現(xiàn)利用最近交易間