管理信息系统理论与实务 第3版 教学课件 作者 朱顺泉2 第6章2.pptVIP

第6章 数据挖掘在客户关系管理中应用 暨南大学MBA教育中心 朱顺泉博士 客户关系管理意义 客户关系管理，是企业为提高核心竞争力，达到竞争致胜、快速成长的目的，树立以客户为中心的发展战略，并在此基础上开展的包括判断、选择、争取、发展和保持客户所需实施的全部商业过程；是企业以客户关系为重点，通过开展系统化的客户研究，通过优化企业组织体系和业务流程，提高客户满意度和忠诚度，提高企业效率和利润水平的工作实践；也是企业在不断改进与客户关系相关的全部业务流程，最终实现电子化、自动化运营目标的过程中，所创造并使用的先进的信息技术、软硬件和优化的管理方法、解决方案的总和，其目标是通过正确的渠道，在正确的时间，提供正确的产品给正确的客户，从而增加商机。 CRM对企业信息分析的要求 （1）对当前数据和历史数据的简单查询和报告 （2）深入进行跨部门数据的联合分析处理 （3）分析过去究竟发生了什么事件使得数据呈现当前状态 （4）分析过去发生什么事件和未来应当如何操作才能实现某个特定的目标 数据挖掘(Data Mining) 数据挖掘，又称数据库中的知识发现 (Knowledge Discovery in Database，KDD)，是指从大型数据库或数据仓库中提取隐含的、未知的、非平凡的及有潜在应用价值的信息或模式，它是数据处理技术研究中一个很有应用价值的新领域，融合了数据库、人工智能、统计学等多个领域的理论和技术。 数据挖掘的流程 数据挖掘方法分类 （1）关联分析 （2）序列分析 （3）分类分析 （4）聚类分析 （1）关联规则 关联规则是寻找在同一事件中出现的不同项的关联性。比如，超市中70%的客户在购买商品A的同时，有90%会购买B，即关联规则是A=B。若超市将商品A和B放在一起销售，将会提高它们的销售量。 在大型数据库中，这种关联规则是很多的，需要进行筛选，一般用“支持度”和“可信度”两个阈值来淘汰那些无用的关联规则。 在本例中，设关联规则A=B的可信度为C，支持度为S，则 C=同时购买商品A和B的交易数/购买了商品A的交易数 S=同时购买商品A和B的交易数/总交易数 本例的关联规则A=B的可信度为C=90%，支持度S=70%。 （2）序列模式 序列模式与关联规则类似，但它寻找的是事件之间时间上的关联性。比如，超市中60%的客户在购买商品A后，隔一段时间，其中有80%会再购买B，即序列模式是A =B。显然，通过序列模式分析，超市可以发现客户潜在的购买模式。 在序列模式分析中，同样需要用“支持度”和“可信度”两个阈值来淘汰那些无用的序列模式。 在本例中，设序列模式A=B的可信度为C，支持度为S，则 C=先购买商品A再购买商品B的客户数/先购买了商品A的客户数 S=先购买商品A再购买商品B的客户数/总客户数 本例的序列模式A=B的可信度为C=80%，支持度S=60%。 （3）分类分析 设有一个数据库和一组具有不同特征的类别（标记），且该数据库中的每一个记录都已经分好类，即数据库中的每一个记录都赋予一个类别的标记，我们把这样的数据库称为训练集。分类分析就是通过分析训练集中的数据而求得分类规则，然后用这个分类规则对其他数据库中的记录进行分类。 例如，信用卡公司的数据库中保存着各持卡人的记录，公司根据信誉程度，已将持卡人记录分成三类：良好、一般、较差，并且类别标记已赋予了各个记录。分类分析就是该数据库的这些记录，对每个信誉等级做出准确描述，如“信誉良好的客户是指那些年收入在5万元以上，年龄在40-50岁之间的人士”，然后根据分类规则对其他相同属性的数据库记录进行分类。目前主要的分类算法有决策树分类方法、统计方法、神经网络方法和粗集方法等。 （4）聚类分析 与分类分析不同，聚类分析输入的是一组未分类记录，并且这些记录应分成几类事先也不知道。聚类分析就是通过分析数据库中的记录数据，根据一定的分类规则，合理划分记录集合，确定每个记录所在的类别。它所采用的分类规则是由聚类分析工具决定的，采用不同的聚类方法，对于相同的记录集合可能有不同的划分结果。聚类分析的算法很多，其中包括统计方法、机器学习、神经网络、模糊聚类方法等。 数据挖掘常用的技术 数据挖掘并不是一项全新的技术。实际上，数据挖掘的技术是以人工智能为基础，并利用其他技术，如多元统计分析方法等而形成的。因为数据挖掘把数据库作为主要研究对象，因此，随着数据挖掘研究逐步走向深入，数据挖掘的研究已经形成了三个强大的技术支柱：数据库、人工智能和数理统计。最常用的数据挖掘技术有：统计方法、决策树、人工神经网络、遗传算法、简单贝叶斯、模糊和粗集方法等。 决策树 这是一种将一个训练集划分成一组规则的技术。它由节点分枝组成，起始