客户关系管理3总结.ppt

数据挖掘的模型（3） 关联（Association） 在购买面包的顾客中，有90%的人同时也买了牛奶：(面包)→(牛奶)，计为X—Y。 评估关联规则的四个重要指标是： (1)支持度（support）：交易集中包含X和Y的交易数与所有交易数之比，记为support(X→Y) (2)可信度（confidence）：包含X和Y的交易数与包含X的交易数之比，记为confidence(X→Y) (3)期望可信度（expected confidence）：描述了在没有物品集X的作用下，物品集Y本身的支持度，记为E-confidence(Y) (4)作用度（lift）：作用度是可信度对期望可信度的比值。描述了物品集X对物品集Y的影响力的大小。记为Lift(X→Y)。一股情况要求大于1。 设 supmin = 50%, confmin = 50% 符合条件的关联规则有哪些？ 交易流水号 购买产品 002 A, B, D 018 A, C, D 030 A, D, E 006 B, E, F 157 B, C, D, E, F A ? D (60%, 100%) D ? A (60%, 75%) 数据挖掘的模型（4） 序列模式（Sequential Pattern） 分析数据之间的前后（因果）关系，类似于关联分析 用于发现客户潜在的购物模式 先购买PC，再购买数码相机，接着还要买存储卡 5天之内，X股票最多上涨10％，Y股票涨幅在10％－20％之间，Z股票在下星期上涨的概率为68％。 指标 最小支持度 最小可信度 4.2 CRM中的数据挖掘应用 在CRM中的应用范围 客户盈利能力； 客户保留； 客户细分； 客户倾向； 渠道优化； 风险管理； 欺诈监测； 购物倾向分析； 需求预测； 价格优化。 案例：基于DM的客户营销管理 流失预警模型 交叉销售模型 客户行为 细分模型 更多模型 营销信息预警 营销方案策划 绩效管理 主动营销 客户 行为数据 业务系统 数据仓库 数据挖掘 模型 行为数据 行为数据 客户挽留 营销信息层 分析企划层 管理实施层 客户行为细分 0 200 500 低 端 中 端 高 端 ARPU值相似的客户需求特点却差别很大 客户细 分之谜 根据ARPU值进行客户细分的方法 基于数据挖掘技术的以需求为基准的细分 客户行为－ 价值细分模型 海量客户 行为数据/ 特征数据 组内行为特点相似组间行为差异较大的客户分组 客户行为细分（续） 客户行为细分模型 客户流失倾向 预警模型 价格敏感度模型 客户信用评分模型 交叉销售模型 营销效果预测模型 客户价值 评估模型 客户行为细分模型通过上百个变量描述客户 性别 年龄 建档时间 证件号码 缴款方式 信息费 应收金额 优惠金额 滞纳金应收 SMS次数 国际呼叫 呼入/呼出比例 短消息话单类型 信息长度 赠送费用 呼转类型 漫游话费 通话时长 赠送分钟数 费用类型 动态漫游号 IMSI号码 月均基本通话 月均国内长途 工作日呼叫次数 工作日呼叫时间 WAP呼叫时间 繁忙时段呼叫次数 非繁忙时段呼叫次数 SMS次数 WAP次数 IP呼叫次数 语音呼叫次数 非语音呼叫次数 月均国际长途 非IP呼叫时间 数据挖掘自动生成影响客户分组的主要因子 性别 年龄 缴款方式 SMS次数 国际呼叫 其它… 优惠金额 短消息话单类型 赠送费用 费用类型 漫游次数 应收金额 IDD次数 月均国内长途 月均基本通话 非语音呼叫次数 SMS次数 WAP次数 月均国际长途 语音呼叫次数 费用类型 因子分析 聚类分析－根据自身所具有的特征自动聚为一些行为特点相似的群体 低 高 高 高 1 2 8 4 5 3 7 6 因素二（国内呼叫次数） 因素三（IP呼叫次数） 因素一（繁忙时段呼叫次数） 示例 16个组中呈现出差别明显的优势、弱势特征 组号 优势特征 弱势特征 描述性名称 #1 语音每次呼叫时间、香港（澳门）呼叫、非繁忙时段呼叫 繁忙时呼叫、IP呼叫、短信、转移 业余活跃组 #2 繁忙时段月均呼叫次数、漫游地区呼叫、香港呼叫次数 转移呼叫、短信、转移 业务繁忙组 #4 IP呼叫、转移呼叫 贵中求惠组 #6 IP呼叫 短信、转移 IP手机组 #9 IP呼叫、短信 非繁忙时段呼叫 新生潜力组 #12 非繁忙时段呼叫 漫游地区呼叫、转移、短信 夜间积极组 #14 繁忙时段月均呼叫次数 漫游呼叫、非繁忙呼叫、转移 本地繁忙组 #16 繁忙时段月均呼叫次数、转移呼叫、香港（澳门）呼叫 IP呼叫 繁忙大客户组 #8 短信 转移呼叫、IP 短信专家组 #11 转移呼叫 繁忙时段月均呼叫次数、短信 热衷转移组 #15 漫游地区呼叫 短信、繁忙呼叫次数 频繁出差组 #3 语音每次呼叫时间 繁忙时段次数、短信