客户关系管理4.ppt

客户关系管理4.ppt

《客户关系管理4.ppt》由会员分享，可在线阅读，更多相关《客户关系管理4.ppt（75页珍藏版）》请在冰豆网上搜索。

第四章数据挖掘、数据仓库与CRMq数据挖掘与数据仓库qCRM中的数据挖掘与数据仓库q数据挖掘、数据仓库的行业应用q实例演示4.1数据挖掘与数据仓库数据挖掘、数据仓库的产生背景数据爆炸但知识匮乏数据：

一般的业务操作，通常都数据：

一般的业务操作，通常都会产生大量的数据，如订单、库会产生大量的数据，如订单、库存、交易帐目、通话记录、及客存、交易帐目、通话记录、及客户资料等。

户资料等。

信息：

如何利用企业的历史数信息：

如何利用企业的历史数据增进对业务情况的了解，帮据增进对业务情况的了解，帮助我们在业务管理及发展上作助我们在业务管理及发展上作出及时、正确的判断，需要从出及时、正确的判断，需要从数据成为信息数据成为信息n数据库技术应用发展迅速q积累了大量的数据q提高效率的同时，也带来了一些问题：

n数据过量、难以消化；n真假难辨；n数据形式不一、难以统一处理；nn如何抛弃不必要的数据，从大量数据中及时提取有用的知识？

数据挖掘数据挖掘从大量的数据中挖掘从大量的数据中挖掘出有用的知识出有用的知识AdvancedScout数据仓库的定义n数据仓库DataWarehouseq数据仓库是支持管理决策过程的，面向主题的，集成的，随时间而变的，持久的数据集合。

（W.H.Inmon）q数据仓库是一个环境，而不是一件产品，提供用户用于决策支持的当前和历史数据，这些数据在传统的操作型数据库中很难或不能得到。

q数据仓库技术是为了有效的把操作型数据集成到统一的环境中以提供决策型数据访问的各种技术和模块的总称传统数据库分析方法n数据库系统：

由数据库、数据库管理系统、应用开发工具、应用系统、数据库用户组成nOLTP（On-LineTransactionProcessing）联机事务处理系统q基本任务及时、安全的将当前事务所产生的记录保存下来。

n外部接口：

实现标准的SQL语言n内部：

实现事务管理，支持事务的并发和恢复数据仓库的基本特征n数据仓库的数据是面向主题的；n数据仓库的数据是集成的；n数据仓库的数据是不可更新（稳定）的；n数据仓库的数据是随时间不断变化的。

数据仓库的体系结构DatabaseDatabaseDatabaseDatabaseDatabaseDatabase外部数据数据仓库数据仓库数据仓库数据仓库服务器服务器服务器服务器抽取，清洗抽取，清洗转换，载入转换，载入服务服务查询，报表查询，报表管理管理数据挖掘数据挖掘数据源数据源数据仓库数据仓库数据集市数据集市元数据元数据OLAP服务服务前端工具前端工具数据集市数据集市数据准备数据准备OLAP服务器服务器数据仓库体系结构n数据抽取工具：

数据抽取工具：

把数据从各种各样的存储方式中拿出来，进行必要的转化、整理，再存放到数据仓库内。

n数据仓库数据库：

数据仓库数据库：

是整个数据仓库环境的核心，是数据存放的地方和提供对数据检索的支持。

相对于操作型数据库来说其突出的特点是对海量数据的支持和快速的检索技术。

n元数据（元数据（Metadata）：

）：

描述了数据的结构、内容、编码、索引等。

传统数据库中的数据字典是一种元数据，但在数据仓库中，元数据的内容比数据库中的数据字典更加丰富和复杂。

可将其按用途的不同分为两类，技术元数据和商业元数据。

q技术元数据是数据仓库的设计和管理人员用于开发和日常管理数据仓库使用的数据。

包括：

数据源信息；数据转换的描述；数据仓库内对象和数据结构的定义；数据粒度；数据清理和数据更新时用的规则；源数据到目的数据的映射；用户访问权限，数据备份历史记录，数据导入历史记录，信息发布历史记录等。

q商业元数据从商业业务的角度描述了数据仓库中的数据。

包括：

业务主题的描述，包含的数据、查询、报表；n数据集市（数据集市（DataMarts）：

为了特定的应用目的或应用范围，而从数据仓库中独立出来的一部分数据，也可称为部门数据或主题数据（subjectarea）。

在数据仓库的实施过程中往往可以从一个部门的数据集市着手，以后再用几个数据集市组成一个完整的数据仓库。

n数据仓库服务器数据仓库服务器：

相当于数据库系统中的DBMS，负责管理数据仓库中数据的存储管理和数据存取，并给OLAP服务器和前台工具提供存取接口（如SQL查询接口）nOLAP服务器服务器：

透明地为前台工具和用户提供多维数据视图。

OLAP服务器则必须考虑物理上这些分析数据的存储问题OLAP（联机分析处理技术）nOLAP（On-LineAnalyticalProcessing）即联机分析处理，是以海量数据为基础的复杂分析技术n一、多维数据模型q数据分析时用户的数据视图，是面向分析的数据模型，用于给分析人员提供多种观察的视角和面向分析的操作q可用这样来一个多维数组来表示：

（维1，维2，维n，度量值）联机分析处理技术（续）v一、多维数据模型（续）例如：

（地区，时间，电器商品种类，销售额）n三维数组可以用一个立方体来直观地表示n一般地多维数组用多维立方体CUBE（超立方体）来表示联机分析处理技术（续）n二、多维分析操作常用的OLAP多维分析操作q切片（slice）：

在两维空间上的分布q切块（dice）：

在多维空间上的分布q旋转（pivot）：

变换维的方向，即在表格中重新安排维的放置（例如行列互换）q钻取：

钻取是改变维的层次，变换分析的粒度。

n向上钻取（roll-up）：

在某一维上将低层次的细节数据概括到高层次的汇总数据n向下钻取（drill-down）：

从汇总数据深入到细节数据进行观察联机分析处理技术（续）n三、OLAP的实现方式q按照多维数据模型的不同实现方式nMOLAP（MultidimensionalOLAP）多维nROLAP（RelationalOLAP）关系nHOLAP（HybridOLAP）混合MOLAPnMOLAP结构q以多维立方体CUBE来组织数据，以多维数组来存储数据，支持直接对多维数据的各种操作。

q多维数据库（Multi-DimensionDataBase，简记为MDDB）。

ROLAPnROLAP结构q用RDBMS或扩展的RDBMS来管理多维数据，用关系的表来组织和存储多维数据q两类表：

一类是事实（fact）表，另一类是维表n事实表用来描述和存储多维立方体的度量值及各个维的码值；n维表用来描述维信息。

qROLAP用“星形模式”和“雪片模式”来表示多维数据模型ROLAP（续）n星形模式（StarSchema）通常由一个中心表（事实表）和一组维表组成星形模式的中心是销售事实表维表有时间维表、顾客维表、销售员维表、制造商维表和产品维表ROLAP（续）n雪片模式就是对维表按层次进一步细化后形成的HOLAP（续）nHOLAPq基于混合数据组织的OLAP实现（HybridOLAP），具有更好的灵活性。

n低层是关系型的n高层是多维矩阵型的n前台工具前台工具：

包括查询报表工具、多维分析工具、数据挖掘工具和分析结果可视化工具等n数据仓库管理：

数据仓库管理：

安全和特权管理；跟踪数据的更新；数据质量检查；管理和更新元数据；审计和报告数据仓库的使用和状态；删除数据；复制、分割和分发数据；备份和恢复；存储管理。

数据仓库的实施步骤nDWq项目计划q业务需求分析q数据线实施n数据仓库设计n数据预处理：

ETLn数据维护q技术线n技术选择n产品选择q应用线q系统运行维护演示：

AnalysisManagernMicrosoftSQLServer的多维数据模型：

以FoodMartCorporation为例，建立三个多维数据集，即Marketing（市场营销）、HR（人力资源）和ExpenseBudget（开支预算）1.设置系统数据源名称（DSN）2.建立数据库和数据源3.建立事实数据表和维度表4.设计多维数据的存储模式：

多维OLAP（MOLAP）、关系OLAP（ROLAP）或混合OLAP（HOLAP）数据挖掘的定义n数据挖掘DataMiningn技术角度的定义q数据挖掘就是从大量的、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。

n商业角度的定义q数据挖掘是一种新的商业信息处理技术，其主要特点是对商业数据库中的海量业务数据进行抽取、转换、分析和其他模型化处理，从中提取辅助商业决策的关键性数据。

为什么要数据挖掘?

潜在的应用n数据分析和决策支持q市场分析和管理n目标市场定位,客户关系管理（CRM）,购物篮分析,交叉销售q风险分析和管理n预测,客户保持,质量控制,竞争分析q欺诈检测和不寻常模式的检测（离群点）n其他的应用q文本挖掘（新闻组,email,文档）和Web挖掘q流数据挖掘q生物信息学和生物数据分析Ex.1:

市场分析和管理n数据从哪来?

信用卡交易事务,会员卡,优惠券,客户投诉电话,公众生活方式研究n目标市场q寻找“榜样”客户的聚类,他们共享相同的特征:

兴趣,收入水平,消费习惯等q确定客户在一段时间的购买模式n交叉市场分析寻找产品销售之间的关联/相关性,以及基于这些关联进行预测n客户轮廓（profile）什么类型的客户买什么产品（聚类或分类）n客户需求分析q为不同的用户识别最好的产品q预测什么因素将吸引新的客户n摘要信息提供q多维摘要信息报告q统计学总结信息（数据中心的趋势和变化）Ex.2:

公司分析和风险管理n财经计划和资产评估q现金流分析和预测n资源计划q总结比较资源和开销n竞争q监控竞争对手和市场方向q细分客户类别，制定基于类别的定价过程q在激烈竞争市场中建立价格策略Ex.3：

欺诈检测和挖掘异常模式n方法:

为欺诈和离群点分析进行聚类和模型构建n应用:

医疗保健,零售业,信用卡服务,电信业.q汽车保险:

检测出那些故意制造车祸而索取保险的人q洗钱:

可疑的资金流向q医疗保险n检测出职业病人n不必要、不相关的医学检验q电信业:

电话欺诈n电话模式:

呼叫目的地，持续时间，每天或每周的次数。

分析与预期标准相背离的模式q零售业n分析师评估认为38%的零售业萎缩是因为不诚实的雇员q反恐怖主义知识发现（KDD）过程q数据挖掘知识发现过程的核心数据清理数据清理数据集成数据集成数据库数据库数据仓库数据仓库任务相关的数据任务相关的数据选择选择数据挖掘数据挖掘模式评估模式评估数据挖掘:

多种技术的融合数据挖掘数据挖掘数据库技术数据库技术统计学统计学机器学习机器学习模式识别模式识别算法算法其他技术其他技术可视化可视化为什么不是传统的数据分析?

n庞大的数据q算法必须能够高度可伸缩以便处理TB数量级的数据n高维度的数据q如Microarray（微阵列）可能有成千上万个维度n数据的高复杂性q数据流和传感器数据q时间序列数据,时间数据,序列数据q结构数据,图,社会网络和多链接数据q异构数据库和遗产数据库q空间,时空,多媒体,文本和Web数据q软件程序,科学仿真n新的和复杂的应用数据挖掘VS传统分析方法有何区别?

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。

数据挖掘系统结构数据仓库数据仓库数据清理数据清理数据集成数据集成过滤过滤数据库数据库数据库或数据仓库服务器数据挖掘引擎模式评估图形用户界面知识库数据挖掘过程数据挖掘过程n数据挖掘过程包括：

q数据准备（选择、预处理、转换）q确定主题q读入数据、建立模型、理解模型q解释与评价q知识应用分析分析分析分析问题问题整合数据整合数据整合数据整合数据建立模型建立模型建立模型建立模型理解理解理解理解规则规则预测预测未来未来未来未来数据挖掘技术分类数据挖掘技术分类数据挖掘数据挖掘数据挖掘数据挖掘描述描述描述描述预测预测预测预测可视化可视化可视化可视化聚类聚类聚类聚类关联规则关联规则关联规则关联规则汇总描述汇总描述汇总描述汇总描述分类分类分类分类统计回归统计回归统计回归统计回归时间序列时间序列时间序列时间序列决策树决策树决策树决策树神经网络神经网络神经网络神经网络数据挖掘的模型

（1）n分类（分类（Classification）与决策树）与决策树（Decisiontrees）q分类分析是为了找出描述和区分数据类或概念