客户关系管理第六章v1PPT课件下载推荐.ppt

客户关系管理第六章v1PPT课件下载推荐.ppt

《客户关系管理第六章v1PPT课件下载推荐.ppt》由会员分享，可在线阅读，更多相关《客户关系管理第六章v1PPT课件下载推荐.ppt（43页珍藏版）》请在冰豆网上搜索。

“使用模式识别技术、统计和数学技术，在大量的数据中发现有意义的新关系、模式和趋势的过程”。

Handetal（2000）：

“数据挖掘就是在大型数据库中寻找有意义、有价值信息的过程”。

数据挖掘的定义技术角度的含义商业角度的含义与传统方法的区别数据挖掘的技术上的定义数据挖掘（DataMining）就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。

这个定义包括好几层含义

（1）数据源必须是真实的、大量的、含噪声的；

（2）发现的是用户感兴趣的知识；

（3）发现的知识要可接受、可理解、可运用；

（4）并不要求发现放之四海皆准的知识，仅支持特定的发现问题。

数据挖掘的商业角度的定义按企业既定业务目标，对大量的企业数据进行探索和分析，揭示隐藏的、未知的或验证已知的规律性，并进一步将其模型化的先进有效的方法。

数据挖掘与传统分析方法的区别数据挖掘与传统的数据分析（如查询、报表、联机应用分析）的本质区别是数据挖掘是在没有明确假设的前提下去挖掘信息、发现知识.。

数据挖掘所得到的信息应具有先未知，有效和可实用三个特征.先前未知的信息是指该信息是预先未曾预料到的，既数据挖掘是要发现那些不能靠直觉发现的信息或知识，甚至是违背直觉的信息或知识，挖掘出的信息越是出乎意料，就可能越有价值。

在商业应用中最典型的例子就是一家连锁店通过数据挖掘发现了小孩尿布和啤酒之间有着惊人的联系决策树分类所谓决策树就是一个类似流程图的树型结构，其中树的每个内部结点代表对一个属性（取值）的测试，其分支就代表测试的每个结果；

而树的每个叶结点就代表一个类别。

树的最高层结点就是根结点。

决策树决策树把数据归入可能对一个目标变量有不同效果的规则组。

例如，我们希望发现可能会对直邮有反应的个人特点。

这些特点可以解释为一组规则。

决策树假设您是一个销售一种新的银行服务的直邮计划研究的负责人。

为最大程度地获益，您希望确定基于前次促销活动的家庭细分最有可能响应相似的促销活动。

通常这可以通过查找最能把响应前次促销的家庭和没有响应的家庭区分开的人口统计信息变量的组合来实现。

决策树为您提供诸如谁会最好地响应新的促销等重要线索，并通过只邮寄给最有可能响应的人来最大程度地获得直邮效益，提高整体响应率，并极有希望同时增加销售。

决策树建立决策树中最上面的节点称为根节点，是整个决策树的开始。

本例把响应客户作为根节点。

可以看到所有收到直邮信件的人中有7%有响应。

然后根据记录字段的不同取值建立树的分支,如分为有住房和无住房两组，则15%的租户有响应，而房主则只有5%。

还可以在每个分支子集中重复建立下层结点和分支。

我们可以继续分组来发现最有可能响应的组群。

这一组群可以表示为一个规则，如“如果收件人是租户，有较高的家庭收入，没有储蓄存款账户，那么他有45%的响应概率”。

简单地说，有这些特点的组群中有45%可能会对直邮有响应。

决策树图DecisionTree决策树决策树应用决策树也是分析消耗（流线性生产）、发现交叉销售机会、进行促销、信用风险或破产分析和发觉欺诈行为的得力工具。

聚类分析聚类如同通常所说的“物以类聚”，是把一组个体按照相似性归成若干类别。

它的目的是使属于同一类别的个体之间的距离尽可能的小，而不同类别上的个体间的距离尽可能的大。

它反映同类事物共同性质的特征型知识和不同事物之间的差异性质的特征型知识。

通过聚类，数据库中的记录可被划分为一系列有意义的子集。

聚类增强了人们对客观现实的认识，是进行概念描述和偏差分析的先决条件。

聚类分析应用市场销售:

帮助市场人员发现客户中的不同群体，然后用这些知识来开展一个目标明确的市场计划；

土地使用:

在一个陆地观察数据库中标识那些土地使用相似的地区；

保险:

对购买了汽车保险的客户，标识那些有较高平均赔偿成本的客户；

城市规划:

根据类型、价格、地理位置等来划分不同类型的住宅；

地震研究:

根据地质断层的特点把已观察到的地震中心分成不同的类；

聚类分析的评判一个好的聚类方法要能产生高质量的聚类结果簇，这些簇要具备以下两个特点：

高的簇内相似性低的簇间相似性聚类结果的好坏取决于该聚类方法采用的相似性评估方法以及该方法的具体实现；

聚类方法的好坏还取决与该方法是能发现某些还是所有的隐含模式；

聚集算法在群集2中，则无”0-1Miles”的记录在群集3中”0-1Miles”的比例最高，有74%聚集算法说明：

说明：

了解各群集中，各变量的分布比例，以图中了解各群集中，各变量的分布比例，以图中为例，群集为例，群集2中，距离为中，距离为”0-1Miles”的有的有0.4%、”1-2Miles”的有的有25.7%、”2-5Miles”的有的有13.6%、”5-10Miles”的有的有32%、”10+Miles”的有的有28.3%Association关联规则算法关联规则是分析发现数据库中不同变量或个体间关联规则是分析发现数据库中不同变量或个体间（例如商例如商品间的关系及年龄与购买行为品间的关系及年龄与购买行为）之间的关系程度之间的关系程度（机率大机率大小小），用这些规则找出顾客购买行为模式，用这些规则找出顾客购买行为模式如购买了桌上型计算机对购买其它计算机外设商品如购买了桌上型计算机对购买其它计算机外设商品（打印打印机、喇叭、硬盘机、喇叭、硬盘.）的相关影响。

的相关影响。

发现这样的规则可以应用于商品货架摆设、库存安排以及发现这样的规则可以应用于商品货架摆设、库存安排以及根据购买行为模式对客户进行分类。

根据购买行为模式对客户进行分类。

Association关联规则算法相关性网络相关性网络主要目的在于主要目的在于了解各产品间了解各产品间的关联性的关联性Association关联规则算法DigitalDashboardAnaggregatedpersonalizedviewofaDigitalNervousSystem创建数据透视表创建数据透视图创建数据透视图将数据透视表加入网页发布网页Web-basedRenderingPrintFormattedOutputExporttoExcelPersonalizedE-MailDeliveryGraphicalReportLayoutIntegratedQueryDesignWeb-basedManagement