市場營銷中的數據分析方法

1、市場營銷中的數據分析方法,,報告內容,原理篇客戶關系管理中的數量方法 方法篇數據分析方法概論統(tǒng)計分析方法數據挖掘分析方法 工具篇常用數據分析工具簡介 總結基本結論,,市場營銷中的數量決策問題,傳統(tǒng)的純粹定性描述方法已遠遠不能滿足現代市場營銷實踐的需要，為了體現市場營銷學本身的科學性和對企業(yè)實踐的指導性，數據分析理論與方法在市場營銷學中占有越來越重要的地位。理論上－>計量市場營銷學的出現理念上－>數據庫營

2、銷、關系營銷的興起實務上－>數據挖掘技術在客戶關系管理中的應用探察數量決策問題的兩個視角理論上的框架要素實務上的業(yè)務流程,,視角一：市場營銷學的理論框架,,核心概念營銷觀念,營銷計劃營銷組織營銷控制營銷審計,產品策略定價策略分銷策略促銷策略,需求分析市場細分目標市場市場定位,,,基礎理論,戰(zhàn)略理論,策略理論,管理理論,,視角一示例：市場營銷中的產品決策,產品定位定位圖分析（感知定位圖、偏好定位圖等）

3、新產品擴散與產品生命周期管理巴斯模型（BASS Model）生長曲線模型（Growth Curve Model）品牌決策消費者品牌選擇模型,視角二示例：電信業(yè)業(yè)務流程視圖（eTOM）,,視角二示例：理解客戶與市場,市場購買行為消費者購買行為模型消費者品牌選擇模型市場需求測量市場需求預測模型市場細分,客戶生命周期與市場營銷策略,,客戶生命周期,在不同生命周期階段需考慮不同問題,,如何發(fā)現并獲取潛在客戶？,階段A （A

4、cquisition）客戶獲取,,,,如何把客戶培養(yǎng)成高價值客戶？,階段B：（Build-up）客戶提升,如何使客戶使用新電信產品?如何培養(yǎng)顧客忠誠度？,階段C：(Climax)客戶成熟,,如何延長客戶“生命周期”？,階段D：(Decline)客戶衰退,,如何贏回客戶？,階段E：(Exit)客戶離網,,,,客戶價值,多種分析主題在不同時期應用,,客戶獲取市場細分與產品定位目標客戶特征識別,刺激需求提升銷售,交叉

5、銷售目標營銷,客戶保持生存分析客戶風險,客戶挽留,,客戶細分,細分是指將一個大的消費群體劃分成一個個細分群的動作，同屬于一個細分群的消費者彼此相似，而隸屬于不同細分群的消費者被視為不同。細分的目的可以讓管理者從一個比較高的層次上“鳥瞰”整個數據庫中的數據，從而可以用不同的方法對待處于不同細分群眾的客戶，提供相對個性化的服務?？蛻艏毞值哪康母玫牧私饪蛻艚Y構改善客戶管理與溝通增加客戶貢獻度客戶細分中的數量方法聚類分析卡

6、方自動交互檢測（CHAID）,營銷策略客戶保持基于獎賞及高成本事件驅動的保持策略專注的, 區(qū)分優(yōu)先級的Call center支持客戶獲取刻畫子分群的特征建立跟蹤系統(tǒng)（tracking systems）以從價值的角度監(jiān)控新來的客戶交叉銷售對高價值客戶進行交叉銷售會產生更大的收益,,經常地, 頭20%的客戶貢獻了將近100% 的整體利潤. 這些客戶對CRM策略開發(fā)是至關重要的。,示例：基于價值的客戶細分（高價值客戶）,中間層

7、代表了客戶的大多數. 他們利潤較?。╰hin margins）但容量巨大（high volume）.,,營銷策略定價與行為改變識別服務機會 – 增強可能的定價結構性定價以鼓勵改善收益性的行為交叉銷售利用預測模型識別具有潛在價值的客戶利用事件營銷與關系營銷策略去增加產品的持有量渠道與服務的效率識別高成本/低回報的渠道并重新部署或調整結構定位高成本業(yè)務流程以流線化或渠道遷移,示例：基于價值的客戶細分（中價值客戶）,盡管數量

8、很少 (10% to 20%) 但他們消除了很大一部分的利潤.,,營銷策略改變定價識別與負利潤相關的定價策略與行為, 鼓勵服務使用與目標定價以增加或引入由服務改變而帶來的可能收入客戶風險避免向具有信用風險的客戶進行交叉銷售客戶獲取識別低價值客戶并積極地在獲取過程中避免與這類客戶發(fā)生接觸,示例：基于價值的客戶細分（低價值客戶）,,,High Value ??,High Value ??,Low Value ??,Low Val

9、ue ??,示例：基于生命階段的客戶細分,,客戶獲取,在大多數商業(yè)領域中，業(yè)務發(fā)展的主要指標里包括新客戶的獲取能力。新客戶的獲取包括發(fā)現那些對你的產品不了解的客戶，也包括以前接受你的競爭對手服務的顧客?？蛻臬@取中的數量方法特征識別（Profiling and Penetration Analysis）響應模型（Response Model）,,客戶保持,隨著行業(yè)的競爭越來越激烈和獲得一個新客戶的開支愈來愈大，保持原有客戶的工作愈

10、來愈有價值。客戶保持中的數量方法流失預測模型客戶忠誠度模型,,交叉銷售與提升銷售,交叉營銷是指你向現有的客戶提供新的產品和服務的營銷過程。公司與其客戶之間的商業(yè)關系是一種持續(xù)的不斷發(fā)展的關系，在這種關系建立起來以后，可以有很多種方法來不斷改善這種關系。雙方的目標是達到雙贏的結果，客戶獲益是由于他們得到了更好更貼切的服務質量，商家則因為增加銷售量獲利。交叉銷售中的數量方法購買傾向預測產品關聯(lián)分析,客戶流失,客戶流失預警分品牌

11、、高/中/低價值、主動/被動構建模型分類預測數據挖掘模型客戶挽留流程設計彩鈴客戶流失預警分主動/捆綁構建模型分類預測數據挖掘模型客戶挽留流程設計競爭對手流失預警聯(lián)通用戶流失預測客戶挽留流程設計,交叉銷售與提升銷售,購買傾向預測彩鈴預測模型彩信預測模型WAP預測模型購物藍分析產品關聯(lián)分析營銷方案關聯(lián)分析提升銷售價值提升預測模型,營銷案預演,營銷預演是為了支持業(yè)務人員制訂新的資費營銷方案，然后對該方案在歷史

12、數據上做相應的測算，從而根據測算結果來指導下一步工作。,營銷活動管理-CMP,KPI預測模型,個人客戶分群,個人客戶價值評估,新產品生命周期分析,,報告內容,原理篇客戶關系管理中的數量方法 方法篇數據分析方法概論統(tǒng)計分析方法數據挖掘分析方法 工具篇常用數據分析工具簡介 總結基本結論,,數量分析方法（Quantitative Analysis）,數量分析是對事物的數量特征、數量關系與數量變化的分析。數量分析的類型按照

13、分析的目的探索性數據分析描述性數據分析解釋性數據分析按照問題的本質確定性分析不確定性分析,,數量分析中的模型化方法,數量模型是對現實問題的描述和模仿模型是為認識目的或實踐目的而建立的典型的模型化過程,數據分析模型,E.F.Codd的數據分析模型絕對模型（Categorical Model）：依據預定義路徑尋找原因，如查詢解釋模型（Exegetical Model）：依據多層次路徑尋找原因，如多維分析思考模型（Con

14、templative Model）：參數化路徑，如場景分析公式模型（Formulaic Model）：模型化路徑，如數據挖掘,,What happened ?,Why did it happen ?,What will happen ?,,ROI,,應用復雜性,,Human Discovery,Machine-assisted Discovery,,常用的數據分析方法/模型,數量分析是對事物的數量特征、數量關系與數量變化的分析。數量

15、分析的類型按照分析的目的探索性數據分析描述性數據分析解釋性數據分析按照問題的本質確定性分析不確定性分析,,認識分析數據：數據測量尺度,名義尺度有序尺度間隔尺度比例尺度,,認識分析數據：數據結構類型,截面數據（Cross-section Data）時間序列數據（Time-series Data）面板數據（Panel Data）,,數據分析的出發(fā)點：數據矩陣,截面數據（Cross-section Data）時間序列

16、數據（Time-series Data）面板數據（Panel Data）,,常用的統(tǒng)計分析方法,數據分類分析聚類分析判別分析數據化簡分析主成分分析因子分析數據相關分析回歸分析典型相關分析數據預測分析時間序列預測,什么是數據挖掘？,Data,Information,Knowledge,Wisdom,存在太多數據挖掘的定義，但基本上有這樣一種描述結構To find / discover / extract / dr

17、edge / harvest 、、、Interesting / novel / useful / implicit / actable / meaningful 、、、Information / knowledge / patterns / trends / rules / anomalies 、、、In massive data / large data set / large database / data warehouse

18、 、、、,Data + context,Information + rules,Knowledge + experience,為什么會出現數據挖掘？,數據爆炸性增長是數據挖掘技術應運而生的根本原因。只見樹木，不見森林（Drowning in data but starving for information）計算復雜度數據管理問題數據類型的多樣性,處理大容量數據是數據挖掘技術區(qū)別于其他數據分析方法的唯一標志嗎？,其他數據

19、分析方法：統(tǒng)計學,從處理數據的角度看、、、數據規(guī)模不同數據來源不同：觀測數據（Secondary Analysis） VS 試驗數據（Primary Analysis）數據類型不同（結構化數據、半結構化數據、非結構化數據）從分析思想的角度看更關注實證性分析（Empirical Analysis）而非探索性分析（Exploratory Analysis）更關注模型（Model）而非算法（Algorithm）但二者具有相當密切

20、的聯(lián)系從數據分析的角度，統(tǒng)計學現在是且仍將是數據挖掘最重要的技術支撐和思想源泉更加深入的滲透和交叉（如探索性數據分析，EDA）,數據挖掘是數據驅動的探索性分析 !,數據挖掘：多學科的匯合,數據挖掘,數據庫技術,統(tǒng)計學,其它學科,信息科學,機器學習,可視化,,,,,,,人工智能,,科學計算,,數據挖掘是一個過程,“from data mining to knowledge discovery in database”. U. fay

21、yad, G.P.Shapiro and P.Smyth (1996),數據挖掘過程中的數據預處理,數據清洗填充缺失值, 修均噪聲數據, 識別或刪除孤立點, 并解決數據不一致問題主要分析方法：分箱（Binning）、聚類、回歸數據集成多個數據庫、數據方或文件的集成數據變換規(guī)范化與匯總數據簡化減少數據量的同時, 還可以得到相同或相近的分析結果主要分析方法：抽樣、主成分分析數據離散化數據簡化的一部分, 但非常重要 (尤

22、其對于數值型數據來說),數據挖掘過程中的數據探索,探索性數據分析（Exploratory Data Analysis, EDA）探索性地查看數據，概括數據集的結構和關系對數據集沒有各種嚴格假定“玩”數據主要任務數據可視化（a picture is worth a thousand words）殘差分析（數據＝擬合 + 殘差）數據的重新表達（什么樣的尺度－對數抑或平方跟－會簡化分析？）方法的耐抗性（對數據局部不良的不敏感性

23、，如中位數耐抗甚于均值）常見方法統(tǒng)計量，如均值、方差、根方差、協(xié)方差、峰度、偏度、相關系數等統(tǒng)計圖，如餅圖、直方圖、散點圖、箱尾圖等模型，如聚類,數據挖掘結果的評價,興趣度度量：一個模式是有意義的，如果它易于被人理解，在某種程度上，對于新數據或者測試數據是有效的、潛在有用或者驗證了用戶渴望確認的某些假設。目前仍無很好的解決辦法，很大程度上仍依靠人工不存在解決這個問題的簡單技術，最終答案是不要把數據挖掘當作脫離數據內涵的簡單技

24、術來運用客觀興趣度：基于統(tǒng)計或模式的結構，如統(tǒng)計量、支持度、lift等主觀興趣度：基于用戶對數據的確信程度，如意外程度、新奇程度或者可行動性等過度擬合（Over-fitting）問題,什么不是數據挖掘？,定量分析（Quantitative Analysis）的需要存在企業(yè)管理運行的各個側面或環(huán)節(jié)，但并非所有的定量分析問題都可以歸結到數據挖掘范疇的問題。簡單的報表、圖表及多維分析仍是日常分析工作的主要內容小樣本數據的分析傳統(tǒng)統(tǒng)計

25、分析方法更成熟有效，如趨勢預測某些特定業(yè)務問題無法用數據挖掘算法加以解決，例如資源最優(yōu)配置問題是個運籌學問題某些物流管理問題或者供應鏈管理問題是個隨機規(guī)劃問題營銷預演本質是個系統(tǒng)仿真問題,幾個基本概念,模型（Model） vs 模式（Pattern）數據挖掘的根本目的就是把樣本數據中隱含的結構泛化（Generalize）到總體（Population）上去模型：對數據集的一種全局性的整體特征的描述或概括，適用于數據空間中的所有

26、點，例如聚類分析模式：對數據集的一種局部性的有限特征的描述或概括，適用于數據空間的一個子集，例如關聯(lián)分析算法（Algorithm）：一個定義完備（well-defined）的過程，它以數據作為輸入并產生模型或模式形式的輸出描述型挖掘（Descriptive） vs 預測型挖掘（Predictive）描述型挖掘：對數據進行概括，以方便的形式呈現數據的重要特征預測型挖掘：根據觀察到的對象特征值來預測它的其他特征值描述型挖掘可以是

27、目的，也可以是手段,幾類基本的挖掘算法,關聯(lián)規(guī)則（模式、描述型）發(fā)現數據集中的頻繁模式例如：buy(x,”diapers”) ? buy(x,”beers”) [0.5%, 60%]分類與預測（模型、預測型）發(fā)現能夠區(qū)分或預測目標變量（唯一的）的規(guī)則或者函數分類的目標變量一般是范疇型的，而預測則是數量型的，并不必然帶有任何時間延續(xù)型的暗示例如：股票市值的預測，病人病情的判斷聚類（模型、描述型）對數據分組以形成新類，類標記

28、是未知的例如：市場細分孤立點探測（Outlier Detection）（模式、預測型）分析異?；蛟肼晹祿男袨槟Ｊ嚼纾浩墼p檢測,關聯(lián)規(guī)則的基本概念,基本定義給定（1）事務數據集（2）每個事務是數據項的集合，試圖發(fā)現項集中的頻繁模式或關聯(lián)關系所謂頻繁模式或者關聯(lián)規(guī)則就是一個具有“A ? B”形式的邏輯蘊涵式頻繁模式并不必然蘊涵著因果關系或相關關系！算法實現基本上基于APRIORI法則：頻繁項集的所有非空子集一定也是頻繁（

29、Frequent）的基本分類布爾關聯(lián)規(guī)則 vs 定量關聯(lián)規(guī)則buy(x,”diapers”) ? buy(x,”beers”)Age(x,”30..39”) ^ income(x,”42k..48k”) ? buy(x,”PC”)單維關聯(lián)規(guī)則 vs 多維關聯(lián)規(guī)則單層關聯(lián)規(guī)則 vs 多層關聯(lián)規(guī)則Age(x,”30..39”) ^ income(x,”42k..48k”) ? buy(x,”IBM PC”)序列模式（Sequ

30、ence Pattern）數據項是一個包含時間標簽的序偶[item(i),t],關聯(lián)規(guī)則的度量,發(fā)現具有最小置信度和支持度的全部規(guī)則 X ^ Y ? Z 支持度(support), s, 事務中包含{X & Y & Z}的概率置信度(confidence), c, 事務中包含{X & Y}的條件下, 包含Z的條件概率,令最小支持度為50%, 最小置信度為50%, 則有A ? C (50%, 66.6

31、%)C ? A (50%, 100%),,,,,,顧客購買尿布,顧客購買兩者,顧客購買啤酒,,對支持度與置信度的批判,示例總共5000名學生, 其中3000人玩籃球3750人吃谷類食品2000人既玩籃球又吃谷類食品play basketball ? eat cereal [40%, 66.7%] 是一個誤導規(guī)則, 因為吃谷類食品的學生占學生總數的75%, 比66.7%更高play basketball ? not

32、 eat cereal [20%, 33.3%] 其實是一個更精確的規(guī)則, 盡管它的支持度和置信度都比較低,關聯(lián)規(guī)則的應用,市場購物籃分析（Market Basket Analysis）例如一個事務是客戶的一個購物清單，同一客戶的兩份清單被認為是兩個不同的事務數據項是所有可能陳列貨物的全集目標是發(fā)現同時出現的貨品組合間的關聯(lián)模式應用：商品貨價設計、倉儲規(guī)劃、網頁布局、產品目錄設計等等交叉銷售（Cross Selling）客戶

33、依次購買不同產品的序列目標是發(fā)現在購買某一產品組合之后客戶可能購買的另一產品或服務應用：網絡故障分析、網站門戶設計等,分類問題的基本定義,給定一數據集合（訓練集）數據記錄由一系列變量組成其中有一個變量是目標分類標簽尋找一模型，使目標分類變量值是其他變量值的一個函數利用上述函數，一未知分類變量值的數據記錄能夠盡可能準確地被判定到某一類別中去一般會有另一獨立地數據集（測試集）用以驗證所構建分類函數的準確性，避免過度擬合,分類過

34、程示意,訓練集,,分類學習,訓練集,,分類器,,,,,IF rank = ‘professor’OR years > 6THEN tenured = ‘yes’,,,Jef is YES!,,,分類中的決策樹（Decision Tree）歸納,決策樹 類似于流程圖的樹型結構內部節(jié)點代表對某個屬性的一次測試分支代表測試的輸出結果葉節(jié)點代表分類標簽或分布決策樹的生成包括兩個階段樹的創(chuàng)建首先, 所有訓練樣本都位于根節(jié)點

35、遞歸地基于選擇屬性來劃分樣本集樹的修剪識別并刪除那些反映噪聲或孤立點的分支應用決策樹: 對未知樣本進行分類在決策樹上測試樣本的各個屬性值,決策樹示意,age?,overcast,student?,credit rating?,no,yes,fair,excellent,,,,<=30,>40,,,,,,,,,,no,no,yes,yes,yes,30..40,示例：是否購買計算機？,聚類的基本概念,基本定義將數據

36、對象集劃分成事先未知的分組或類別聚類的原則：類內相似度高，類間相似度低相似度一般為某種距離函數D(i,j)聚類既可以作為獨立分析工具考察數據分布結構，也可以作為其他分析方法的預處理步驟很不幸，對聚類結果的評價一般都是主觀的基本分類將數據對象集劃分成事先未知的分組或類別,聚類示意,基于歐氏距離的三維空間中的聚類,,,,,,,,,,,,,,,,,,,,,,,,,,,A1,A2,B1,,,,x,y,z,從算法到應用,,報告內容,原

37、理篇客戶關系管理中的數量方法 方法篇數據分析方法概論統(tǒng)計分析方法數據挖掘分析方法其他分析方法 工具篇常用數據分析工具簡介 總結基本結論,,數據分析軟件,數據分析軟件的種類按照分析模式統(tǒng)計分析軟件數據挖掘軟件OLAP軟件科學計算軟件按照分析范圍通用分析軟件專用分析軟件按照分析規(guī)模企業(yè)級分析軟件桌面級分析軟件,,數據分析軟件的基本特點,功能全面，系統(tǒng)地集成了多種成熟的數據分析方法有完善的數據定義、

38、操作和管理功能方便地生成各種統(tǒng)計圖形和統(tǒng)計表格使用方式簡單、靈活，有完備的聯(lián)機幫助功能軟件開放性好，能方便地和其他軟件進行數據交換,,學習使用統(tǒng)計分析軟件的基本方法,弄清分析的目的正確收集待處理和分析的數據(目的、影響因素的剔除）弄清分析方法的概念、含義和適用范圍。無需記憶公式選擇一種或幾種分析方法來探索性地分析數據讀懂計算機分析的數據結果，發(fā)現規(guī)律，得出結論,,SAS：The Power to Know,SAS (Sta

39、tistical Analysis System)是一個模塊化、集成化的大型應用軟件系統(tǒng)；目前國際上最流行的一種大型統(tǒng)計分析系統(tǒng)；統(tǒng)計分析的標準軟件SAS系統(tǒng)主要完成以數據為中心的四大任務：數據訪問；數據管理；數據呈現；數據分析。 它由數十個專用模塊構成，SAS/STAT（統(tǒng)計分析）；SAS/ETS（經濟計量與時間序列分析）；SAS/QC（質量控制管理）；SAS/OR（運籌學）；SAS/IML（矩陣運算）；SAS/GRAPH（繪圖）

40、等,,SPSS：Real Stat, Real Easy,SPSS（Statistical Package for the Social Science）－－社會科學統(tǒng)計軟件包是世界是著名的統(tǒng)計分析軟件之一。SPSS for Windows是一個組合式軟件包，它集數據整理、分析功能于一身。用戶可以根據實際需要和計算機的功能選擇模塊，以降低對系統(tǒng)硬盤容量的要求，有利于該軟件的推廣應用。SPSS的基本功能包括數據管理、統(tǒng)計分析、圖表分析

41、、輸出管理等等。SPSS統(tǒng)計分析過程包括描述性統(tǒng)計、均值比較、一般線性模型、相關分析、回歸分析、對數線性模型、聚類分析、數據簡化、生存分析、時間序列分析、多重響應等幾大類，每類中又分好幾個統(tǒng)計過程，比如回歸分析中又分線性回歸分析、曲線估計、Logistic回歸、Probit回歸、加權估計、兩階段最小二乘法、非線性回歸等多個統(tǒng)計過程，而且每個過程中又允許用戶選擇不同的方法及參數。SPSS也有專門的繪圖系統(tǒng)，可以根據數據繪制各種圖形。,,報

42、告內容,原理篇客戶關系管理中的數量方法 方法篇數據分析方法概論統(tǒng)計分析方法數據挖掘分析方法 工具篇常用數據分析工具簡介 總結基本結論,總結,關鍵是業(yè)務問題的發(fā)現及其構建以及切實迎合業(yè)務需要 從分析方法的角度切入討論只是手段而非目的 方法還是很重要的 方法應該是最不會成為問題的 方法是個工具箱,關于Teradata,,2005 Revenue by Business Unit,Teradata Dat

43、a Warehouse,Retail Solutions,Financial Solutions,Worldwide Customer Services,Systemedia,NCR公司概貌,Fortune 500 companyGlobal operations in over 100 countries & territoriesMore than 28,000 employe

44、es$6B revenueNon-pension operating income 3 point improvement to 9%,Teradata在Fortune500中的優(yōu)異表現,Leading industriesBanking GovernmentInsurance & HealthcareManufacturing RetailTelecommunicationsTransportation Lo

45、gisticsTravel World class customer listMore than 800 customersGlobal presence Over 100 countries and territories,FORTUNE Global Rankings, July 2005,Top Ten Ranking in Fortune 500,分析型CRM是擅長之一,,Retail,Financial,Trav

46、el,,,,Communications,,Insurance,,,,Manufacturing/Sourcing,Union Bank of Norway,,Technology ROI AwardsHarrah’s - Grand Prize WinnerState of Iowa - Winner, Public SectorTDWI Best Practices Award Enterprise Data Wareho

47、use: Union PacificGovernment & Non-profit: State of MichiganWorld Class Solution Awards Jefferson County Public Schools, winner- Data Management category; GCN Agency Awards US Air Force Knowledge Systems, Mate

48、rial Systems Group/Enterprise Systems DivisionNCDM Database Excellence AwardFubon Financial Holding Company (Taiwan) - Silver Award,CIO Magazine Enterprise Value AwardsContinental Airlines, Winner - TransportationAc

49、e Hardware, Winner - Retail/WholesaleIntelligent Enterprise Editors’ Choice AwardsTeradata named one of Intelligent Enterprise Dozen Most Influential CompaniesDM Review 100Teradata - industry leader in business int

50、elligence, data warehousing and analytics market CRM Market LeaderTeradata - Market Leader in CRM Analytics categoryBest Practices in Business IntelligenceLexisNexis, Managing and Enhancing BI Applications and Inf

51、rastructure categoryRealWare AwardsFubon Financial Holding Company, Merit Award Winner - Marketing Management, Best Intelligent CRM Application category,Teradata用戶所獲贊譽 - 2004,Teradata用戶所獲贊譽 - 2005,BI Excellence Award

52、Sponsor: Gartner GroupContinental Airlines 1to1 Impact AwardSponsor: Peppers & Rogers Continental Airlines - Technology OptimizationTDWI Best Practices AwardSunrise – Customer Relationship ManagementIn

53、novation PrizeSponsor: 01 InformatiqueChampion (groupe Carrefour),Computerworld’s Best Practices Award in Business IntelligenceHospital Corporation of America, Inc. - Creating a BI Vision and Strategies for Improved

54、ROI 2005 World Class Solution Award in the Business IntelligenceSponsor: DM Review Verizon Wireless – Business Intelligence CRM Magazine’s 2005 Market Leaders Awards Fubon Financial Holding - CRM Elite, Analytics,

55、,Teradata用戶所獲贊譽 - 2006,,TDWI Best Practices AwardsRoyal Bank of Canada - Enterprise Data WarehousingNationwide Insurance – Master Data ManagementPannon GSM - Predictive AnalyticsBNSF Railway, Inc. – Business Performa

56、nce ManagementVentana Research 2006 Performance Leadership AwardsBNSF Railway, Inc. - winner in Finance Performance Leadership,The DMA Awards, Financial Services Council National Australia Bank selected as winner of

57、The DMA’s Financial Services Company of the Year awardFinTech Asia AwardsSponsor: Financial Insight Asia/PacificChina Trust Commercial Bank – Winner in Customer Analytics2006 Supply & Demand Chain Executive 10