第13章数据挖掘在零售业的应用案例.pptVIP

*/25 * 商务数据挖掘与应用案例分析 第13章 数据挖掘在零售业中的应用 13.1 数据挖掘在零售业中的应用概述 13.2 案例1：关联分析在超市购物篮分析中的应用 13.3 案例2：超市工作时间与人员配置分析 13.1 数据挖掘在零售业中的应用概述 （1） 在零售业竞争白热化和信息化趋势的大背景下，零售企业只有借助信息化技术，有效利用业务系统积累的海量数据，分析市场信息、产品信息和顾客需求，进而制定合适的营销管理策略，才能在企业经营中取得成功。 在零售目录直销和仓储商场上，可以综合运用数据挖掘技术，根据客户基本信息和消费行为研究不同客户群体的特点，以挖掘潜在市场、获取目标市场的客户群体和预测客户行为，有针对性地对客户群进行目录邮寄，将有限的资源投注在最具获利性的客户群体上，提高企业客户响应度。在零售电子商务化上，比如美国的亚马逊和中国的淘宝等电子商务网站，零售业和互联网的快速“联姻”以及互联网技术和数据挖掘技术的结合成为零售业新的增长点。通过分析用户在电子商务网站的历史消费行为数据，研究用户的消费习惯和购买偏好等行为模式，进而为用户制定个性化的产品或服务推荐，提高用户满意度。 13.1 数据挖掘在零售业中的应用概述 （2） 数据挖掘技术在零售业中的深度应用是现代零售业发展的重要趋势。数据挖掘技术在零售业的应用主要体现在以下几方面： （1）关联分析技术——商品分组布局，商品购买推荐 关联分析是零售领域应用最早的数据挖掘技术。从“啤酒与尿布”的故事到超市商品的关联摆放，再到目前热门的电子商务网站的产品服务推荐，都能体现关联分析的应用。关联分析技术通过分析历史事务数据库数据，发现购买某种商品的顾客同时也购买另一种商品的组合规则。 （2）聚类分析技术——客户细分 客户细分是指将一个大的消费群体划分为若干的小群体，同一小群体的客户具有相似的消费特征。客户细分根据客户的属性行为、需求、偏好和价值等因素对客户进行划分，并提供针对性的产品或服务。在零售业中，利用聚类分析技术，根据历史顾客的基本信息、消费信息以及其他信息等，把这些历史顾客划分为不同的客户群体。然后分析这些群体中客户的相似行为特征，针对不同的用户群体，可采取不同的个性化服务。 13.1 数据挖掘在零售业中的应用概述 （3） （3）分类分析技术——获取潜在客户、客户流失预测 在客户关系管理中，获取潜在客户是客户关系生命周期中的重要环节，是进行客户关系管理的前提。而客户流失则是企业最不愿意看到的局面，通常到了客户消费周期后期，由于各种原因，企业不得不面临客户不可避免的流失。为了保证客户关系的良性发展，企业必须对潜在客户有预测性的营销策略，吸引潜在客户成为自己的客户；同时要防范客户流失，对流失可能性较大的客户，分析其价值，并采取相应的措施（挽留或放弃）。 零售企业可以利用决策树、贝叶斯和神经网络等分类技术，对历史客户信息（包括客户基本信息、历史购买信息、其它行为信息）进行分析，并建立准确度高的分类模型。可以利用分类模型对某一群体或某一客户进行分类预测，挖掘目标市场的潜在群体或潜在客户，扩大企业的客户群体数量，增加其在市场的客户占有率与营销产品覆盖率。同样，可以根据流失客户的信息，建立分类预测模型，对现有的客户进行流失评估，对流失可能性较大的客户采取一定措施，使客户流失的损失最小化。 13.1 数据挖掘在零售业中的应用概述 （4） （4）RFM分析技术和序列模式挖掘——客户忠诚度分析 客户忠诚度对企业的发展具有重要意义，有利于降低营销成本、增加企业利润和扩大企业市场份额。 RFM分析技术基于客户购买次数、购买总金额以及最近购买时间三项信息，对所有历史客户进行忠诚度评分，并划分为忠诚度高的客户、忠诚度一般的客户以及忠诚度低的客户，然后对忠诚度不同的客户采取不同的管理措施。 序列模式挖掘通过会员卡等实名制方式跟踪客户的消费行为，记录同一客户不同时期购买的商品序列，可以分析客户的购买趋势，并结合客户的消费行为分析出他们对某些商品忠诚度的变化，调整营销模式，以留住老客户和吸引新客户。 13.1 数据挖掘在零售业中的应用概述 （5） （5）时间序列分析和回归分析——销售预测分析 销售预测是企业制定销售计划的中心任务之一，销售预测影响到包括计划、预算和销售额等方面的工作。随着企业对销售的预算管理和控制的规范化，销售预测往往是企业进行年度预算管理和制定营销计划的关键。企业通常会根据历史销售来制定销售计划，估计销售预算等。时间序列和回归分析等方法可以应用到诸如此类的销售预测中，为营销决策提供支持。 13.2 案例1： 关联分析在超市购物篮分析中的应用 13.2.1 商业理解 13.2.2 数据理解阶段 13.2.3 数据准备阶段 13.2.4 建模阶段 13.2.5 评估阶段 13.