数据仓库

（2）业务建模: 梳理和分解业务的各个方面.

（3）概念模型: 将业务建模的业务流程过程抽象为抽象实体以及实体与实体之间的关系.

（4）逻辑模型: 它是数据仓库项目的核心基础. 一个好的逻辑模型可以保证数据仓库的稳定性，同时易于理解数据，并且处理数据的效率也很高.

（5）维度建模: 对于某个主题，通过构建维度和事实快速构建数据仓库.

a）确定主题. 例如空勤和收入.

b）确定测量值. 年收益率数据仓库，年出勤率等需要分析的技术指标.

c）确定数据粒度. 使用“最小粒度原则”.

d）确定尺寸. 指所有分析角度. 例如，根据时间，根据起点.

e）创建事实表. 实测数据.

客户流失分析

组成如下所示.

（1）客户流失的分析和定义

由于欠款和其他被动关闭原因，从运营商到另一运营商，从高价套餐到低成本套餐.

（2）数据选择

数据来自不同的系统，例如CRM，BOSS，精粉，电子渠道等. 其中会有大量数据，客户个人信息（星级，年龄，婚姻状况，地址，收入，教育程度，行业，性别，居住地，是否受雇等），服务信息（包裹类型，上个月，上个月的基本电话费）长途费用，上个月的互联网费用，累积的基本通话费用，累积的长途费用，累积的互联网费用等），甚至是外部信用信息（消费数据仓库，信用）.

（3）数据清理和预处理

处理空值，无效值和异常值.

（4）建模

根据通话时间，互联网连接时间，收入，年龄等多个主题创建维度表，进行挖掘分析并建立客户流失模型.

（5）计算结果

低收入，年轻人，通话减少和互联网使用较少的人更有可能离开互联网.

（6）模型评估

检查计算结果以验证模型的有效性.

（7）优化与调整

进一步优化和调整以获得更准确的结果. 这是一个持续改进的过程.

本文来自电脑杂谈，转载请注明本文网址：
https://www.pc-fly.com/a/jisuanjixue/article-235587-1.html