商务智能方法与应用教案.docVIP

1 数据挖掘概述 1.1 数据挖掘的概念 数据挖掘(Data Mining) 是一个利用各种分析工具在海量数据中发现模型和数据间关系的过程,这些模型和关系可以用来做出预测。它是一个多步骤的对大量数据进行分析的过程,它在自身发展的过程中,吸收了数据库、数理统计和人工智能中的大量技术，是一种利用信息资源的有效方法。 数据挖掘的功能用于指定数据挖掘任务中要找的模式类型。一般来说数据挖掘任务可被分成描述和预测两类：“描述性挖掘任务刻划数据库中数据的一般特性；预测性任务则在当前数据上进行推断，以进行预测。”一般通过概念类描述、关联分析、分类和预测、聚类分析等方法去实现。 .2 数据挖掘的方法 利用数据挖掘进行数据分析常用的方法主要有分类、回归分析、聚类、关联规则、特征、变化和偏差分析、Web页挖掘等，它们分别从不同的角度对数据进行挖掘。 1.2.1 分类 分类是找出数据库中一组数据对象的共同特点并按照分类模式将其划分为不同的类，其目的是通过分类模型，将数据库中的数据项映射到某个给定的类别。它可以应用到客户的分类、客户的属性和特征分析、客户满意度分析、客户的购买趋势预测等，如一个汽车零售商将客户按照对汽车的喜好划分成不同的类，这样营销人员就可以将新型汽车的广告手册直接邮寄到有这种喜好的客户手中，从而大大增加了商业机会。 1.2.2 回归分析 回归分析方法反映的是事务数据库中属性值在时间上的特征，产生一个将数据项映射到一个实值预测变量的函数，发现变量或属性间的依赖关系，其主要研究问题包括数据序列的趋势特征、数据序列的预测以及数据间的相关关系等。它可以应用到市场营销的各个方面，如客户寻求、保持和预防客户流失活动、产品生命周期分析、销售趋势预测及有针对性的促销活动等。 1.2.3 聚类分析 聚类分析是把一组数据按照相似性和差异性分为几个类别，其目的是使得属于同一类别的数据间的相似性尽可能大，不同类别中的数据间的相似性尽可能小。它可以应用到客户群体的分类、客户背景分析、客户购买趋势预测、市场的细分等。 1.2.4 关联规则 关联规则是描述数据库中数据项之间所存在的关系的规则，即根据一个事务中某些项的出现可导出另一些项在同一事务中也出现，即隐藏在数据间的关联或相互关系。在客户关系管理中，通过对企业的客户数据库里的大量数据进行挖掘，可以从大量的记录中发现有趣的关联关系，找出影响市场营销效果的关键因素，为产品定位、定价与定制客户群，客户寻求、细分与保持，市场营销与推销，营销风险评估和诈骗预测等决策支持提供参考依据。 1.2.5 特征分析 特征分析是从数据库中的一组数据中提取出关于这些数据的特征式，这些特征式表达了该数据集的总体特征。如营销人员通过对客户流失因素的特征提取，可以得到导致客户流失的一系列原因和主要特征，利用这些特征可以有效地预防客户的流失。 1.2.6 变化和偏差分析 偏差包括很大一类潜在有趣的知识，如分类中的反常实例，模式的例外，观察结果对期望的偏差等，其目的是寻找观察结果与参照量之间有意义的差别。在企业危机管理及其预警中，管理者更感兴趣的是那些意外规则。意外规则的挖掘可以应用到各种异常信息的发现、分析、识别、评价和预警等方面。 1.2.7 Web挖掘 随着Internet的迅速发展及Web的全球普及，使得Web上的信息量无比丰富，通过对Web的挖掘，可以利用Web的海量数据进行分析，收集政治、经济、政策、科技、金融、各种市场、竞争对手、供求信息、客户等有关的信息，集中精力分析和处理那些对企业有重大或潜在重大影响的外部环境信息和内部经营信息，并根据分析结果找出企业管理过程中出现的各种问题和可能引起危机的先兆，对这些信息进行分析和处理，以便识别、分析、评价和管理危机。 2 数据挖掘在企业中的应用 2.1 数据挖掘技术在营销管理中的应用 根据数据挖掘在企业营销管理中的现实与到目前为止的理论研究成果，认为数据挖掘在营销管理中的应用已渗透到从产品销售关联、潜在客户分析、客户关系管理到广告投放决策等等方面，主要应用介绍如下： 2.1.1 寻找潜在客户 数据挖掘在寻找替在客户主要工作是识别好的潜在客户、为接近潜在客户选择沟通渠道、信息简档的匹配等。不像传统的仅靠营销部门的经验去选择一部分人群，数据挖掘技术提供了许多效果显著的更为精确的定量方法。如在利用简档匹配定义替在客户时，我们可以用距离度量评价替在客户的得分、计算匹配度等，从而更为精准地知道那些人有可能是企业或公司的客户。 2.1.2 定向市场营销活动　　企业在选择了一部分人群作为替在客户后，要使这部队部人群成为企业的人现实客户，需要开展许多营销活动。如何开展营销活动、合理安排预算等都是企业迫切需要知道的情报，否则容易造成预算分配不合理、强度与止目标群错位等。数据挖掘在改进市场营活