第七章 数据管理（营销知识－客户关系管理课件）

第七章 数据管理（营销知识－客户关系管理课件）内容摘要：

第七章 数据管理（营销知识－客户关系管理课件） 第七章 据的概念和重要性数据的概念数据的重要性一、数据的概念数据是为反映客观世界中的某一事件而记录的可以鉴别的数字或符号，如数字、文字、图形、图像、声音 等。 特征：这些数据结构化地记录了企业有关事件离散的、互不关联的客观事实，其可用某种记录方式加以描述。 目的：围绕数据库建立的企业 核心价值在于通过 成，并把这些离散的、单一存储的数据转化为使用者可以理解和使用的信息和知识。 二、数据的重要性数据是 基本的支柱是客户数据。 客户关系管理通过数据仓库、数据挖掘、商务智能等技术处理大量的客户属性、交易记录、购买行为、习性偏好等数据，从中提炼出有用信息，为企业销售、营销、客户服务等工作提供全面支持。 第二节 数据的分类、收集及质量数据的收集数据的质量一、数据分类通过数据来源分类内部来源数据外部来源数据一、数据分类通过数据采集渠道分类电子邮件电话语音文字交谈多媒体数据一、数据分类按照企业不同部门的用途分类客户数据销售数据服务数据一、数据分类根据 用于判断谁是我们的客户。 这些数据详尽描述了企业所采取的促销活动这一类数据描述客户对企业各种促销活动的反应，即他们与企业的交易情况。 二、数据的收集常见的用于描述客户的原始数据收集方法有如下几种 ：定性调研询问法观察法实验法三、数据的质量高质量的数据可为使用者提供准确的信息报告，同时降低企业与低质量数据相关的潜在成本。 什么是符合数据质量标准的高质量数据。 数据仓库对数据质量的要求可归纳为：数据的准确性数据的有效性数据既符合逻辑，又不冗余。 数据的审查机制：审核数据的标准化审查数据采集的各个环节系统审查第四节 数据仓库和数据挖掘数据仓库的概念特征数据仓库的体系结构数据挖掘概念数据在 据仓库及其特征数据仓库 一个用以更好地支持企业或者组织决策分析处理的、面向主题的、集成的、不可更新的、随时间不断变化的数据集合。 数据仓库有以下几个特征：面向主题集成相对稳定反映历史变化数据仓库的基本体系数据仓库的一般结构数据仓库技术在 户理解行为规律分析组间交叉分析二）数据仓库技术在 点客户发现重点客户的特点：潜在客户交叉销售增量销售二、数据仓库技术在 能评估根据客户行为分析，企业可以准确地制定市场策略和市场活动。 然而，这些市场活动能否达到预定的目标是改进市场策略和评价客户行为分组性能的重要指标。 二、 数据挖掘1、数据挖掘概述定义：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于其中的、人们事先不知道但又具有潜在用途的信息和知识的过程。 2、数据挖掘的功能分类估计关联聚类直接数据挖掘间接数据挖掘3、 据挖掘的类型有监督 的数据挖掘（直接数据挖掘）无监督 的数据挖掘（间接数据挖掘）自上而下的方法， 适用于预先知道要搜索目标的情况自下而上的方法， 适用于预先不知道要搜索目标的情况三、数据挖掘的三大支柱数据与数据库数据挖掘算法数据挖掘模型一）数据与数据仓库比较项目 数据库 数据仓库数据内容 当前值 存档、汇总或计算的值数据性质 动态 静态数据结构 复杂，用于操作性计算简单，用于商业分析访问频率 高 低主要用途 日常事务处理 联机分析处理性能要求 高 一般数据仓库与数据库的区别数据仓库的简单堆积方式事务处理数据库每天的事务处理8月1日8月2日8月4日8月3日8月5日8月6日每日的综合数据仓库的简单堆积方式二）数据挖掘算法聚类决策树关联1、聚类概念：按照对象属性的相似性将他们分为若干个组或类别的方法。 研究目的：就是把相似的对象归并成类，研究的主要内容是如何度量相似性以及怎样构造聚类的具体方法以达到分类的目的。 研究对象：1、对样品进行分类，即从实际问题中 观测得到 i, i=1,2, ,n，要根据某相似性原则，将这 、是对指标进行分类，即对所考察的 , 根据 i=( , ,i=1,2, ,n,要由某相似原则将这 ,客户管理中应用：帮助市场分析人员发现客户中所存在的各种特征的群体，并使用购买模式来描述各个客户群体。 2、决策树决策树是一个类似流程图的有点像树的分析工具。 从树根到枝叶，每个内部节点代表对一个属性取值的判断，相对于节点，每个分支都代表一个判断结果，或者说是一个类别。 决策树 举例：有一群人，描述这群人的属性有年龄，年收入，学历。 41 11 一看如何利用决策树作出合适的生产能力计划。 南方医院供应公司是一家制造医护人员的工装大褂的公司。 该公司正在考虑扩大生产能力。 它可以有以下几个选择： 1、什么也不做； 2、建一个小厂； 3、建一个中型厂； 4、建一个大厂。 新增加的设备将生产一种新型的大褂，目前该产品的潜力或市场还是未知数。 如果建一个大厂且市场较好就可实现 $100， 000的利润。 如果市场不好则会导致 $90， 000的损失。 但是，如果市场较好，建中型厂将会获得 $40， 000，市场不好则损失 $5， 000。 当然，还有一个选择就是什么也不干。 最近的市场研究表明市场好的概率是 就是说市场不好的概率是 下图：在这些数据的基础上，能产生最大的预期货币价值（ 选择就可找到。 大厂） =（ *($100,000)+(-$90,000)=-$14,000 型厂） =(*($ 600,000)+( (-$10,000)=+$18,000 小厂 )=( ($40,000)+(-$5,000)=+$13,000 建厂 )=$0 根据 方公司应该建 一个中型厂。 3、关联简单的说是在数据库和数据仓库中发现大量数据之间的有趣的相关联系。 关联规则的两个重要特性1、置信度（ 又称为正确率，描述关联规则的可靠程度。 具体而言，规则 X和 的交易次数之比，记作 XY）。 2、支持度（ 又称覆盖率，描述关联规则的适用范围。 具体而言，规则 X和 作 XY）。 举例：记录号 购物清单12345 啤酒、尿布、婴儿爽身粉、面包、雨伞尿布、婴儿爽身粉啤酒、尿布、牛奶啤酒、尿布、洗衣粉啤酒、牛奶、可乐上表中，共发生交易 5次，即 啤酒为 布为 儿爽身粉为 包为 奶为 衣粉为 乐为题：超市经理想知道商品之间的关联，要求列出哪些同时购买的，且支持度 商品名称。 单项统计结果单项统计 持度啤酒，尿布啤酒，牛奶尿布，1：啤酒 尿布， S=C=尿布 啤酒 ， S=C=牛奶 啤酒 ， S=C=酒 牛奶， S=C=布 婴儿爽身粉， S=C=婴儿爽身粉 尿布 ， S=C=关联规则的支持度与置信度的实际意义置信度低 置信度高支持度低 关联规则很少正确，而且很少被使用关联规则在多数情况下是正确的，但是很少被使用支持度高 关联规则很少正确，但可以经常被使用关联规则在多数情况下是正确的，但可以经常被使用关联规则的支持度与置信度三）数据挖掘模型1、挖掘模型的建立过程训练集测试集评价集得分集初始模型初始模型初始模型预测2、模型集的规模与分割模型集的规模 适当规模、数据精选模型集由三个彼此不含共同部分的数据集组成，一般的划分是：按照 60%、 30%、 10%的比例来划分。 四）数据挖掘的应用客户细分客户获取客户保持交叉营销 而数据挖掘是一个归纳的过程。 然后通过因此说 ， 但是如果分析的变量达到几十或上百个 ， 那么再用 数据挖掘 与 据挖掘不是用于验证某假定的模式 （ 模型 ） 的正确性 ， 而是在数据库中自己寻找模型 ， 因此说它在本质上是一个归纳的过程。 比如 ， 一个用数据挖掘工具的分析师想找到引起贷款拖欠的风险因素。 数据挖掘工具可能帮他找到高负债和低收入是引起这个问题的因素 ， 甚至还可能发现一些分析师从来没有想过或试过的其他因素 ， 比如年龄。 数据挖掘与联机分析处理的本质区别是 ,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 先前未知 ,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。 数据挖掘得到的规则可以作为 过来 信度，即 技能介绍 】技能点 1 如何搜集客户的详细资料记录客户的重要资料挖掘客户留下的信息与客户聊家常主动询问让客户填写卡片【 实践练习 】假如你是一位营业员，需要记录客户的个人资料。 客户资料一般分为两部分：一部分为基本资料，另一部分为特别资料。 请你列出客户的这两种资料。 1、基本资料2、特别资料基本资料：姓名、地址、电话、职业、嗜好、其他影响购买内容的兴趣特别资料：首次购买商品的种类，首次购买商品的日期或联系的日期。 爱好或者规格。 特别需要考虑之处。 是否需要送货服务、安装服务或其他特殊服务。 【 技能介绍 】技能点 2 如何把数据库数据转变成有用的信息汇集整理各种源数据，转换成一致格式存入数据仓库存储管理数据和数据挖掘，发现数据内在的关系获取所需信息【 实践练习 】判断对错1、企业的各种数据直接进入数据仓库。 2、所有的数据在输入数据仓库前必须转换成统一的格式。 3、数据仓库里面的数据可以根据不同需要划分成不同的数据集。