决策支持系统实验三Clementine12客户细分分析.doc

PAGE PAGE 1 实验三　Clementine12客户细分分析 一、[实验目的] 设计客户细分模型，通过模型演示如何对客户细分，并根据细分结果对各群客户采取不同的营销策略。体验以数据驱动的模型计算给科学决策带来的先进性。 二、[知识要点] 1、客户细分概念； 2、客户细分算法原理； 3、客户细分实现工具； 4、Clementine12.0客户细分流程。 三、[实验要求和内容] 1、初步了解使用工作流的方式构建分析模型； 2、理解智能数据分析流程，主要是CRISP-DM工业标准流程； 3、理解聚类模型原理； 4、设计客户细分流； 5、运行该流，并将结果可视化展示； 6、得出模型分析结论 7、运行结果进行相关营销策略设计。 四、[实验条件] Clementine12.0挖掘软件。 五、[实验步骤] 1、启动Clementine12.0软件； 2、在工作区设计客户细分挖掘流； 3、执行模型，分析计算结果； 4、撰写实验报告。 六、[思考与练习] 1、为什么要进行客户细分？客户细分是如何支持客户营销的？ 2、给出航空业实际数据，要求建立分析模型，得出结果。 下面重点讲述实验内容与步骤。 一、背景介绍 自市场细分概念提出以来，它就一直吸引着大量的专家学者加入到这个领域的研究当中。经过多年的发展，市场细分发展为以产品为主导的细分和以客户为主导的细分。过去，企业都倾向于产品细分，企业将大量资源都投入到产品服务的研发与创新当中，但是由于市场渐渐趋向于饱和而企业提供的产品与服务趋向于同质化，竞争的加剧导致客户的流失和利润的减少，企业在市场中举步维艰。为了解决这个问题，近年来，CRM客户关系管理得到了企业普遍的关注。CRM客户关系管理与过去模式不同的是，它致力于提高客户的用户体验，客户对产品服务的满意度以及用户的价值，使客户成为企业的忠诚客户，以达到企业与客户双赢的目的，真正诠释了“客户就是上帝”的这个道理。 伴随着计算机技术的发展与人们生活方式的改变，网上购物成为了人们生活中的一种重要的购物途径。网店，网上商城，团购等不同的购物方式如雨后春笋般的占据了人们的日常生活。用户在进行网上购物的时候，同时也在企业里也产生了大量的个人数据和消费数据，如何好好利用这些重要的客户数据以达到提高企业的市场竞争力的目的成为了企业的一个重要的发展课题。 作为一种高效，智能的数据分析方法，数据挖掘很好的解决了海量数据的分析问题。但是由于我国对于客户关系管理和数据挖掘的应用起步相对较晚，基于两者结合的研究在近几年才兴起。因此，对基于数据挖掘的客户关系管理应用研究意义还是蛮大的，特别是基于数据挖掘的电子商务客户细分的实际应用对竞争激烈的电商市场意义是重大的。 欧美等发达国家无论在数据挖掘还是在客户细分研究方面相对我国来说起步是比较早的，而且应用也非常广。现在广泛应用的客户细分模型，如Hughes在1994年《Strategic database marketing: the master plan for starting and managing a profitable. customer-based marketing program》提出的 RFM 细分模型，它是以三个行为变量，R（Recency购买间隔）、F（Frequency购买次数）、M（Monetary购买金额）来描述和区分客户；Marcus在1998年《A practical yet meaningful approach to customer segmentatio》提出用购买次数 F与平均购买额 A 构造二维的客户价值矩阵模型来修正 RFM 中R和F存在的多重共线性问题；Snuil Gupta,Donald R.Lehmann,Jennifer Ames Stuart《Valuing Customer》于 2001构建了动态的客户生命周期价值模型并对企业现有客户价值进行了定义。 在算法上，现在的研究方向倾向于挖掘算法的联合使用。由于数据挖掘各种算法都有着不同的优缺点，往往将不同类型的算法联合起来使用能起到取长补短的作用，特别是在时空的效率和算法结果的精度上。如Firouzi B B，Sadeghi M S，Niknam T于2010年在《A new hybrid algorithm based on PSO ，SA ，and K-means for cluster analysis》提出了利用PSO，SA和K-MEANS算法联合的聚类分析。 近几年来，由于数据挖掘和crm系统的兴起，国内越来越多的学者参与到基于数据挖掘的客户细分研究当中。不论在数据挖掘算法上的研究，还是在客户细分模型上的研究，都有一些创新性的