部分数据分析方法应用(基于spss).pptVIP

第二讲：部分数据分析方法的应用（基于spss);1、概述;2、RFM模型;2.3例1：我们分析2010.7.1—2010.12.31的交易数据，如下表：;我们先处理最近交易日期的数据，我们按照距2010.12.31日期的远近来划分等级，假设一周之内的数据设为5，如客户3的最近交易日期这分项可以设为5；大于一周且在一个月内的数据设为4，可得到客户6、9的最近交易日期这一分项可设为4；大于一个月且在两个月内设为3，可得客户2、8的最近交易日期这一分项可设为3；大于2个月且在四个月内设为2，可得客户1、5、10的最近交易日期这一分项可设为2；大于四个月且在六个月内设为1，可得客户4、7的最近交易日期这一分项可设为1。这样分类是否合理要由实践验证。 依次分类如下：2,3,5,1,2,4,1,3,4,2.;累计交易次数我们可以简单地按等分的办法分类，即1-3次设为1,4-6次设为2,7-9次设为3,10-12次设为4,13-15次设为5，可依次得到客户的对应数值如下： 1,3,5,1,2,4,1,3,2,2 . ;对于交易金额，我们按照所谓的“帕雷托法则”(Pareto’s Law)来分类，即：公司80％的收入来自20％的顾客，不过我们不必拘泥于此法则。 我们先在excel表格中按升序或者降序排列交易金额，再计算占所有客户总金额的累计比例。我们计算可得到： ;我们做如下分类：客户3此分项为5，客户2、6此分项为4，客户5、8、10此分项为3，客户1、9此分项为2，客户4、7此分项为1. RFM模型的分类没有统一的分类标准，只能按照实际情况做大概的分类。;我们综合以上步骤，可得到如下表格：;我们对此表格做简单的分析，如果销售人员的精力与成本有限，可以重点考虑满足以下条件的客户： 因为相比于R，F，销售人员可能更看重M（累计金额），故取 另外对总分也有一定的要求，这里我们取;以上分类标准的合理性需要销售人员的实践验证。 另外我们可以对其他指标做类似的分类，对客户群得到更好的管理。 例如送货上门的话，应当考虑运输成本，距离近的客户要优先考虑。运输成本，可以参考河南禹州拉沙车的例子。 大家也可以把此模型中的方法运用到准备考试的时间分配上，;3、回归分析;在上一讲中我们得到如下散点图：; 我们建立两变量的线性回归模型： 其中 ，即服从期望为0，方差为 的正态分布。利用历史数据，我们可以得到 的值，由于历史数据可能不止两组，由gramer 法则知道（1）式的解可能不存在。数学上认为使得 最小的a,b 的值是最佳估计值。;令 ,我们求它的偏导数，并令它们为零，即 这个方程组称为正规方程组，令 分别为x,y两个变量的样本均值。则有 ;听者不必担心数学知识太多，不好理解，前面叙述的只是方法，具体操作可以用spss软件得到回归直线的方程。 我们现在在spss中输入数据，利用上面的分析功能我们可以得到以下数据： a=163.632,b=-1.388,故回归直线的方程为： y=163.632-1.388x ;当x=30时，我们由回归直线方程得到y=121.992. 我们可得销售金额的表达式为（163.632-1.388x)x,故利用简单的配方法或者求导运算，可得价格为58.945元是销售金额最大。 为了扩大回归分析的应用范围，我们在举一个例子： ;3.2例3：为了扩大回归分析的应用范围，我们再举一个例子： 在这个例子里，我们推广到多元线性回归模型。 具体的数学论证比较复杂，不过应用的还是最小二乘法，可得到解向量为： 这里等式后面的均是对应的矩阵，具体是什么意思，听者可以参阅相关的资料，我们不对此公式做证明，只需要用spss求出解向量就可以了。 下表为某厂商的生产数据，利用这些数据我们估计该厂商的生产函数及做相关的预测： ;年份;我们采用经济学常用的柯布—道格拉斯生产函数的形式来估计，即 经对数变换处理后我们可以得到二元线性模型 这里 是后来加上去的随机因素。 利用spss软件运算得到 ;我们整理得到 我们估计当K=500，L=220时的产值，代入我们得到的生产函数可以得到Y=857，(我们可以用excel函数计算，即=4.108*power(500,0.559)*power(220,0.346))故估计产值在857万元左右，当然实际情况会受到其他因素的影响，通过模型估计的产值只是大致的数值。 回归分析还有许多其他用法，暂时不提。;4、相