Download presentation
Presentation is loading. Please wait.
1
可能受益的商业活动 客户保留 目标营销 欺诈检测 购物篮分析 客户细分 客户忠诚度 信用打分 信用风险评估 营销组合管理和评估 盈利能力分析
价格优化 客户服务自动化 销售收入和需求预测 利润分析 交叉销售和增量销售 活动管理 客户流失分析 客户服务和问题解决 业绩和能力管理 分销渠道业绩分析 营业厅和服务商业绩分析 流程和质量控制 税收监控
2
数据挖掘解决方案 信用等级评价预测模型：用过去的客户数据预测未来 历史数据 预测模型 新申请者
3
理解商业问题 性别 父亲的教育程度 被访者教育程度 当前收入水平 工作类型 城市
4
性别 父亲的教育程度 被访者教育程度 工作类型 当前收入水平 城市 当前财政状况 未来信用风险 Time1 Time2
5
家庭收入 喜欢流行音乐 销售数量
6
我们的最终目的是希望从技术和商业角度为公司建立一个能够理解和实施数据挖掘的工作环境。数据挖掘的成功，并不在于特定工具和算法的选择，而是一个合适的环境。
一个企业的执行能力越强，数据挖掘的能力就越大。 企业所处的商业环境往往在战略上、顾客定位、数据仓库建立、市场定位、生命周期、分析技术等方面各不相同，成功的基础必须是基于对数据挖掘与商业规律良好结合的环境，建立自己的挖掘平台。
7
数据挖掘环境建构 数据挖掘是企业的组成部分。 数据挖掘是企业的核心竞争力。 数据挖掘是企业以顾客为导向的市场策略。
数据挖掘是建立在客户为中心的数据仓库。
8
数据挖掘环境关键因素 选择一个有效领导，宣传数据挖掘，保证高层关注； 建立多学科合作，参与并在一起工作的团队，职责分明；
从一开始就让各部分参与，他们是最终成功的决定者； 从一开始让信息部门参与，他们能够存取和接触数据，获得硬件、软件和网络支持； 利用示范项目是挖掘的开始，可以展示能力； 数据挖掘是转换商业决策从产品到客户的变革开始；
9
数据挖掘成功要素 由一人专职负责：此人有着良好的沟通和成功记录，理解数据挖掘的各种可能情况，建立团队确保执行层的兴趣。
团队由各个学科人员组成：技术组和商业组，8-12人。 各个单位和部门一开始就参加进来。 信息技术部门一开始也要参与进来。 示范项目可以展示数据挖掘的能力 强有力的软件供应商和丰富经验的顾问。
10
数据挖掘解决方案
11
数据挖掘解决方案 Input Preprocessing Analysis Output Translated Data Data
Preprocessed Data Patterns/ Models Results Data Translated Data Input Preprocessing Analysis Output
12
主要数据挖掘技术 分类Classification 预测Prediction 细分Segmentation 关联Association
将您的顾客和客户分类 决策树 规则侦测 回归分析 聚类分析 神经网络 序列模式 预测Prediction 预测未来的销量和欺诈，流失 细分Segmentation 将市场、顾客细分 关联Association 发现那些商品会在一起销售或购买 序列Sequence 找出时间进程中的模式或趋势
13
数据挖掘的问题类型 数据描述 概念描述 预测 分类 商业问题 数据细分 依赖型分析
14
数据挖掘主要新技术 决策树 神经网络 规则侦测 序列规则 基因算法 Decision Trees Neural Networks Rule Induction Nearest Neighbor Genetic Algorithms
15
分类决策树 客户总列表 30% VIP - 1 孩子 2 3 孩子 20% VIP 4+ 孩子 $50 75k income 15% VIP
- 1 孩子 2 3 孩子 20% VIP 4+ 孩子 $50 75k income 15% VIP $75k+ income 70% VIP $20 50k income 85% VIP Age: 40 60 80% VIP Age: 20 40 45% VIP
16
网络分析 对象 关系 网络 角色 缺失 小群体 强弱 路径 自我
17
网络分析
18
神经网络 线性回归 Logistics回归 多层神经网络 细胞繁殖
19
数据挖掘技术分类 数据挖掘 验证驱动挖掘 发现驱动挖掘 描述 预测 SQL SQL生成器 可视化 分类 统计回归 聚类 查询工具 OLAP
时间序列 关联规则 决策树 顺序关联 神经网路 汇总描述
20
SPSS-Clementine7.2
21
Clementine Interface Stream canvas Managers Data Stream 数据流 Projects
Palettes Status window Report window
22
Clementine Toolbars
23
Nodes Palette
24
Basic Operation
25
Setting Options for Nodes
26
SPSS-Clementine7.2
27
客户流失模型分析
28
数据挖掘的典型结果——交叉销售 问题描述：如何决定超市中商品的摆放来增加销售额 结果描述:(Web图）
29
广电行业“复合人才”画像
30
Clementine的分析模型算法
31
SAS数据挖掘解决方案
32
聚焦于信息发布 信息有一个时间维 信息过时后会失去价值 信息过时后会令人误解 信息必须在适当的时间、适当地点传送给适当的人
33
发布和订阅 信息 消费者 订阅者 发行者 信息 生产者 通道 信息 消费者 订户 主动式的信息发布!
34
数据挖掘的方法论 有时候我们并不关心模型如何运作，只是个黑盒子，我们只关心可能的最优结果。
有时候需要使用模型能够得到与数据相关的重要信息。我们也需要了解模型运作的细节，这也只是个半透明的盒子。
35
语义层设计 语义层 数据结构 业务数据库 最终用户 信息系 统人员
36
商业理解体系的核心——语义层 终端用户 查询面板 商业元语 数据源 数据源
37
数据挖掘不能作的事情 如何定义要数据挖掘的商业问题 隐含解决企业问题的有用数据 识别数据质量，搜集初始数据
精加工并整合数据，使其满足挖掘建模要求 数据变换，使得数据库仅包含建模输入变量 根据模型制订行动计划，并付诸实施 评价行动结构，反馈信息输入数据库，进一步挖掘
38
分析工具和软件 WORD EXECL PowerPoint Access Microsoft Visio SmartDraw PCEDIT
EpiData SPSS Enter Station & Builder SPSS for Windows AnswerTree 3.0 Decision Time and What If Clementine SAS Lisrel 8.53 / Amos Network Analysis 计算机及数据处理软件、统计软件的发展 使得我们做数据挖掘和统计分析成为简单而可能的事情。
39
学科领域 行业知识 计算机 数据库 统计学 市场营销 市场研究 社会学 心理学 广告学 消费者行为学
40
本讲稿仅供内部培训使用！
Similar presentations
