Des segments de clients révélés

dont les préconditions
de la règle de décision du cluster
correspondent aux attributs spécifiques
du cas que l’algorithme est en
train de classifier. La figure 10 montre
les règles de décision que l’on peut utiliser
comme algorithme de scoring
pour classifier les cas (ou enregistrements)
dans les trois clusters. A noter
que les champs qui sont des préconditions
de règles de décision sont les
mêmes que vous avez spécifiés dans le
Mining Model Wizard pour le calcul de
la similarité.

Une fois classifiées dans les divers
clusters, ces règles de décision fournissent
un résumé statistique des cas dans
l’ensemble de données. Là , on
peut voir que le cluster 1 caractérise
les clients provenant de firmes généralement petites et généralement
à  faible volume de ventes. Les
membres du cluster 1 ont aussi tendance
à  durer peu. Le cluster 2 s’alimente
des clients provenant de firmes
plus grandes, à  fort volume de ventes,
tandis que le cluster 3 est principalement
constitué de femmes et contient
tous les membres de très courte durée.

On peut déduire de ces divisions
que la société exemple a de petits
clients, réalisant un faible volume de
ventes, plutôt hommes. Les clients
femmes sont soit des clients plus anciens
provenant de sociétés plus
grandes à  plus fort volume de ventes,
soit des clients très récents provenant
de sociétés de taille petite et moyenne.
De plus, la plupart des clients de
courte durée sont des femmes.