CH9资料库行销与资料采矿.pptVIP

顧客關係管理 Ch9 資料庫行銷與資料採礦 資料庫行銷的動機 傳統行銷 增加市場的佔有率 以「交易」為主 大量的行銷（TV、報紙） 缺點 成本過大 結果無法預期　–　亂槍打鳥 無法瞭解顧客 資料庫行銷探索 80/20法則 20%的產品，涵蓋了80%的營業額 20%的客戶，佔企業組織體80%獲利率 企業每年平均營業額中，有80%利潤來自20%顧客 資料庫行銷探索 資料庫行銷目標 幫狗穿上衣服 能月入百萬? 資料庫行銷探索 資料庫行銷工作 行銷資料庫的建立 對目標客戶的溝通與接觸 促銷活動反應的測定與資料庫的更新 對資料加以分析並應用於行銷管理決策 RFM顧客區隔法 Recency 最近購買日期為測量時間的量度，由最後一次購買起算至現在之時間，若最近購買日期離現時愈遠，則表示著此顧客的購買行為可能改變 Frequency 購買頻率測量一個時段內顧客所購買的次數 Monetary 購買金額則決定在某時段內購買的總金額 RFM顧客區隔法 RFM顧客區隔法 RFM存在的問題 個別RFM屬性針對不同產業有不同的差異性 RFM分析模型不具有預測能力，僅就顧客過去的歷史交易資料區隔顧客 資料採礦 從大量資料庫中粹取（Extracting） 或者挖掘 （Mining）知識 資料採礦（data mining）所要處理的問題，就是在龐大的資料庫中尋找出有價值的隱藏事件，並且加以分析。 其主要的貢獻在於能從資料庫中獲取有意義的資訊以及對資料歸納出有結構的模式，以作為企業在進行決策時之參考依據 資料採礦前提 任何資料採礦分析之首要條件為資料來源必須正確無誤，這也是最重要的前提。 部份企業顧客群特質變動性十分大，資料過分陳舊可能與現實情況不符，即使所得分析正確，對於企業也無法產生具體效益，甚至可能產生負面效果。 明確目標與策略 在規劃資料採礦整體策略前，最好能夠有一個十分明確的目標。 例如： 增加顧客平均瀏覽網頁之頁數 增加顧客於網路購買之數量與銷售金額 減少產品退回 增加品牌知名度 增加顧客到訪網站之頻率 減少顧客購買產品之流程等 以上均可為企業提昇營運效率之目標，並將方案內容整合企業整體營運計畫之內。 資料採礦應用 分析顧客於網站上之行為模式 地理區隔包括訪客地址、收入、購買能力等 人格特質則包括訪客之購買特性，如是否為衝動性或精打細算型消費者 訪客所使用之資訊設備、網路頻寬、操作系統、瀏覽器或伺服器等。 訪客於網頁中的點選順序與落點 網路行銷與資料採礦的關係 網路行銷者通常面對的問題有: 如何強化廣告訴求 如何創造訪客個人化網頁 如何將關聯性較高的產品置於同一網頁上 如何將相關文章加以分類條列 區分不同特質的訪客 統計忽略之資料 預測顧客未來之行為模式 資料採礦在銀行的應用案例 對於既有的客戶，我應該提高他的信用額度嗎？ 哪些客戶可能是未來的壞帳？ 如何掌握盜刷行為，但是卻不去打擾正常的刷卡交易？ 資料採礦案例 某銀行在貸款方面所收集的相關資料集，共有1000位信用持卡人的信用狀況及二十個相關的變數，其中包含700位信用狀況良好的持卡人及300位信用狀況不良的持卡人 運用關聯性法則(Association Rules)探勘技術可以用來分類和預測，找出資料間的關聯性 資料採礦案例 信用狀況良好者中，有90.71%的人不是共同申請人或保證人。 在1000筆信用卡資料裡包含63.5%的顧客是信用狀況良好者且不是共同申請人或保證人。 貸款金額小於某金額者其信用狀況良好比例為74.46%。 擁有自己的房子其信用狀況良好比例為73.91%。 沒有分期付款計畫及不是共同申請人或保證人者其信用狀況良好比例為72.51%。 在此信用卡資料集裡，信用狀況良好且不是共同申請人或保證人者有63.5%。 資料採礦在保險業應用案例 資料採礦可以與電話行銷中心系統整合，提供電話行銷人員最立即的協助。 將來電消費者的個人資料丟入資料採礦的預測模型中，便可以立即顯示該消費者選購保險的可能性。 在進行out-bound call 的同時，也可以利用這項機制，篩選出最有可能的族群進行電話行銷，以減少電話行銷資源的成本，將電話行銷效益最佳化！ 決定最有可能的銷售險種 決定成交機率最高的call out時機 決定銷售話術與腳本 留住舊顧客比開發新顧客重要 （1 : 5） 顧客流失率減少 5%，利潤將會有 100% 的成長 誰？目標顧客 在哪裡？ 從何種銷售管道 做什麼？ 顧客需要什麼 誰？ 在哪裡？ 做什麼？ 為什麼？ 如何吸引顧客 多少錢？ 每筆交易價值 生活上的不便利,也可以找到商機 信用狀況 Creditability 是否為外籍工作者 Foreign 是否有電話 Telephone 應盡扶養人數 Liable-people 工作性質 Job 在本銀行的貸款數