数据挖掘项目实施中的关键环节精选课件.pptVIP

市场类模型的目标设计 业务目的是提升市场营销能力，在业务管理上像“踩油门” 市场模型的种类 交叉销售 营销响应 … … 模型的目标是预测客户接受营销的产品组合的机会 数据准备应该包括已经接受了营销推荐的情形和没有接受营销推荐的情形 业务目标选定 市场类模型的目标设计（以交叉销售为例） 模型收益 促进重点产品的发行 增加客户持有产品的数目 增加持有多种产品的客户规模 模型的应用模式 以各个独立产品之间的相关性辅助产品组合设计 找到最强关联的产品组合的购买顺序，设计交叉销售方案 列示出每个客户最适合购买的下一个或者下三个产品，进行全接触点的统一营销 可行性 通过客户分群总结客户全方位特征（数据挖掘+人工讨论结果） 通过客户特征推断客户需求（人工讨论为主） 根据客户需求选择或设计产品（人工设计为主） 根据现有产品的相关性设计产品组合（数据挖掘+人工讨论结果） 建立客户需求与产品组合的匹配（人工设计为主） 在技术上和业务管理上应用交叉销售模型的结果 业务目标选定 市场类模型的目标设计（以交叉销售为例） 目标的定义 可以使用描述性模型方案，则本身没有直接的预测目标变量，而是利用产品购买清单，发现产品间的潜在关联关系 可以使用预测性模型方案，即以每个产品的持有为一个目标事件，利用人工神经元网络等模型进行多目标的预测 在交叉销售目标定义中必须注意排除业务上固有的产品绑定和排斥规则，例如：语音通话和来电显示自身就有很强的绑定性，而低价位普通手机和智能手机之间又具有互斥性 避免“伪相关” 分析中可能发现的强相关组合，可能因为业务本上就是捆绑销售的产品组合，几乎没有分离销售过，这将导致“伪相关”的分析结果 因为以前的绑定很可能是拍脑袋的结果，如果数据挖掘不排除这些情形，就会干扰发现真正具有自然相关性的产品组合的过程 业务目标选定 市场类模型的目标设计（以营销响应为例） 模型收益 在投放成本不变的情况下，取得最大化的营销响应率 模型的应用模式 根据营销响应率预测的高低，针对性地选取投放对象，提升营销活动的成本收益率 根据营销响应率预测的高低，进行营销活动的预演，在策划阶段就提高活动的针对性 利用不同产品营销响应率的分布，进行优化的客户-产品匹配设计 业务目标选定 市场类模型的目标设计（以营销响应为例） 可行性 根据已经发生过的营销活动的结果，准备有/无响应的客户群体数据 通过客户分群总结客户全方位特征（数据挖掘+人工讨论结果） 总结营销活动的特征（人工分类） 通过客户特征、营销活动特征与营销响应结果建立营销响应结果预测模型（数据挖掘） 通过预测模型为建立基于响应概率的客户列表（数据挖掘） 根据模型结果优化营销投放目标客户群（数据挖掘+人工筛选） 业务目标选定 市场类模型的目标设计（以营销响应为例） 目标的定义 营销响应事件（有/无） 需要规定响应的程度（接到推荐/完整地接听推荐/对推荐产程回馈（如回复短信）/表示对推荐的正面评价/购买推荐的产品组合）， 最终购买作为目标可以直接关联业务收益目标，但是存在跟踪难度，因为很多客户并不是当场购买，而是事后从别的渠道购买 通常，以对推荐产程回馈（如回复短信）为目标响应事件，因为接近最终正面结果，同时可操作性强 注意选取一定的考察期，对于营销活动很长时间后才响应的客户，视为不响应 业务目标选定 数据挖掘概述 数据挖掘实施方法论 数据挖掘项目实施流程 专题1：业务目标选定 专题2：数据挖掘项目评估方法 专题3：数据挖掘项目管理 专题4：数据挖掘项目实施中的重要规范 主题 数据挖掘项目有没有效果 数据挖掘项目评估方法 ？ 技术指标优秀的模型好像帮不到业务指标的提升 为什么看到别人的案例收效很大，但是自己做的项目却没有类似的收效 花了这么多功夫，如果做出来的模型响应率达不到90%是不是还很失败 数据挖掘项目该如何评估 兼顾业务和技术： 从模型的技术指标和对业务的提升作用两方面来评估，并注重其中的关联性 兼顾结果和过程 既要考察模型最终结果在业务和技术上的收效，也要看到模型开发过程中发现的问题和改善的环节 兼顾绝对提升和相对提升 既要考察项目后技术指标和业务指标的绝对值水准，也要考察指标相对于以前的相对提升 考虑业界普遍规律 以业界的普遍水准为参考，考察项目取得的收益。例如，直邮营销的普遍回复率不到1%，如果项目能够提升到8%-10%，已经是相当突出的效果了。 数据挖掘项目评估方法 建立数据挖掘项目评估体系的要点 数据挖掘项目评估方法 数据挖掘项目评估体系 业务评估 技术评估 宏观市场指标评估 占有率 客户构成 客户贡献度 成本/收益率 规模/增长速度 微观市场指标评估