[理学]数据挖掘第三节——关联规则挖掘.ppt

D={牛肉，鸡肉，牛奶，奶酪，靴子，衣服，…..} t1: 牛肉、鸡肉、牛奶 t2: 牛肉、奶酪 t3: 奶酪、靴子 t4: 牛肉、鸡肉、奶酪 t5: 牛肉、鸡肉、衣服、奶酪、牛奶 t6: 鸡肉、衣服、牛奶 t7: 鸡肉、牛奶、衣服 .............. 如何从客户购物篮中找出具有关联关系的商品组合呢？ 关联规则简介 关联规则反映一个事物与其他事物之间的相互依存性和关联性。如果两个或者多个事物之间存在一定的关联关系，那么，其中一个事物就能够通过其他事物预测到。 典型的关联规则发现问题是对超市中的货篮数据（Market Basket）进行分析。通过发现顾客放入货篮中的不同商品之间的关系来分析顾客的购买习惯。 For rule A ? C: support = support({A}?{C}) = 50% confidence = support({A}?{C})/support({A}) = 66.6% 实例 假如有项目集合I={1，2，3，4，5}，有事务集T： 1,2,3 1,2,4 1,3,4 1,2,3,5 1,3,5 2,4,5 1,2,3,4 设定minsup=3/7，misconf=5/7。 在客户关系管理（CRM）理论中有一个经典的2/8原则，即80%利润来自20%客户。那么，这20%的客户都有什么特征呢？ 调查发现，大部分企业每年有20%～50%的客户是变动的。企业一方面在挖空心思争取新客户，另一面却不断失去老客户。有没有办法找出，失去的是哪一类型的客户，得到的又是哪种类型的客户。在竞争激烈的商业时代，资源占有成为决定企业生死成败的关键。在客户关系方面，企业总希望建立与客户最稳固的关系，并最有效率地把这种关系转化为利润，即留住老顾客、发展新顾客并锁定利润率最高的客户，这也就是CRM要重点研究的问题。 为了实现这个目标，企业就需要尽可能地了解客户的行为，但这种了解不可能通过与客户接触直接获得，因为企业不可能挨个与客户交谈，而且他们所需要的信息单个客户往往无法提供。 4.9 关联规则挖掘在CRM中的应用 4.9.1 CRM简介 企业所能做的，就是尽可能收集顾客的信息，借助各种分析方法，透过无序的、表层的信息挖出内在的知识和规律，这就当前十分流行的数据挖掘技术所研究的。 在挖出大量信息之后，企业就可以根据这些规律或用这些信息设计数学模型，对未发生行为做出结果预测，为企业的综合经营决策、市场策划提供依据。 在CRM中，数据挖掘是从大量的有关客户的数据中挖掘出隐含的、先前未知的、对企业决策有潜在价值的知识和规则。 数据挖掘的第一步就是挖出顾客的特征描述。企业在了解客户信息方面永不满足，他们不仅会想方设法了解顾客的地址、年龄、性别、收入、职业、教育程度等基本信息，对婚姻、配偶、家庭状况、疾病、爱好等等的收集也是不遗余力。也由于这个原因，在谈到CRM的时候，个人隐私便成为一个敏感话题。  （1） 客户特征： 通过客户行为分析，归类出消费额最高、最为稳定的客户群，确定为“黄金客户”。针对不同的客户档次，确定相应的营销投入。对于“黄金客户”，往往还需要制定个性化营销策略，以求留住高利润客户。所以，不要期待在CRM时代继续人人平等。当然，成功的CRM不会让顾客感觉到歧视。如果你不幸发现自己受到的待遇比别人低，很有可能别人是“黄金”，而你是“白银”或者“黑铁”。 （2）“黄金客户”： 通过与客户接触，收集大量客户消费行为信息，通过分析，得出客户最关注的方面，从而有针对性地进行营销活动，把钱花在“点”上。同样的广告内容，根据客户不同的行为习惯，有的人会接到电话，有的人就可能收到信函；同一个企业，会给他们的客户发送不同的信息，而这些信息往往就是顾客感兴趣的方面。不要惊讶于为什么企业给你送来的正是你最需要的、最满意的，你和其他与你相似的顾客的数据，在企业的数据仓库里经不住百般“拷打”，已经集体招供了。 （3）客户关注点： （4）客户忠诚度： 得出客户持久性、牢固性及稳定性分析。对于高忠诚度客户，要注意保持其良好印象，对于低忠诚度客户，要么不要浪费钱财，要么就下大工夫把他们培养成忠诚客户。 在CRM中，必不可少的要素是将海量的、复杂的客户行为数据集中起来的，形成整合的、结构化的数据仓库（Data Wearhouse），这是数据挖掘的基础。在此基础上，就需要借助大量的知识和方法，把表面的、无序的信息整合，揭示出潜在的关联性和规律，从而用于指导决策。 4.9.2 关联规则挖掘在CRM中的应用类别 主要类别： 横向关联 次序关联 横向关联是挖掘表面看似独立的事件间的相互关系，例如“90%的顾客在一次购买活动中购买商品A的同时购买商品B”之类的知识。比如经典的“尿布和啤酒”的故事，