Construire des modèles de Datamining d’après Analysis Services

de quatre scénarios
bancaires avec l’algorithme le mieux
adapté à  chaque cas.

Pour résoudre les problèmes de
gestion, nous utilisons deux tables de
base de données relationnelles :
Customer et Purchases. La table
Customer contient des informations
démographiques sur les clients de la
banque : âge, revenu, niveau d’éducation,
valeur de la maison, emprunts,
etc. du client. La table Purchases
contient des informations d’achat sur
les produits de la banque qu’un client
acquiert : comptes chèques, marché
monétaire, et comptes d’épargne.
Comme le montre la figure 3, les tables
Customer et Purchases sont reliées par
CustomerID. En terminologie relationnelle,
nous dirons que la table
Purchases fait une référence de clé
étrangère à  la table Customer.

Voyons maintenant les diverses
étapes permettant de créer, de former
et de consulter le modèle datamining.
Le premier scénario : détecter les
clients les plus susceptibles de quitter
la banque, d’après l’information démographique
sur les clients. Ensuite, nous
verrons comment résoudre le quatrième
scénario en utilisant l’algorithme
clustering.