客戶關(guān)系管理——第九章——數(shù)據(jù)挖掘與客戶關(guān)系管理

1、客戶關(guān)系管理軟件與數(shù)據(jù)挖掘,案例 卓越亞馬遜的推薦系統(tǒng),學(xué)習(xí)目標,通過本章的學(xué)習(xí)，將能夠：理解數(shù)據(jù)挖掘的含義熟悉數(shù)據(jù)挖掘的功能熟悉數(shù)據(jù)挖掘的主要技術(shù)掌握數(shù)據(jù)挖掘的業(yè)務(wù)流程了解客戶關(guān)系管理對數(shù)據(jù)挖掘的需求理解數(shù)據(jù)挖掘在客戶關(guān)系管理中的作用,第9章 CRM與數(shù)據(jù)挖掘,9.1 數(shù)據(jù)挖掘概述9.2 數(shù)據(jù)挖掘的任務(wù)、技術(shù)和實施過程9.3 數(shù)據(jù)挖掘在CRM中應(yīng)用9.4 CRM數(shù)據(jù)挖掘應(yīng)用實例9.5 數(shù)據(jù)挖掘軟件在CRM中的

2、應(yīng)用示例,9.1.1 數(shù)據(jù)挖掘的產(chǎn)生,數(shù)據(jù)爆炸但知識貧乏 支持數(shù)據(jù)挖掘技術(shù)的基礎(chǔ)數(shù)據(jù)挖掘逐漸演變的過程,有價值的知識,可怕的數(shù)據(jù),數(shù)據(jù)爆炸但知識貧乏,數(shù)據(jù)挖掘的出現(xiàn),數(shù)據(jù)爆炸，知識貧乏,苦惱: 淹沒在數(shù)據(jù)中 ; 不能制定合適的決策!,數(shù)據(jù),知識,決策,,更大,更便宜的存儲器 -- 磁盤密度以Moore’s law增長 -- 存儲器價格飛快下降更快,更便宜的信息處理器 -- 分析更多的數(shù)據(jù) -

3、- 適應(yīng)更多復(fù)雜的模型 -- 引起更多查詢技術(shù) -- 激起更強的可視化技術(shù) 數(shù)據(jù)挖掘處理技術(shù) -- 數(shù)理統(tǒng)計 -- 人工智能 -- 機器學(xué)習(xí),支持數(shù)據(jù)挖掘技術(shù)的基礎(chǔ),數(shù)據(jù)挖掘的演化,機器學(xué)習(xí) 數(shù)據(jù)庫中的知識發(fā)現(xiàn) 數(shù)據(jù)挖掘,9.1.2 數(shù)據(jù)挖掘的定義,SAS研究所(19910)：“在大量相關(guān)數(shù)據(jù)基礎(chǔ)之上進行數(shù)據(jù)探索和建立相關(guān)模型的先進方法”。Bhavani(1999)：“使用模式識別技術(shù)、

4、統(tǒng)計和數(shù)學(xué)技術(shù)，在大量的數(shù)據(jù)中發(fā)現(xiàn)有意義的新關(guān)系、模式和趨勢的過程”。Hand et al(2000)：“數(shù)據(jù)挖掘就是在大型數(shù)據(jù)庫中尋找有意義、有價值信息的過程”。,數(shù)據(jù)挖掘的定義,技術(shù)角度的含義商業(yè)角度的含義與傳統(tǒng)方法的區(qū)別,數(shù)據(jù)挖掘的技術(shù)上的定義,數(shù)據(jù)挖掘(Data Mining)就是從大量的、不完全的、有噪聲的、模糊的、隨機的實際應(yīng)用數(shù)據(jù)中，提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程。這個定義包括

5、好幾層含義(1)數(shù)據(jù)源必須是真實的、大量的、含噪聲的；(2)發(fā)現(xiàn)的是用戶感興趣的知識；(3)發(fā)現(xiàn)的知識要可接受、可理解、可運用；(4)并不要求發(fā)現(xiàn)放之四海皆準的知識，僅支持特定的發(fā)現(xiàn)問題。,數(shù)據(jù)挖掘的商業(yè)角度的定義,按企業(yè)既定業(yè)務(wù)目標，對大量的企業(yè)數(shù)據(jù)進行探索和分析，揭示隱藏的、未知的或驗證已知的規(guī)律性，并進一步將其模型化的先進有效的方法。,客戶接觸,客戶信息,客戶數(shù)據(jù)庫,統(tǒng)計分析與數(shù)據(jù)挖掘,,,,客戶知識發(fā)現(xiàn),,,客戶管理,知識發(fā)現(xiàn)：

6、從數(shù)據(jù)中深入抽取隱含的、未知的和有潛在用途的信息,從商業(yè)數(shù)據(jù)到商業(yè)智能,數(shù)據(jù)挖掘與傳統(tǒng)分析方法的區(qū)別,數(shù)據(jù)挖掘與傳統(tǒng)的數(shù)據(jù)分析(如查詢、報表、聯(lián)機應(yīng)用分析)的本質(zhì)區(qū)別是數(shù)據(jù)挖掘是在沒有明確假設(shè)的前提下去挖掘信息、發(fā)現(xiàn)知識.。數(shù)據(jù)挖掘所得到的信息應(yīng)具有先未知，有效和可實用三個特征.先前未知的信息是指該信息是預(yù)先未曾預(yù)料到的，既數(shù)據(jù)挖掘是要發(fā)現(xiàn)那些不能靠直覺發(fā)現(xiàn)的信息或知識，甚至是違背直覺的信息或知識，挖掘出的信息越是出乎意料，就可能越有

7、價值。在商業(yè)應(yīng)用中最典型的例子就是一家連鎖店通過數(shù)據(jù)挖掘發(fā)現(xiàn)了小孩尿布和啤酒之間有著驚人的聯(lián)系,9.1.3 數(shù)據(jù)挖掘的功能,自動預(yù)測趨勢和行為 關(guān)聯(lián)分析對象分類 聚類分析概念描述 偏差檢測,數(shù)據(jù)挖掘功能—預(yù)測,數(shù)據(jù)挖掘自動在大型數(shù)據(jù)庫中尋找預(yù)測性信息，以往需要進行大量手工分析的問題如今可以迅速直接由數(shù)據(jù)本身得出結(jié)論。一個典型的例子是市場預(yù)測問題，數(shù)據(jù)挖掘使用過去有關(guān)促銷的數(shù)據(jù)來尋找未來投資中回報最大的用戶，其它可預(yù)測的問題包括

8、預(yù)報破產(chǎn)以及認定對指定事件最可能作出反應(yīng)的群體。,數(shù)據(jù)挖掘功能—關(guān)聯(lián)分析,數(shù)據(jù)關(guān)聯(lián)是數(shù)據(jù)庫中存在的一類重要的可被發(fā)現(xiàn)的知識。若兩個或多個變量的取值之間存在某種規(guī)律性，就稱為關(guān)聯(lián)。關(guān)聯(lián)可分為簡單關(guān)聯(lián)、時序關(guān)聯(lián)、因果關(guān)聯(lián)。關(guān)聯(lián)分析的目的是找出數(shù)據(jù)庫中隱藏的關(guān)聯(lián)網(wǎng)。有時并不知道數(shù)據(jù)庫中數(shù)據(jù)的關(guān)聯(lián)函數(shù)，即使知道也是不確定的，因此關(guān)聯(lián)分析生成的規(guī)則帶有可信度。關(guān)聯(lián)是某種事物發(fā)生時其他事物會發(fā)生的這樣一種聯(lián)系。例如：每天購買啤酒的人也有可能

9、購買香煙，比重有多大，可以通過關(guān)聯(lián)的支持度和可信度來描述。時序關(guān)聯(lián)是一種縱向的聯(lián)系。例如：今天銀行調(diào)整利率，明天股市的變化。,數(shù)據(jù)挖掘功能——分類,按照分析對象的屬性、特征，建立不同的組類來描述事物。例如：銀行部門根據(jù)以前的數(shù)據(jù)將客戶分成了不同的類別，現(xiàn)在就可以根據(jù)這些來區(qū)分新申請貸款的客戶，以采取相應(yīng)的貸款方案。,數(shù)據(jù)挖掘功能——聚類,數(shù)據(jù)庫中的記錄可被化分為一系列有意義的子集，即聚類。聚類增強了人們對客觀現(xiàn)實的認識，是概念描述和偏

10、差分析的先決條件。聚類技術(shù)主要包括傳統(tǒng)的模式識別方法和數(shù)學(xué)分類學(xué)。聚類技術(shù)在劃分對象時不僅考慮對象之間的距離，還要求劃分出的類具有某種內(nèi)涵描述，從而避免了傳統(tǒng)技術(shù)的某些片面性。,數(shù)據(jù)挖掘功能—概念描述,概念描述就是對某類對象的內(nèi)涵進行描述，并概括這類對象的有關(guān)特征。概念描述分為特征性描述和區(qū)別性描述，前者描述某類對象的共同特征，后者描述不同類對象之間的區(qū)別。生成一個類的特征性描述只涉及該類對象中所有對象的共性。生成區(qū)別性描述的方法很多，

11、如決策樹方法、遺傳算法等。,數(shù)據(jù)挖掘功能—偏差檢測,數(shù)據(jù)庫中的數(shù)據(jù)常有一些異常記錄，從數(shù)據(jù)庫中檢測這些偏差很有意義。偏差包括很多潛在的知識，如分類中的反常實例、不滿足規(guī)則的特例、觀測結(jié)果與模型預(yù)測值的偏差、量值隨時間的變化等。偏差檢測的基本方法是，尋找觀測結(jié)果與參照值之間有意義的差別。偏差檢測對分析對象的少數(shù)的、極端的特例的描述，揭示內(nèi)在的原因。例如：在銀行的100萬筆交易中有500例的欺詐行為，銀行為了穩(wěn)健經(jīng)營，就要發(fā)現(xiàn)這500例的

12、內(nèi)在因素，減小以后經(jīng)營的風(fēng)險。,9.1.4 數(shù)據(jù)挖掘應(yīng)用,應(yīng)用領(lǐng)域：銀行、電信、保險、交通、零售等商業(yè)領(lǐng)域能解決的典型商業(yè)問題包括：數(shù)據(jù)庫營銷(Database Marketing)客戶群體劃分(Customer Segmentation&Classification)背景分析(Profile Analysis)交叉銷售(Cross-selling)客戶流失性分析(Churn Analysis)客戶信用記分(C

13、redit Scoring)欺詐發(fā)現(xiàn)(Fraud Detection),數(shù)據(jù)挖掘的應(yīng)用,神經(jīng)網(wǎng)絡(luò) Neural Networks,聚類分析 Clustering,序列分析 Sequence Analysis,決策樹 Decision Trees,傾向性分析,客戶保留 客戶生命周期管理 目標市場 價格彈性分析,客戶細分 市場細分,傾向性分析 客戶保留 目標市場 欺詐檢測,關(guān)聯(lián)分析 Association,市場組合分析 套

14、裝產(chǎn)品分析 目錄設(shè)計 交叉銷售,數(shù)據(jù)挖掘的應(yīng)用,9.1.5 數(shù)據(jù)挖掘未來研究方向,發(fā)現(xiàn)語言的形式化描述，即研究專門用于知識發(fā)現(xiàn)的數(shù)據(jù)挖掘語言，也許會像SQL語言一樣走向形式化和標準化；尋求數(shù)據(jù)挖掘過程中的可視化方法，使知識發(fā)現(xiàn)的過程能夠被用戶理解，也便于在知識發(fā)現(xiàn)的過程中進行人機交互；研究在網(wǎng)絡(luò)環(huán)境下的數(shù)據(jù)挖掘技術(shù)(WebMining)，特別是在因特網(wǎng)上建立DMKD服務(wù)器，并且與數(shù)據(jù)庫服務(wù)器配合，實現(xiàn)WebMining；加強對

15、各種非結(jié)構(gòu)化數(shù)據(jù)的開采(DataMiningforAudio＆Video)，如對文本數(shù)據(jù)、圖形數(shù)據(jù)、視頻圖像數(shù)據(jù)、聲音數(shù)據(jù)乃至綜合多媒體數(shù)據(jù)的開采；處理的數(shù)據(jù)將會涉及到更多的數(shù)據(jù)類型，這些數(shù)據(jù)類型或者比較復(fù)雜，或者是結(jié)構(gòu)比較獨特。為了處理這些復(fù)雜的數(shù)據(jù)，就需要一些新的和更好的分析和建立模型的方法，同時還會涉及到為處理這些復(fù)雜或獨特數(shù)據(jù)所做的費時和復(fù)雜數(shù)據(jù)準備的一些工具和軟件。交互式發(fā)現(xiàn)和知識的維護更新。,9.2 數(shù)據(jù)挖掘的任務(wù)、技術(shù)

16、、方法和實施過程,9.2.1 數(shù)據(jù)挖掘任務(wù)數(shù)據(jù)總結(jié)分類發(fā)現(xiàn)聚類分析關(guān)聯(lián)規(guī)則發(fā)現(xiàn),9.2.2 數(shù)據(jù)挖掘技術(shù),數(shù)據(jù)挖掘的方法很多，大致可分為：統(tǒng)計方法、機器學(xué)習(xí)方法、神經(jīng)網(wǎng)絡(luò)方法和數(shù)據(jù)庫方法。統(tǒng)計方法可細分為：回歸分析、判別分析、聚類分析、探索性分析以及模糊集、粗糙集、支持向量機等。機器學(xué)習(xí)中，可細分為：歸納學(xué)習(xí)方法、基于范例的推理CBR、遺傳算法、貝葉斯信念網(wǎng)絡(luò)等。神經(jīng)網(wǎng)絡(luò)方法，可細分為前向神經(jīng)網(wǎng)絡(luò)(BP算法等)、自組織神經(jīng)

17、網(wǎng)絡(luò)(自組織特征映射、競爭學(xué)習(xí)等)等。數(shù)據(jù)庫方法主要是基于可視化的多維數(shù)據(jù)分析或OLAP方法，另外還有面向?qū)傩缘臍w納方法。,●數(shù)據(jù)挖掘技術(shù)的分類,——回顧分析：注重解決過去和現(xiàn)在的問題,如：兩年來不同地區(qū)、人口和產(chǎn)品情況下的各銷售部門銷售業(yè)績分析,——預(yù)測分析：在歷史信息的基礎(chǔ)上預(yù)測某些事件和行為,如：建立預(yù)測模型來描述客戶的流失率,——分類：根據(jù)某種標準將數(shù)據(jù)庫記錄分類到許多預(yù)先定義好的類別,如：信用卡公司將客戶記錄分為好、中、差三

18、類 分類可以產(chǎn)生規(guī)則：如果一個客戶收入超過5000萬元，年齡在45－55歲之間，居住在某地區(qū)，那么他的信用等級為好。,數(shù)據(jù)挖掘技術(shù),●數(shù)據(jù)挖掘技術(shù)的分類,——聚類：根據(jù)某些屬性將數(shù)據(jù)庫分割為一些子集和簇,如：在了解客戶的過程中，嘗試使用從未使用過的屬性分割人群以發(fā)現(xiàn)潛在客戶的簇,——關(guān)聯(lián)：通過考察記錄來識別數(shù)據(jù)間的密切關(guān)系,關(guān)聯(lián)關(guān)系常常表現(xiàn)為規(guī)則，常用于超市購物籃分析如：所有包含A和B的記錄中有60％同時包含C。,——時間

19、序列：用于幫助識別與時間有關(guān)的模式,如：通過對客戶多次購物行為的分析可以發(fā)現(xiàn)購物行為在時間上的關(guān)系 常用于產(chǎn)品目錄營銷的分析,數(shù)據(jù)挖掘的一般目的就是檢測、解釋和預(yù)測數(shù)據(jù)中定性的和／或定量的模式,數(shù)據(jù)挖掘技術(shù),●數(shù)據(jù)挖掘方法學(xué),——模式,數(shù)據(jù)庫中一個事件或事件的結(jié)合，這些事件比預(yù)期的要經(jīng)常發(fā)生，其實際發(fā)生率明顯不同于隨機情況下的可期望發(fā)生率。,模式是數(shù)據(jù)驅(qū)動的，一般只反映數(shù)據(jù)本身,——模型,對構(gòu)建事件的源時的歷史數(shù)據(jù)庫的描述，并

20、且能夠成功地應(yīng)用于新的數(shù)據(jù)，以便對缺少的數(shù)據(jù)作出預(yù)測或?qū)ζ谕臄?shù)據(jù)作出說明。,模型的一般表現(xiàn)形式,數(shù)學(xué)方程式,描述各客戶段的規(guī)則集,計算機表示方式,模式可視化,數(shù)據(jù)挖掘技術(shù),●數(shù)據(jù)挖掘方法學(xué),——取樣,根據(jù)問題的需要采用隨機取樣的方法從數(shù)據(jù)庫中抽取數(shù)據(jù)進行挖掘，有助于迅速發(fā)現(xiàn)模式、創(chuàng)建模型,數(shù)據(jù)本身的處理過程需要驗證,——驗證模型,模型創(chuàng)建過程需要保證正確,模型應(yīng)用的驗證,在依據(jù)一些歷史數(shù)據(jù)建造模型后，將模型應(yīng)用于未參與建造模型的其他類

21、似的歷史數(shù)據(jù)，比較其模型輸出結(jié)果與實際結(jié)果。,數(shù)據(jù)挖掘技術(shù),人工神經(jīng)網(wǎng)絡(luò),神經(jīng)網(wǎng)絡(luò)近來越來越受到人們的關(guān)注，因為它為解決大復(fù)雜度問題提供了一種相對來說比較有效的簡單方法。神經(jīng)網(wǎng)絡(luò)可以很容易的解決具有上百個參數(shù)的問題(當(dāng)然實際生物體中存在的神經(jīng)網(wǎng)絡(luò)要比我們這里所說的程序模擬的神經(jīng)網(wǎng)絡(luò)要復(fù)雜的多)。神經(jīng)網(wǎng)絡(luò)常用于兩類問題：分類和回歸。,決策樹,決策樹把數(shù)據(jù)歸入可能對一個目標變量有不同效果的規(guī)則組。例如，我們希望發(fā)現(xiàn)可能會對直郵有反應(yīng)的個人特

22、點。這些特點可以解釋為一組規(guī)則。,決策樹,假設(shè)您是一個銷售一種新的銀行服務(wù)的直郵計劃研究的負責(zé)人。為最大程度地獲益，您希望確定基于前次促銷活動的家庭細分最有可能響應(yīng)相似的促銷活動。通常這可以通過查找最能把響應(yīng)前次促銷的家庭和沒有響應(yīng)的家庭區(qū)分開的人口統(tǒng)計信息變量的組合來實現(xiàn)。決策樹為您提供諸如誰會最好地響應(yīng)新的促銷等重要線索，并通過只郵寄給最有可能響應(yīng)的人來最大程度地獲得直郵效益，提高整體響應(yīng)率，并極有希望同時增加銷售。,決策樹圖,決

23、策樹應(yīng)用,決策樹也是分析消耗(流線性生產(chǎn))、發(fā)現(xiàn)交叉銷售機會、進行促銷、信用風(fēng)險或破產(chǎn)分析和發(fā)覺欺詐行為的得力工具。,聚類分析,聚類如同通常所說的“物以類聚”，是把一組個體按照相似性歸成若干類別。它的目的是使屬于同一類別的個體之間的距離盡可能的小，而不同類別上的個體間的距離盡可能的大。它反映同類事物共同性質(zhì)的特征型知識和不同事物之間的差異性質(zhì)的特征型知識。通過聚類，數(shù)據(jù)庫中的記錄可被劃分為一系列有意義的子集。聚類增強了人們對客觀現(xiàn)實

24、的認識，是進行概念描述和偏差分析的先決條件。,聚類分析,簇(Cluster):一個數(shù)據(jù)對象的集合在同一個類中，對象之間具有相似性；不同類的對象之間是相異的。聚類分析把一個給定的數(shù)據(jù)對象集合分成不同的簇；聚類是一種無監(jiān)督分類法: 沒有預(yù)先指定的類別；典型的應(yīng)用作為一個獨立的分析工具，用于了解數(shù)據(jù)的分布； 作為其它算法的一個數(shù)據(jù)預(yù)處理步驟；,聚類分析應(yīng)用,市場銷售: 幫助市場人員發(fā)現(xiàn)客戶中的不同群體，然后用這些知識來開展一個

25、目標明確的市場計劃；土地使用: 在一個陸地觀察數(shù)據(jù)庫中標識那些土地使用相似的地區(qū)；保險: 對購買了汽車保險的客戶，標識那些有較高平均賠償成本的客戶；城市規(guī)劃: 根據(jù)類型、價格、地理位置等來劃分不同類型的住宅；地震研究: 根據(jù)地質(zhì)斷層的特點把已觀察到的地震中心分成不同的類；,聚類分析的評判,一個好的聚類方法要能產(chǎn)生高質(zhì)量的聚類結(jié)果——簇，這些簇要具備以下兩個特點：高的簇內(nèi)相似性低的簇間相似性 聚類結(jié)果的好壞取決于該聚類方法采

26、用的相似性評估方法以及該方法的具體實現(xiàn)；聚類方法的好壞還取決與該方法是能發(fā)現(xiàn)某些還是所有的隱含模式；,遺傳算法,遺傳算法(Genetic Algorithms)是J.H.Holland根據(jù)生物進化的模型提出的一種優(yōu)化算法。雖然GA剛提出時沒有受到重視，但近年來，人們把它應(yīng)用于學(xué)習(xí)、優(yōu)化、自適應(yīng)等問題中。模擬生物進化過程的算法，由繁殖(選擇)、交叉(重組)、 變異(突變)三個基本算子組成。遺傳算法已在優(yōu)化計算、分類、機器學(xué)習(xí)等方面發(fā)揮了

27、顯著作用。遺傳算法是基于進化理論，并采用遺傳結(jié)合、遺傳變異、以及自然選擇等設(shè)計方法的優(yōu)化技術(shù)。,遺傳算法,GA的算法首先在解空間中取一群點，作為遺傳開始的第一代。每個點(基因)用一二進制的數(shù)字串表示，其優(yōu)劣程度用一目標函數(shù)(Fitness function)來衡量。在向下一代的遺傳演變中，首先把前一代中的每個數(shù)字串根據(jù)由其目標函數(shù)值決定的概率分配到配對池中。好的數(shù)字串以高的概率被復(fù)制下來，劣的數(shù)字串被淘汰掉。然后將配對池中的數(shù)字任意配對

28、，并對每一數(shù)字串進行交叉操作，產(chǎn)生新的子孫(數(shù)字串)。最后對新的數(shù)字串的某一位進行變異。這樣就產(chǎn)生了新的一代。按照同樣的方法，經(jīng)過數(shù)代的遺傳演變后，在最后一代中得到全局最優(yōu)解或近似最優(yōu)解。,規(guī)則推導(dǎo),規(guī)則推導(dǎo)，從統(tǒng)計意義上對數(shù)據(jù)中的“如果-那么”規(guī)則進行尋找和推導(dǎo)，得到關(guān)聯(lián)規(guī)則。關(guān)聯(lián)規(guī)則挖掘發(fā)現(xiàn)大量數(shù)據(jù)中項集之間有趣的關(guān)聯(lián)或相關(guān)聯(lián)系。,可視化技術(shù),用圖表等方式把數(shù)據(jù)特征用直觀地表述出來，如直方圖等，這其中運用的許多描述統(tǒng)計的方法。可視

29、化技術(shù)面對的一個難題是高維數(shù)據(jù)的可視化。信息可視化和數(shù)據(jù)挖掘是兩個可互為補充利用的相關(guān)研究領(lǐng)域。當(dāng)信息可視化作為數(shù)據(jù)挖掘的技術(shù)之一時，同其它技術(shù)相比，它有一個獨特之處：能極大地發(fā)揮用戶的主動參預(yù)性。由于對數(shù)據(jù)進行了可視化，用戶愿意進行探索(Explore)，在探索過程中有可能發(fā)現(xiàn)意外的知識。,其他技術(shù),近鄰算法，將數(shù)據(jù)集合中每一個記錄進行分類的方法。統(tǒng)計分析方法，在數(shù)據(jù)庫字段項之間存在兩種關(guān)系:函數(shù)關(guān)系(能用函數(shù)公式表示的確定性關(guān)系

30、)和相關(guān)關(guān)系(不能用函數(shù)公式表示，但仍是相關(guān)確定性關(guān)系)，對它們的分析可采用回歸分析、相關(guān)分析、主成分分析等方法。模糊論方法，利用模糊集合理論，對實際問題進行模糊判斷、模糊決策、模糊模式識別、模糊簇聚分析。,●經(jīng)典方法,——統(tǒng)計,統(tǒng)計可以通過對類似下列問題的回答獲得模式,○在我的數(shù)據(jù)庫中存在什么模式,○某個事件發(fā)生的可能性是什么,○那些模式是重要的模式,統(tǒng)計的一個重要價值就是它提供了對數(shù)據(jù)庫的高層視圖，這種視圖提供了有用的信息，但不要

31、求在細節(jié)上理解數(shù)據(jù)庫的每一條記錄。,9.2.3 數(shù)據(jù)挖掘方法,,●經(jīng)典方法,——最近鄰,通過檢測與預(yù)測對象最接近的對象的狀況對預(yù)測對象進行預(yù)測,原理：,某一特定對象可能與其他某一或某些對象比其 它一些第三對象更接近；,相互之間“接近”的對象會有相似的取值,根據(jù)其中一個對象的取值，預(yù)測其最近鄰對象的預(yù)測值,商業(yè) 應(yīng)用：,文獻檢索,市場籃子分析,應(yīng)用 評價：,最近鄰的數(shù)量,最近鄰的距離,,決定最近鄰預(yù)測的可信度,

32、數(shù)據(jù)挖掘方法,●現(xiàn)代方法,——基礎(chǔ)理論,有指導(dǎo)的學(xué)習(xí)(Supervised Learning),,,,歸納 概念 分類標準與模型 分類,有指導(dǎo)的學(xué)習(xí)的目的：建立分類模型,用模型確定新數(shù)據(jù)實例的類別,訓(xùn)練數(shù)據(jù)(Training Data)與檢驗集(Test Set),用于創(chuàng)建模型的數(shù)據(jù)實例稱為訓(xùn)練數(shù)據(jù),用于檢驗?zāi)Ｐ偷臏蚀_度的數(shù)據(jù)實例稱為檢驗集,數(shù)據(jù)挖掘方法,有指導(dǎo)的學(xué)習(xí)(Su

33、pervised Learning),淋巴腫,數(shù)據(jù)挖掘方法,有指導(dǎo)的學(xué)習(xí)(Supervised Learning),,淋巴腫,,,發(fā) 燒,,,,No,No,Yes,Yes,咽炎,敏感癥,感冒,淋巴腫、發(fā)燒是有意義的屬性,嗓子痛、充血、頭痛是無意義的屬性,數(shù)據(jù)挖掘方法,有指導(dǎo)的學(xué)習(xí)(Supervised Learning),,淋巴腫,,,發(fā) 燒,,,,No,No,Yes,Yes,咽炎,敏感癥,感冒,未知分類的數(shù)據(jù)實例(檢驗集),數(shù)據(jù)挖掘方

34、法,無指導(dǎo)的學(xué)習(xí)(Unsupervised Learning),為沒有預(yù)先定義分類標準的數(shù)據(jù)建立模型,ABC投資公司客戶表,數(shù)據(jù)挖掘方法,無指導(dǎo)的學(xué)習(xí)(Unsupervised Learning),區(qū)分在線投資者和經(jīng)紀人投資者的特征是什么,一個新客戶未開設(shè)交易保證金帳戶，如何確定其將來是否會開設(shè)這種帳戶,能建立一個預(yù)測新投資者月均交易數(shù)的模型嗎,女性和男性投資者有什么不同的特征,交易方式,交易保證金帳戶,月均交易數(shù),性別,數(shù) 據(jù) 挖 掘

35、 問 題,屬 性,哪些屬性相似性決定ABC公司的客戶分組,屬性值的哪些不同之處分隔了客戶數(shù)據(jù)庫,有指導(dǎo)的學(xué)習(xí),,無指導(dǎo)的學(xué)習(xí),數(shù)據(jù)挖掘方法,●現(xiàn)代方法,——決策樹(Decision Tree),決策樹是一種有指導(dǎo)學(xué)習(xí)的數(shù)據(jù)挖掘方法,決策樹的組成,決策節(jié)點、分支、葉子,———根節(jié)點,分支,———葉子,Debt<10% of Income,Debt=0%,GoodCreditRisks,BadCreditRisks,Goo

36、dCreditRisks,,,,,,,Yes,Yes,Yes,NO,NO,NO,Income>$40K,,,節(jié)點,,,決策樹的分支過程就是對數(shù)據(jù)進行分類的過程，利用幾個變量(每個變量對應(yīng)一個問題)來判斷數(shù)據(jù)所屬的類別。在分支后，要使不同分支之間數(shù)據(jù)的差異盡可能大、同一分支內(nèi)的數(shù)據(jù)盡量相同。這一分割過程也就是數(shù)據(jù)的“純化”過程。,數(shù)據(jù)挖掘方法,決策樹的算法步驟,○假設(shè)T為訓(xùn)練實例集○選擇一個最能區(qū)別T中實例的屬性

37、○創(chuàng)建一個決策節(jié)點，它的值為所選擇的屬性○創(chuàng)建該節(jié)點的分支，每個分支代表所選屬性的一個唯一值○使用分支的值，將數(shù)據(jù)實例分割為子類○對于步驟5所創(chuàng)建的各個子類： ★如果子類中的數(shù)據(jù)實例滿足以下條件，可按此決策樹對新數(shù)據(jù)實例指定類別 ☆分割中只包含一條數(shù)據(jù)實例 ☆分割中所有數(shù)據(jù)實例的屬性都相同

38、 ☆繼續(xù)分割得到的改進不明顯 ★如果子類不滿足上述條件，則設(shè)T’為當(dāng)前子類數(shù)據(jù)實例集合，返回步驟 2,數(shù)據(jù)挖掘方法,,決策樹的屬性選取,屬性選取標準：,最大化反映數(shù)據(jù)差異，使樹的層次和節(jié)點數(shù)最小,淋巴腫,,,發(fā) 燒,,,,No,No,Yes,Yes,咽炎,敏感癥,感冒,數(shù)據(jù)挖掘方法,,淋巴腫,,,發(fā) 燒,,,,No,No,Yes,Yes,敏感癥,敏感癥,咽炎,,,No,Yes,,頭 痛,,淋巴腫,,,

39、感冒,,發(fā) 燒,,,,淋巴腫,,,No,Yes,咽炎,No,Yes,數(shù)據(jù)挖掘方法,決策樹的屬性選取,屬性選取標準：,最大化反映數(shù)據(jù)差異，使樹的層次和節(jié)點數(shù)最小,信用卡促銷數(shù)據(jù)庫,○選取收入段為根節(jié)點,○選取壽險促銷為輸出屬性,○沿著每個分支有兩個類，選取最頻繁出現(xiàn)的類,,收入段,,,,,2Yes2No,4Yes1No,3No 1Yes,2Yes,2—3萬,3—4萬,4—5萬,5—6萬,○訓(xùn)練集分類的正確性為11／15＝103％,數(shù)據(jù)

40、挖掘方法,——決策樹(Decision Tree)：例,信用卡促銷數(shù)據(jù)庫,○選取信用卡保險為根節(jié)點,○選取壽險促銷為輸出屬性,○沿著每個分支有兩個類，選取最頻繁出現(xiàn)的類,,信用卡保險,,,6Yes6No,3Yes 0No,No,Yes,○訓(xùn)練集分類的正確性為9／15＝60％,數(shù)據(jù)挖掘方法,——決策樹(Decision Tree)：例,信用卡促銷數(shù)據(jù)庫,○選取數(shù)值型屬性年齡為根節(jié)點,○選取壽險促銷為輸出屬性,○依照年齡排序，對照輸出屬性

41、進行數(shù)據(jù)分割，選擇數(shù)據(jù)分割點,,年 齡,,,9Yes3No,0Yes 3No,≤43,＞43,○以年齡≤43結(jié)合壽險促銷＝Y(jié)es，訓(xùn)練集分類的正確性為12／15＝80％,數(shù)據(jù)挖掘方法,——決策樹(Decision Tree)：例,信用卡促銷數(shù)據(jù)庫,,年 齡,,,Yes(6／1),No(2／1),≤43,＞43,,性 別,,,F M,,信用卡保險,,,Yes(2／0),No(3／0),No Ye

42、s,信用卡數(shù)據(jù)庫的三節(jié)點決策樹,○訓(xùn)練集分類的正確性為13／15＝810％,數(shù)據(jù)挖掘方法,——決策樹(DecisionTree)：例,信用卡促銷數(shù)據(jù)庫,,信用卡保險,,,Yes(5／2),No(4／1),No,Yes,,性 別,,,F M,Yes(3／0),信用卡數(shù)據(jù)庫的兩節(jié)點決策樹,○訓(xùn)練集分類的正確性為12／15＝80％,數(shù)據(jù)挖掘方法,——決策樹(Decision Tree)：例,信用卡促銷數(shù)據(jù)庫檢驗集,

43、,年 齡,,,Yes(6／1),No(2／1),≤43,＞43,,性 別,,,F M,,信用卡保險,,,Yes(2／0),No(3／0),No Yes,信用卡數(shù)據(jù)庫的三節(jié)點決策樹,,,數(shù)據(jù)挖掘方法,●現(xiàn)代方法,——K－平均值算法,K-平均值算法是一種簡單而有效的無指導(dǎo)學(xué)習(xí)的統(tǒng)計聚類方法，將一組數(shù)據(jù)劃分為不相關(guān)的簇,算 法 步 驟,○選擇一個K值，用以確定簇的總數(shù),○在數(shù)據(jù)集中任意選擇K個數(shù)據(jù)

44、實例，作為初始的簇中心,○試用簡單的歐氏距離將其它數(shù)據(jù)實例賦予距離它們最近的簇中心,○試用每個簇中的數(shù)據(jù)實例，計算每個簇的新的平均值,○如果新的平均值等于次迭代的平均值，終止該過程。否則，用新平均值作為簇中心并重復(fù)步驟3－5。,點A(x1,y1)與點B(x2,y2)之間的歐氏距離計算式為,數(shù)據(jù)挖掘方法,K－平均值算法：例,K-平均值輸入屬性,1.選擇K=2，即將所有數(shù)據(jù)實例分為兩個簇,2.選擇實例1作為第1個簇的中心，實例3作為第2個簇

45、的中心,3.計算各數(shù)據(jù)實例與C1、C2之間的歐氏距離,Dist(C1－1)=0.00 Dist(C2－1)=1.00 C1Dist(C1－2)=3.00 Dist(C2－2)=3.16 C1Dist(C1－3)=1.00 Dist(C2－3)=0.00 C2Dist(C1－4)=2.24 Dist(C2－4)=2.00 C2Dist(C1－5

46、)=2.24 Dist(C2－5)=1.41 C2Dist(C1－6)=6.02 Dist(C2－6)=5.41 C2,4.迭代結(jié)果得到以下兩個簇簇C1包含實例1、2，簇C2包含實例3、4、5、6,,,,,,,,,Y,X,,,數(shù)據(jù)挖掘方法,——K－平均值算法：例,K-平均值輸入屬性,5.重新計算每個簇的中心,對于C1：x=(1.0+1.0)/2=1.0

47、y=(1.5+4.5)/2=3.0 對于C2：x=(2.0+2.0+3.0+5.0)/4=3.0 y=(1.5+3.5+2.5+6.0)/4=3.3105 因此，新的簇中心為C1=(1.0，3.0) C2=(3.0，3.3105),,,,,,,,,Y,X,6.由于簇中心改變，進行第2次迭代,,,K－平均值算法：例,K

48、-平均值輸入屬性,Dist(C1－1)=1.50 Dist(C2－1)=2.104 C1Dist(C1－2)=1.50 Dist(C2－2)=2.29 C1Dist(C1－3)=1.80 Dist(C2－3)=2.125 C1Dist(C1－4)=1.12 Dist(C2－4)=1.01 C2Dist(C1－5)=2.06 Dist(C2－5)

49、=0.8105 C2Dist(C1－6)=5.00 Dist(C2－6)=3.30 C2,第2次迭代的結(jié)果導(dǎo)致了簇的變化：C1包含實例1、2和3，C2包含4、5和6,,,,,,,,,Y,X,,,K－平均值算法：例,K-平均值輸入屬性,9.重新計算每個簇的中心,對于C1：x=(1.0+1.0＋2.0)/3=1.33 y=(1.5+4.5＋1.5)/3=2.50 對于C2

50、：x=(2.0+3.0+5.0)/3=3.33 y=(3.5+2.5+6.0)/3=4.00 因此，新的簇中心為C1=(1.33，2.50) C2=(3.33，4.00),8.由于簇中心改變，繼續(xù)進行第3次迭代,,,,,,,,,Y,,,X,K－平均值算法：例,數(shù)據(jù)實例與它們所對應(yīng)的簇中心之間的誤差平方和最小,K－平均值算

51、法的幾個應(yīng)用,K－平均值算法的最優(yōu)聚類標準,,,,,,,,,Y,,,X,,,,,,,,,Y,,X,,,,,,,,,,Y,X,,,●現(xiàn)代方法,——關(guān)聯(lián)規(guī)則(Association Rules),關(guān)聯(lián)規(guī)則的表現(xiàn)形式,關(guān)聯(lián)規(guī)則是一種無指導(dǎo)學(xué)習(xí)的數(shù)據(jù)挖掘中最普遍的知識發(fā)現(xiàn)，是指在行為上具有某種關(guān)聯(lián)的多個事物在一次事件中可能同時出現(xiàn)，從而在多個事物中建立聯(lián)系規(guī)則的方法。,“如果怎么樣、怎么樣、怎么樣，那么就會怎么樣”,關(guān)聯(lián)規(guī)則的構(gòu)成,前件——“

52、如果怎么樣、怎么樣、怎么樣”,后件——“那么就怎么樣”,——如果買了西裝，就會買領(lǐng)帶,——如果買精顯彩電，就會買家庭影院系統(tǒng),,,規(guī)則的構(gòu)成,如果怎么樣、怎么樣、怎么樣，就會怎么樣,前件，激發(fā)條件,后件，結(jié)果,規(guī)則表現(xiàn)為在前件所有條件成立的前提下，后件結(jié)果會以某一正確概率出現(xiàn),關(guān)聯(lián)規(guī)則(Association Rules),規(guī)則的置信度和支持度,關(guān)聯(lián)規(guī)則(Association Rules),規(guī)則的置信度又稱為規(guī)則的正確率，是指在前

53、提出現(xiàn)的情況下，后件出現(xiàn)的概率,規(guī)則的支持度又稱為規(guī)則的覆蓋率，是指包含規(guī)則出現(xiàn)的屬性值的交易占所有交易的百分比,例：如果客戶買牛奶，那么他們也會買面包,置信度：在10000次交易中客戶購買了牛奶，而且其中的5000個交易也同時購買了面包，則上述規(guī)則的置信度為5000／10000＝50％ 支持度：在超市一個月的客戶交易中，共有600000次交易，其中購買牛奶的交易為60000次，支持度為60000／600000＝10％,規(guī)

54、則的生成,——關(guān)聯(lián)規(guī)則(Association Rules),決策樹方法,規(guī)則1：如果客戶參加了信用卡保險，那么他就會參加壽險促銷(置信度＝3／3＝100％，支持度＝3／15＝20％),規(guī)則2：如果一個男性客戶沒有參加信用卡保險，那么他也不會參加壽險 促銷(置信度＝4／5＝80％，支持度＝5／15＝33％) 規(guī)則3：如果一個女性客戶沒有參加信用卡保險，那么她可能會參加壽險促銷(置信度＝5／10＝101％，支持度＝10／

55、15＝410％) 規(guī)則4：如果是一個女性客戶，那么她可能會參加壽險促銷(置信度＝6／8＝105％，支持度＝8／15＝53％),,信用卡保險,,,Yes(5／2),No(4／1),No,Yes,,性 別,,,F M,Yes(3／0),規(guī)則的生成,●現(xiàn)代方法,——關(guān)聯(lián)規(guī)則(Association Rules),最近鄰方法,規(guī)則：如果一個客戶處于●的狀況，那么他可能是一個逃款者,,關(guān)聯(lián)規(guī)則可以使用

56、傳統(tǒng)的方法生成，但適當(dāng)提供的屬性很多時，因為每條規(guī)則的結(jié)果可能包含大量的前提條件，使用傳統(tǒng)方法會變得不切實際。,規(guī)則的生成,●現(xiàn)代方法,——關(guān)聯(lián)規(guī)則(Association Rules),apriori方法,apriori方法步驟：,1.設(shè)置最小的屬性－值支持度要求,apriori方法是通過生成條目集，按照一定的準則要求從中選擇規(guī)則的方法。,條目集是指符合一定支持度要求的“屬性－值”的組合,2.生成條目集,3.使用生成的條目集來創(chuàng)建規(guī)

57、則,規(guī)則的生成,●現(xiàn)代方法,——關(guān)聯(lián)規(guī)則(Association Rules),apriori方法:例,1.設(shè)置最小的屬性－值支持度要求(＞30％),2.生成條目集,單項條目集合,規(guī)則的生成,●現(xiàn)代方法,——關(guān)聯(lián)規(guī)則(Association Rules),apriori方法:例,雙項條目集合,規(guī)則的生成,●現(xiàn)代方法,——關(guān)聯(lián)規(guī)則(Association Rules),apriori方法:例,確定最小置信度(如＞50％)，利用雙項條

58、目集合生成規(guī)則,3.使用生成的條目集來創(chuàng)建規(guī)則,規(guī)則1：如果雜志促銷＝Y(jié)，那么壽險促銷＝Y(jié)(5／10) 置信度＝5／10＝101％，支持度＝10／10＝100％,規(guī)則2：如果壽險促銷＝Y(jié)，那么雜志促銷＝Y(jié)(5／5) 置信度＝5／5＝100％，支持度＝5／10＝50％,規(guī)則的生成,——關(guān)聯(lián)規(guī)則(Association Rules),市場籃子分析就是一種關(guān)聯(lián)規(guī)則的表現(xiàn),時間序列分析是

59、一種反映客戶行為在時間上的關(guān)聯(lián)性的關(guān)聯(lián)規(guī)則,,,,,規(guī)則的應(yīng)用,——關(guān)聯(lián)規(guī)則(Association Rules),——以前件為目標,——歸納所有前件一樣的規(guī)則,——分析后件的營銷效果,——設(shè)計促銷方案(完善前件),——例,——收集所有前件為文具、復(fù)讀機的規(guī)則，分析這些商品打折是否促進其他高利潤商品的銷售，從而調(diào)整商品結(jié)構(gòu)、設(shè)計促銷方案,規(guī)則的應(yīng)用,——關(guān)聯(lián)規(guī)則(Association Rules),——以后件為目標,——歸納所有后

60、件一樣的規(guī)則,——分析什么因素與后件有關(guān)或?qū)蠹杏绊?——設(shè)計前件促成后件,——例,——收集到所有后件為西裝的規(guī)則，可以幫助我們了解西裝的銷售受哪些因素的影響或與哪些因素相關(guān)，從而可以考慮將這些因素集合在一起而產(chǎn)生促銷效果。,規(guī)則的應(yīng)用,——關(guān)聯(lián)規(guī)則(Association Rules),規(guī)則的置信度和支持度,規(guī)則很少是正確的，但可以經(jīng)常使用,規(guī)則很少是正確的，而且很少被使用,規(guī)則多數(shù)情況下是正確，但很少被使用,規(guī)則多數(shù)情況下是正確

61、的，而且可以經(jīng)常使用,——以置信度或支持度為目標,9.2.4 數(shù)據(jù)挖掘的流程,數(shù)據(jù)挖掘的流程,確定業(yè)務(wù)對象數(shù)據(jù)準備數(shù)據(jù)挖掘結(jié)果分析和知識同化,數(shù)據(jù)挖掘的流程-確定業(yè)務(wù)對象,清晰地定義出業(yè)務(wù)問題，認清數(shù)據(jù)挖掘的目的是數(shù)據(jù)挖掘的重要一步。挖掘的最后結(jié)構(gòu)是不可預(yù)測的，但要探索的問題應(yīng)是有預(yù)見的，為了數(shù)據(jù)挖掘而數(shù)據(jù)挖掘則帶有盲目性，是不會成功的。,數(shù)據(jù)挖掘的流程-數(shù)據(jù)準備,數(shù)據(jù)的選擇：搜索所有與業(yè)務(wù)對象有關(guān)的內(nèi)部和外部數(shù)據(jù)信息，并從中選擇

62、出適用于數(shù)據(jù)挖掘應(yīng)用的數(shù)據(jù)。數(shù)據(jù)的預(yù)處理：研究數(shù)據(jù)的質(zhì)量，為進一步的分析作準備，并確定將要進行的挖掘操作的類型。數(shù)據(jù)的轉(zhuǎn)換：將數(shù)據(jù)轉(zhuǎn)換成一個分析模型.這個分析模型是針對挖掘算法建立的，建立一個真正適合挖掘算法的分析模型是數(shù)據(jù)挖掘成功的關(guān)鍵。,數(shù)據(jù)挖掘的流程-數(shù)據(jù)挖掘,對所得到的經(jīng)過轉(zhuǎn)換的數(shù)據(jù)進行挖掘.除了完善從選擇合適的挖掘算法外，其余一切工作都能自動地完成。,數(shù)據(jù)挖掘的流程-分析和同化,結(jié)果分析：解釋并評估結(jié)果，其使用的分析方法一

63、般應(yīng)作數(shù)據(jù)挖掘操作而定，通常會用到可視化技術(shù)。知識的同化：將分析所得到的知識集成到業(yè)務(wù)信息系統(tǒng)的組織結(jié)構(gòu)中去。,數(shù)據(jù)挖掘過程工作量,在數(shù)據(jù)挖掘中被研究的業(yè)務(wù)對象是整個過程的基礎(chǔ)，它驅(qū)動了整個數(shù)據(jù)挖掘過程，也是檢驗最后結(jié)果和指引分析人員完成數(shù)據(jù)挖掘的依據(jù)。數(shù)據(jù)挖掘的過程并不是自動的，絕大多數(shù)的工作需要人工完成。其中60%的時間用在數(shù)據(jù)準備上，這說明了數(shù)據(jù)挖掘?qū)?shù)據(jù)的嚴格要求，而后挖掘工作僅占總工作量的10%.,數(shù)據(jù)挖掘過程工作量,數(shù)據(jù)挖

64、掘需要的人員,數(shù)據(jù)挖掘過程的分步實現(xiàn)，不同的步會需要是有不同專長的人員，他們大體可以分為三類。業(yè)務(wù)分析人員：要求精通業(yè)務(wù)，能夠解釋業(yè)務(wù)對象，并根據(jù)各業(yè)務(wù)對象確定出用于數(shù)據(jù)定義和挖掘算法的業(yè)務(wù)需求。數(shù)據(jù)分析人員：精通數(shù)據(jù)分析技術(shù)，并對統(tǒng)計學(xué)有較熟練的掌握，有能力把業(yè)務(wù)需求轉(zhuǎn)化為數(shù)據(jù)挖掘的各步操作，并為每步操作選擇合適的技術(shù)。數(shù)據(jù)管理人員：精通數(shù)據(jù)管理技術(shù)，并從數(shù)據(jù)庫或數(shù)據(jù)倉庫中收集數(shù)據(jù)。,9.3 數(shù)據(jù)挖掘在CRM中的應(yīng)用,從客戶生命

65、周期角度分析數(shù)據(jù)挖掘技術(shù)的應(yīng)用從行業(yè)角度分析數(shù)據(jù)挖掘技術(shù)的應(yīng)用,從客戶生命周期角度分析,在客戶生命周期的過程中，各個不同的階段包含了許多重要的事件。數(shù)據(jù)挖掘技術(shù)可以應(yīng)用于客戶生命周期的各個階段提高企業(yè)客戶關(guān)系管理能力，包括爭取新的客戶，讓已有的客戶創(chuàng)造更多的利潤、保持住有價值的客戶等等。,從客戶各生命周期角度分析,,潛在客戶期市場活動及數(shù)據(jù)挖掘應(yīng)用,潛在客戶獲得活動是針對目標市場的營銷活動，尋找對企業(yè)產(chǎn)品或服務(wù)感興趣的人。值得注意的是

66、，在這個階段缺乏客戶數(shù)據(jù)。數(shù)據(jù)挖掘可以把以前的客戶對類似活動的響應(yīng)進行挖掘，從而把市場活動重點鎖定在以前的響應(yīng)者身上。一個更好的方法就是尋找和高價值的客戶類似的潛在客戶——只要一次就獲得正確的客戶。通常，獲得活動使用廣告和其它市場宣傳媒體。無論何種渠道，數(shù)據(jù)挖掘在發(fā)現(xiàn)最重要的客戶特定市場中發(fā)揮重要作用，決定著市場活動的類型、廣告空間等一些宣傳問題。,客戶響應(yīng)期市場活動及數(shù)據(jù)挖掘應(yīng)用,潛在客戶通過以下幾種途徑成為響應(yīng)者：登陸企業(yè)網(wǎng)站；

67、撥打免費電話；填寫申請表等。把潛在客戶改變成為確定的客戶、能夠被鎖定和跟蹤的客戶。雖然響應(yīng)者還沒有購買任何產(chǎn)品或服務(wù)，但他們有很大的可能性成為購買者，并成為企業(yè)客戶。數(shù)據(jù)挖掘通常被用來判定哪些潛在客戶會變成響應(yīng)者。預(yù)測模型也用來判定哪些響應(yīng)者會成為企業(yè)即得客戶。,即得客戶市場活動及數(shù)據(jù)挖應(yīng)用(1),響應(yīng)者購買企業(yè)產(chǎn)品的時候就變成了企業(yè)即得客戶。這意味著他們已經(jīng)進行了第一次的購買活動。在即得客戶階段包括許多活動。最重要的活動可以劃分

68、為三：刺激使用(使用展現(xiàn)了客戶行為，當(dāng)使用是企業(yè)收入的主要來源，刺激使用就成為企業(yè)的重要目標。使用模式因不同的客戶市場而有所不同)；交叉銷售(鼓勵客戶購買與第一次購買不同的產(chǎn)品或服務(wù)的市場營銷活動)； 升級銷售(鼓勵客戶升級現(xiàn)有的產(chǎn)品和服務(wù)的市場營銷活動)。,即得客戶市場活動及應(yīng)用(2),即得客戶是數(shù)據(jù)挖掘的重要區(qū)域?？蛻羰褂没顒犹峁┝丝蛻粜袨槟Ｊ降淖畋举|(zhì)的東西。預(yù)測什么時候會發(fā)生客戶活動，判定哪個客戶可能對交叉銷售和升級銷售活動做