SAS 解決方案 (1)

教學目標

初步了解有關 SAS 透過統計建立預測模型的相關應用與解決方案，此篇主要為學習筆記。

重點概念

預測模型使用歷史資料預測未來新資料的結果，這些預測會被使用於未來進行策略決策，例如: 預測模型能夠讓企業進行有關客戶市場回應的行為準確決策。基於這些預測，企業會識別有效影響客戶行為的策略，通常在建立和評分預測模型主要有兩個主要的程序，分別為:

  1. 透過存在的資料建立預測模型。
  2. 部署模型在新資料上進行預測評分。

預測模型的會由公式或規則組成，主要是依我們使用分析的類型的不同。基於輸入變數集大部分會被用於預測目標變數，例如: 回歸模型有參數和公式，決策樹則沒有參數但有規則。一般來說我們會將預測模型應用於企業進行目標行銷、信用卡評分和詐欺偵測。

首先目標行銷主要使用客戶資料改善銷售促銷和產品忠誠度的行銷，屬於資料庫行銷的類型之一，這時預測模型會基於客戶歷史資料，模型中主要包括客戶屬性的輸入資料，例如: 收入(連續變數)、職業(名目變數)、…等，通常會用於預測促銷對於客戶的回應，此時輸出資料則為二元變數主要是指客戶對於促銷的回應是否會進行購買，然後企業會應用預測模型針對新客戶的資料進行預測，哪一個客戶區分最有可能進行購買，也就是目標群眾，此時行銷工作就能專注於目標群眾，此外歷史客戶資料庫也會被使用於預測個人加入服務或取消服務，這時忠誠度促銷就能鎖定有極高風險取消服務的客戶。SAS 則有提供行銷自動化 (SAS Marketing Automation) 和即時決策管理 (SAS Real-Time Decision Manager) 的解決方案，同時在 2017 年 Gartner 的研究報告中提到 SAS 在於多通路行銷活動的管理是領先者的地位。

接著信用評分主要被使用於決定客戶信用申請表是否要允許或拒絕，此時會以歷史申請表資料建立預測模型，模型中主要包括申請屬性的輸入資料，例如: 收入(連續變數)、信用評分(連續變數)、…等，通常會用於預測申請人的貸款或負債情況，然後企業會應用預測模型針對新的申請人資料進行預測，主要目標在於降低新申請人的違約和嚴重拖欠的情況發生。SAS 則有提供信用風險評分 (Credit Scoring for SAS Enterprise Miner) 和企業風險管理 (SAS Enterprise Risk Management) 的解決方案，同時在 2017 年 Chartis RiskTech 的研究報告中提到 SAS 在於建模風險治理解決方案是領先者的地位。

再來詐欺偵測主要重點在於企業需要監控詐欺的交易，例如: 信用卡的購買或保險索賠，此時會以歷史交易資料建立預測模型，模型中主要包括交易或保險索賠屬性的輸入資料，通常會用於預測交易的詐欺狀態，然後企業會應用預測模型針對新的交易資料進行預測。主要目標在於預防新的交易和索賠被詐欺或濫用的情況發生，並且進行調查和阻檔。SAS 則有提供詐欺管理 (SAS Fraud Management) 和反洗錢 (SAS Anti-Money Laundering) 的解決方案，同時在 2017 年 Forrester 的研究報告中提到 SAS 在於進階分析和機器學習解決方案是領先者的地位。

總結我們學習統計基本理論概念，搭配進階的機器學習演算法建立預測模式之後，更進一步則能夠針對企業所面臨的問題導入適當的 SAS 解決方案，除了解決企業的問題痛點之外，更能夠為企業帶來持續不間斷的分析價值，以及全面性的風險治理。

相關資源