一、数据挖掘定义
数据挖掘作用:描述过去、预测未来、评估,是商业智能(BI)一个重要应用方向。
**商业智能(BI)**是指通过对行业认知、经验、结合数学、管理、市场营销等理论,利用软件、算法(如:神经网络、遗传算法、聚类、客户细分等)对企业数据、业务、市场进行分析及预测,以图表、数据分析报告等形式给企业决策、市场营销、业务拓展、信息运营等做支撑工作。即商业智能(BI)=数据+人+工具+算法+知识+预测
数据挖掘的应用领域
二、数据挖掘建模步骤
1.理解业务
- 业务调研
访谈式、诱导式、确认式等。 - 问题定位
思维导图法:业务产生背景、目前发展状况、业务影响 - 制定目标
我们需要做什么、怎么实现? - 业务分析
产生原因分析:个人、企业、对手、第三方等。
2.指标设计
分类 | 分析方法 |
---|---|
战略管理 | SWOT分析、PEST分析、麦肯锡7s分析、五力模型、波士顿矩阵、通用矩阵 |
营销 | 4P-4C-4R、体验式营销、资费管理4阶段、品牌健康度、精准营销、整合营销 |
服务、渠道 | 客户满意度、客户期望管理、KANO服务质量模型 |
客户及客户心理 | 马斯洛需求理论、客户画像视图、峰终定律、心理定势、决策价值链 |
步骤:
- 客户认知需要
被动了解、主动了解 - 收集数据信息
被动了解、主动了解的指标数据 - 评价模型构建
- 客户购买决策情况
客户购买、变更、退订等情况 - 客户购后行为情况
主动传播、后期输出
3.数据提取
- 数据提取
- 数据清洗
缺失数据、错误数据、冗余数据处理等。 - 数据来源审核
- 数据集成
4.数据探索
- 数据检测、数据统计与描述、验证数据质量
- 数据转换以满足数据建模要求
5.算法选择
场景 | 算法 |
---|---|
客户细分、客户行为细分、市场细分 | 描述性算法,如:聚类分析 |
收入/风险预测、客户流失预测、产品交叉销售、潜在客户挖掘、客户欺诈等异常行为预测与分析 | 预测类算法 连续变量:线性回归、非线性回归、时间序列等;离散变量:神经网络、决策树、贝叶斯分析、logistic回归等;非预测类算法:关联分析、偏差检测等 |
客户价值评估、产品价值评估、渠道价值评估、客户满意度评估、客户稳定性评估 | 因子分析、主成分分析、数学统计公式 |
6.模型有效性、应用性评估
评估标准
评估方法
评估与参照对象、参照依据、评估准则的选择
评估工具
评估分析、增益图、提升图等
7.模型发布
- 根据模型输出结果,综合分析业务现状并制定针对性市场策略
- 针对性客户营销和服务
- 数据挖掘模型及其功能展示