客户关系管理第六章节.ppt

第6章CRM与数据挖掘 第6章 CRM与数据挖掘 6.1 数据挖掘概述 6.1.1 数据挖掘的产生 6.1.2 数据挖掘的定义 6.1.3 数据挖掘的技术 6.1.4 数据挖掘的功能 6.1.5 数据挖掘的流程 6.1.6 数据挖掘的发展方向 6.2 CRM中数据挖掘应用 6.2.1 从客户生命周期角度数据挖掘技术的应用 6.2.2 从行业角度分析数据挖掘技术的应用 6.3 CRM数据挖掘应用实例 数据挖掘概述 6.1.1 数据挖掘的产生 6.1.2 数据挖掘的定义 6.1.3 数据挖掘的技术 6.1.4 数据挖掘的功能 6.1.5 数据挖掘的流程 6.1.6 数据挖掘的发展方向 6.1.1 数据挖掘的产生 数据爆炸但知识贫乏 支持数据挖掘技术的基础 数据挖掘的演化 机器学习 数据库中的知识发现 数据挖掘 6.1.2 数据挖掘的定义 SAS研究所（1997）：“在大量相关数据基础之上进行数据探索和建立相关模型的先进方法”。 Bhavani（1999）：“使用模式识别技术、统计和数学技术，在大量的数据中发现有意义的新关系、模式和趋势的过程”。 Hand et al（2000）：“数据挖掘就是在大型数据库中寻找有意义、有价值信息的过程”。 数据挖掘的定义 技术角度的含义 商业角度的含义 与传统方法的区别 数据挖掘的技术上的定义 数据挖掘（Data Mining）就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。 这个定义包括好几层含义(1)数据源必须是真实的、大量的、含噪声的；(2)发现的是用户感兴趣的知识；(3)发现的知识要可接受、可理解、可运用；(4)并不要求发现放之四海皆准的知识，仅支持特定的发现问题。 数据挖掘的商业角度的定义 按企业既定业务目标，对大量的企业数据进行探索和分析，揭示隐藏的、未知的或验证已知的规律性，并进一步将其模型化的先进有效的方法。 数据挖掘与传统分析方法的区别 数据挖掘与传统的数据分析(如查询、报表、联机应用分析)的本质区别是数据挖掘是在没有明确假设的前提下去挖掘信息、发现知识.。数据挖掘所得到的信息应具有先未知，有效和可实用三个特征. 先前未知的信息是指该信息是预先未曾预料到的，既数据挖掘是要发现那些不能靠直觉发现的信息或知识，甚至是违背直觉的信息或知识，挖掘出的信息越是出乎意料，就可能越有价值。在商业应用中最典型的例子就是一家连锁店通过数据挖掘发现了小孩尿布和啤酒之间有着惊人的联系 6.1.3 数据挖掘技术 数据挖掘的方法很多，大致可分为：统计方法、机器学习方法、神经网络方法和数据库方法。其中，统计方法可细分为：回归分析（多元回归、自回归等）、判别分析（贝叶斯判别、费歇尔判别、非参数判别等）、聚类分析（系统聚类、动态聚类等）、探索性分析（主元分析法、相关分析法等）、以及模糊集、粗糙集、支持向量机等。机器学习中，可细分为：归纳学习方法（决策树、规则归纳等）、基于范例的推理CBR、遗传算法、贝叶斯信念网络等。神经网络方法，可细分为：前向神经网络（BP算法等）、自组织神经网络（自组织特征映射、竞争学习等）等。数据库方法主要是基于可视化的多维数据分析或OLAP方法，另外还有面向属性的归纳方法。 决策树 决策树把数据归入可能对一个目标变量有不同效果的规则组。例如，我们希望发现可能会对直邮有反应的个人特点。这些特点可以解释为一组规则。 决策树 假设您是一个销售一种新的银行服务的直邮计划研究的负责人。为最大程度地获益，您希望确定基于前次促销活动的家庭细分最有可能响应相似的促销活动。通常这可以通过查找最能把响应前次促销的家庭和没有响应的家庭区分开的人口统计信息变量的组合来实现。 决策树为您提供诸如谁会最好地响应新的促销等重要线索，并通过只邮寄给最有可能响应的人来最大程度地获得直邮效益，提高整体响应率，并极有希望同时增加销售。 决策树建立 决策树中最上面的节点称为根节点，是整个决策树的开始。本例把响应客户作为根节点。可以看到所有收到直邮信件的人中有7%有响应。 然后根据记录字段的不同取值建立树的分支, 如分为有住房和无住房两组，则15%的租户有响应，而房主则只有5%。 还可以在每个分支子集中重复建立下层结点和分支。我们可以继续分组来发现最有可能响应的组群。这一组群可以表示为一个规则，如“如果收件人是租户，有较高的家庭收入，没有储蓄存款账户，那么他有45%的响应概率”。简单地说，有这些特点的组群中有45%可能会对直邮有响应。 决策树图 决策树应用 决策树也是分析消耗(流线性生产)、发现交叉销售机会、进行促销、信用风险或破产分析和发觉欺诈行为的得力工具。 聚类分析 聚类如同通常所说的“物以类聚”，