客戶關系管理

客戶關系管理第1頁，共63頁，2023年，2月20日，星期四Modeler界面四個工作區(qū)域：數(shù)據(jù)流區(qū)、節(jié)點區(qū)（選項板）、管理器區(qū)、工程管理區(qū)建模：通過連接節(jié)點構成數(shù)據(jù)流建立模型節(jié)點類型數(shù)據(jù)源節(jié)點：將數(shù)據(jù)引入SPSSModeler記錄處理節(jié)點：對數(shù)據(jù)記錄執(zhí)行操作，如選擇、合并和追加等字段選項節(jié)點：對數(shù)據(jù)字段執(zhí)行操作，如過濾、導出新字段等圖形節(jié)點：在建模前后以圖表形式顯示數(shù)據(jù)建模節(jié)點：使用SPSSModeler中提供的建模算法輸出節(jié)點：生成可在SPSSModeler中查看的數(shù)據(jù)、圖表和模型等多種輸出結果導出節(jié)點：生成可在外部應用程序中查看的多種輸出2第2頁，共63頁，2023年，2月20日，星期四Modeler數(shù)據(jù)分析步驟讀取數(shù)據(jù)數(shù)據(jù)整理字段和記錄：數(shù)據(jù)初處理數(shù)據(jù)理解建模模型評估結果發(fā)布3第3頁，共63頁，2023年，2月20日，星期四構建數(shù)據(jù)流的基本操作節(jié)點增加節(jié)點刪除節(jié)點的編輯節(jié)點連接：以形成數(shù)據(jù)流4第4頁，共63頁，2023年，2月20日，星期四一、數(shù)據(jù)源可變文件：從自由格式文本文件（其記錄包含的字段數(shù)不變，但包含的字符數(shù)可改變）中讀資料；固定文件：從固定字段文本文件中讀入資料（其字段沒有被分隔，但開始位置相同且長度固定）；數(shù)據(jù)庫：使用ODBC來源節(jié)點從其它各種數(shù)據(jù)庫中導入資料Excel用戶輸入：字段名、字段類型、值，生成所有組合或按順序的數(shù)據(jù)序列5第5頁，共63頁，2023年，2月20日，星期四數(shù)據(jù)類型數(shù)據(jù)存儲類型：字符串型、整數(shù)型、實數(shù)型、日期型、時間型等；數(shù)據(jù)類型：連續(xù)型、離散型、標志型、集合型、有序集合、無類型；標志：用于只取兩個具體值的數(shù)據(jù)（Yes/No,0/1）集合：用于描述帶有多個具體值的數(shù)據(jù)（地區(qū)）；有序集合：用于描述帶有多個具體值且有順序的數(shù)據(jù)（教育程度）6第6頁，共63頁，2023年，2月20日，星期四二、記錄選項選擇：根據(jù)具體條件從資料流程中選擇或排除某一記錄子集；抽樣：限制通過流的記錄數(shù)或排除一定比例的記錄；匯總：把一系列輸入記錄變換成匯總性輸出記錄；排序：根據(jù)一個或多個字段值對記錄進行升序或降序排列7第7頁，共63頁，2023年，2月20日，星期四三、字段選項類型：指定字段的一系列重要屬性；過濾：(1)從通過的記錄中過濾或剔除字段；(2)重命名字段；(3)把字段從一個來源節(jié)點映射到另一個填充：替換字段值以及改變存儲類型8第8頁，共63頁，2023年，2月20日，星期四Modeler模型的類型（1）決策樹模型用于分類，基于一組決策規(guī)則來預測或分類未來的觀測值。C&RT（分類和回歸樹）節(jié)點生成可用于預測和分類未來觀測值的決策樹CHAID使用卡方統(tǒng)計量來生成決策樹，以確定最佳的分割。CHAID與C&RT節(jié)點不一樣，它可以生成非二元樹，這意味著有些分割將有多于兩個的分支。C5.0節(jié)點構建決策樹或規(guī)則集。目標字段必須為分類字段。9第9頁，共63頁，2023年，2月20日，星期四Modeler模型的類型（2）神經(jīng)網(wǎng)絡模型神經(jīng)網(wǎng)絡節(jié)點使用的模型是對人類大腦處理信息的方式簡化了的模型。只需要最少的統(tǒng)計或數(shù)學知識就可以對其進行訓練或應用。10第10頁，共63頁，2023年，2月20日，星期四Modeler模型的類型（3）聚類模型K-Means節(jié)點將數(shù)據(jù)集聚類到不同分組（或聚類）TwoStep節(jié)點使用兩步聚類方法。第一步完成簡單數(shù)據(jù)處理，以便將原始輸入數(shù)據(jù)壓縮為可管理的子聚類集合。第二步使用層級聚類方法將子聚類一步一步合并為更大的聚類。Kohonen節(jié)點會生成一種神經(jīng)網(wǎng)絡，此神經(jīng)網(wǎng)絡可用于將數(shù)據(jù)集聚類到各個差異組。11第11頁，共63頁，2023年，2月20日，星期四Modeler模型的類型（4）關聯(lián)模型將一組條件與一個特定結論（例如決定購買某樣東西）相關聯(lián)廣義規(guī)則歸納法（GRI）節(jié)點將發(fā)現(xiàn)數(shù)據(jù)關聯(lián)規(guī)則。例如，購買了剔須刀的客戶在購買剔須膏之后，還可能會購買剔須霜。Apriori（先驗）節(jié)點從數(shù)據(jù)抽取一組規(guī)則，即抽取信息內容最多的規(guī)則。序列節(jié)點可發(fā)現(xiàn)連續(xù)數(shù)據(jù)或與時間有關的數(shù)據(jù)中的關聯(lián)規(guī)則。例如，一個購買了剃刀和須后水的顧客可能在下次購物時購買剃須膏。12第12頁，共63頁，2023年，2月20日，星期四四、圖形使用圖形節(jié)點對數(shù)據(jù)進行探索性分析散點圖分布圖直方圖集合網(wǎng)絡圖……13第13頁，共63頁，2023年，2月20日，星期四建模分析（1）:CHAID決策樹背景：某電話公司的數(shù)據(jù)倉庫包含有關該公司的5000名客戶對特定促銷活動響應的信息。數(shù)據(jù)中包括客戶年齡、職業(yè)、收入和電話使用統(tǒng)計量。其中有三個“目標”字段，顯示客戶是否響應這三種促銷。公司希望利用此數(shù)據(jù)幫助預測未來中最有可能對類似的促銷活動作出響應的客戶。數(shù)據(jù)源：customer_dbase.sav14第14頁，共63頁，2023年，2月20日，星期四使用CHAID決策樹開發(fā)模型，用以預測最有可能響應某一次促銷活動（Response_01）的客戶。方法：不使用特征選擇。數(shù)據(jù)集中的所有預測變量字段用作CHAID樹的輸入。使用特征選擇模型。使用特征選擇節(jié)點選擇最佳的10個預測變量，然后將其輸入到CHAID樹中。15第15頁，共63頁，2023年，2月20日，星期四添加類型節(jié)點并將response_01的方向設置為輸出；將客戶ID(custid)和其他響應字段（response_02和response_03）的方向設置為無；將所有其他字段的方向設置為輸入；添加特征選擇建模節(jié)點；執(zhí)行流以生成特征選擇模型。16第16頁，共63頁，2023年，2月20日，星期四數(shù)據(jù)流生成的特征選擇模型顯示了所找到的對預測非常有用的字段，選擇前10個預測變量17第17頁，共63頁，2023年，2月20日，星期四CHAID分析結果18第18頁，共63頁，2023年，2月20日，星期四結果解釋查看器-生成樹第二個樹比第一個樹包含的樹節(jié)點要少，但其是否能夠有效分出對于促銷活動相應的客戶？有效性比較-收益選擇目標類別為1（即響應營銷活動的），將樹的終端節(jié)點分組為四分位數(shù)。要比較兩個模型的有效性，可查看每個表中四分位數(shù)的提升（即指數(shù)值的變化）。同時考慮終端葉子節(jié)點的數(shù)量19第19頁，共63頁，2023年，2月20日，星期四建模分析（2）:C&RT決策樹分類和回歸樹節(jié)點(C&RT)是一種基于樹的分類和預測方法，此方法使用遞歸分區(qū)將訓練記錄分割為多個具有相似的輸出字段值的段。背景:將C&RT決策樹模型應用于有線電視銷售的客戶分析，其中的目標字段為是否有意預訂有線電視交互服務。預測變量字段包括年齡、性別、教育、收入類別、每天看電視的時間和子女數(shù)（按有序集合編碼，值5表示5個或更多）。數(shù)據(jù)源:NewsChan.sav20第20頁，共63頁，2023年，2月20日，星期四類型節(jié)點設置NEWSCHAN設置為標志，方向設置為輸出；其他所有字段用作預測變量（輸入）。模型參數(shù)設置交互會話選擇專家模式，修剪樹和使用標準誤規(guī)則，最小雜質改變值設置為0.003（增加此值可傾向于生成較簡單的樹）。停止標準：最小絕對臨界值為25和10。21第21頁，共63頁，2023年，2月20日，星期四執(zhí)行節(jié)點。此時將出現(xiàn)交互樹窗口，在其中可以生成并編輯樹。生成樹和修剪(五層和五個終端節(jié)點)根據(jù)當前樹生成模型可使用此流生成模型，將生成的NEWSCHAN1模型連接到類型節(jié)點。并將其連接表節(jié)點并執(zhí)行流。22第22頁，共63頁，2023年，2月20日，星期四數(shù)據(jù)流23第23頁，共63頁，2023年，2月20日，星期四結果解釋單擊交互樹窗口底部的收益選項卡，選擇1為目標類別以查看響應“是”的收益。收益：節(jié)點中具有目標類別的數(shù)量/占總體的百分比響應：節(jié)點中具有目標類別的百分比指數(shù)值：大于100%的節(jié)點表示，通過從這些節(jié)點中選擇記錄而不是從整個樣本中隨機選擇記錄，能夠有更多的機會找到愿意接受預訂的用戶。選中目標節(jié)點，生成“選擇節(jié)點”從總體數(shù)據(jù)中生成滿足目標類別的樣本生成模型——導出到表（預測值、置信度）24第24頁，共63頁，2023年，2月20日，星期四建模分析(3):關聯(lián)分析與客戶描述關聯(lián)規(guī)則分析的兩種方法：可視化技術（例如Web圖節(jié)點）關聯(lián)規(guī)則模型背景：超市客戶數(shù)據(jù)，包括客戶基本信息和購買商品信息，通過關聯(lián)分析尋找客戶購買產(chǎn)品之間的關系并且按人口統(tǒng)計信息（年齡、收入等）刻畫其目標客戶群體的特征數(shù)據(jù)源：BASKETS1n文本數(shù)據(jù)25第25頁，共63頁，2023年，2月20日，星期四數(shù)據(jù)流構建類型節(jié)點設置讀取值設置類型：將用戶卡號cardid的類型設置為無類型，統(tǒng)計數(shù)據(jù)的方向均設置為無（在模型中不使用），產(chǎn)品類別設置為標志類型，并將方向設置為雙向（同時作為模型的輸入和輸出變量）。加入表節(jié)點：進行數(shù)據(jù)瀏覽三大類型數(shù)據(jù)：購物籃信息（卡號、購買價格、支付方式），持卡人信息（性別、住房、收入、年齡），商品類型信息（蔬菜水果類、鮮肉類、奶制品、罐頭蔬菜類等等）26第26頁，共63頁，2023年，2月20日，星期四模型建立加入web圖節(jié)點加入關聯(lián)分析Apriori\CARMA\GRI模型（一般規(guī)則歸納法）Apriori模型可以接受兩種數(shù)據(jù)排列方式，GRI和CARMA只接受一種排列方式；只接受名義字段，且字段在方向設定時必須為雙向。設置模型參數(shù)支持度S=P(A∪B)置信度C=P(B|A)Lift=P(AUB)/P(A)P(B)27第27頁，共63頁，2023年，2月20日，星期四28第28頁，共63頁，2023年，2月20日，星期四結果解釋GRI關聯(lián)分析結果：多種商品之間存在關聯(lián)；Web圖29第29頁，共63頁，2023年，2月20日，星期四設置web圖選擇全部產(chǎn)品類型字段，僅顯示真值標志（同時為T的購買記錄）拉動鏈接數(shù)顯示滑塊，當顯示鏈接高于100時，可獲得三個強鏈接Web輸出控件的對話框中可指定弱連接和強連接（單擊工具欄上的黃色雙箭頭按鈕，展開顯示）在web圖設置選項中可預設30第30頁，共63頁，2023年，2月20日，星期四結果解釋三類關聯(lián)商品突出顯示：魚和果蔬；酒和糖果；啤酒、冷凍肉和罐裝蔬菜決策建議：商品陳列：在擺放貨架時，應該把罐裝蔬菜、冷凍肉品和啤酒放在相鄰的位置，把酒和糖果放在一起；客戶細分：三種關聯(lián)產(chǎn)品類別意味著三種不同購買習慣的客戶31第31頁，共63頁，2023年，2月20日，星期四客戶細分和描述根據(jù)客戶購買的產(chǎn)品類型標識了三個客戶群，但是還要知道這些客戶是誰，即識別他們的人口統(tǒng)計學特征，需要為每個群中的每名客戶添加標志使用規(guī)則歸納(C5.0模型，除了生成決策樹外還可以生成規(guī)則)來基于規(guī)則描繪這些標志的特征，可以實現(xiàn)這一點。32第32頁，共63頁，2023年，2月20日，星期四構建數(shù)據(jù)流使用創(chuàng)建的Web圖，可以自動生成每個群的標志。使用鼠標右鍵，單擊fruitveg和fish之間的鏈接，并選擇為鏈接生成導出節(jié)點。加入新類型節(jié)點，并進行參數(shù)設置：輸入、輸出變量。加入C5.0模型節(jié)點，設置為輸出規(guī)則集33第33頁，共63頁，2023年，2月20日，星期四數(shù)據(jù)流34第34頁，共63頁，2023年，2月20日，星期四結果解釋規(guī)則1用于Tifincome<=16900andsex=MthenT購買“非健康食品”的客戶特征為收入小于16900且性別為Male決策建議：在零售領域，可能會使用這種客戶組確定特殊優(yōu)惠目標，以提高促銷響應率。35第35頁，共63頁，2023年，2月20日，星期四建模分析（4）：Logistic回歸分析Logistic回歸可根據(jù)輸入字段的值對記錄進行分類。這種統(tǒng)計方法類似于線性回歸，但是它使用的是分類目標字段而非數(shù)值目標字段。背景：假設某個電信服務提供商非常關心流失到競爭對手那里的客戶數(shù)。如果可以使用服務使用數(shù)據(jù)預測有可能轉移到其他提供商的客戶，則可通過定制服務使用數(shù)據(jù)來盡可能多地保留這些客戶。因為目標含有兩個截然不同的類別，因此將使用二項模型。如果目標中含有多個類別，則會轉而創(chuàng)建多項模型。數(shù)據(jù)源：telco.sav36第36頁，共63頁，2023年，2月20日，星期四類型節(jié)點設置添加類型節(jié)點以定義字段，確保所有類型都已正確設置。例如，值為0和1的大多數(shù)字段都可看作是標志字段。流失字段(churn)的類型設置為標志，并將其方向設置為輸出。所有其他字段的方向應設置為輸入。37第37頁，共63頁，2023年，2月20日，星期四數(shù)據(jù)流構建將特征選擇節(jié)點添加到SPSS文件節(jié)點并運行，從生成的模型節(jié)點中創(chuàng)建過濾節(jié)點，使用過濾節(jié)點選擇被認為很重要的數(shù)據(jù)來用作預測變量。將Logistic節(jié)點添加到超節(jié)點。在Logistic節(jié)點上，單擊“模型”選項卡并選擇二項過程。在二項過程區(qū)域，選擇前進法（逐步向模型中增加預測變量）。38第38頁，共63頁，2023年，2月20日，星期四數(shù)據(jù)流39第39頁，共63頁，2023年，2月20日，星期四結果解釋獲得客戶流失的五個關鍵性影響變量分類表：識別流失客戶的準確率42.4%，識別非流失客戶的準確率92.3%，總體準確率79.2%方程中的變量：回歸系數(shù)、顯著性輸出表節(jié)點：每個客戶的流失與否的概率40第40頁，共63頁，2023年，2月20日，星期四建模分析（4）：Logistic回歸分析背景：假設該電信服務提供商已按照服務使用模式對其客戶群進行了劃分(custcat字段)，將這些客戶分類到四個組中。使用人口統(tǒng)計數(shù)據(jù)預測客戶的所屬類別。數(shù)據(jù)源：telco.sav類型節(jié)點設置：客戶類別字段（custcat）的方向設置為輸出。所有其他字段的方向都應設置為輸入。過濾節(jié)點設置：使用過濾節(jié)點以選取相關字段（地區(qū)、年齡、婚姻狀況、地址、收入、教育程度、行業(yè)、退休、性別、居住地和客戶類別）。其他字段可以排除在此分析之外。41第41頁，共63頁，2023年，2月20日，星期四數(shù)據(jù)流構建添加Logistic節(jié)點，參數(shù)設置：選擇多項式Logistic，單擊模型選項卡并選擇逐步法。在“專家”選項卡上，選中專家模式，選中輸出，然后在“高級輸出”對話框中選中分類表。42第42頁，共63頁，2023年，2月20日，星期四數(shù)據(jù)流43第43頁，共63頁，2023年，2月20日，星期四結果解釋回歸方程顯示在人口統(tǒng)計指標中，模型識別出可用于預測客戶分組的主要指標包括：地址、教育程度、行業(yè)、居住地。分類表顯示了此模型的結果，其總體分類正確率為39.9%。特別是，此模型在識別類別4客戶時表現(xiàn)優(yōu)異（56.8%），而在識別類別2客戶時表現(xiàn)很差（4.6%）。44第44頁，共63頁，2023年，2月20日，星期四建模分析(5)：神經(jīng)網(wǎng)絡神經(jīng)網(wǎng)絡節(jié)點用于創(chuàng)建并訓練神經(jīng)網(wǎng)絡，通過學習過程（檢查單個記錄、為每個記錄生成預測、發(fā)現(xiàn)錯誤預測便對模型權值進行調整），神經(jīng)網(wǎng)絡可不斷提高預測效果。神經(jīng)網(wǎng)絡的三層：輸入層、隱藏層、輸出層隱藏層與神經(jīng)單元越多，神經(jīng)網(wǎng)絡越利于分析復雜關系45第45頁，共63頁，2023年，2月20日，星期四構建數(shù)據(jù)流預測零售產(chǎn)品類型和促銷活動對銷售的影響數(shù)據(jù)源節(jié)點：GOODS1n和GOODS2n字段選項節(jié)點：導出節(jié)點：增加Increase字段類型節(jié)點加入散點圖節(jié)點：探索Increase與Promotion之間的變化關系。加入神經(jīng)網(wǎng)絡模型，并通過表節(jié)點輸出結果46第46頁，共63頁，2023年，2月20日，星期四數(shù)據(jù)流47第47頁，共63頁，2023年，2月20日，星期四結果解釋-散點圖促銷投入與銷量增長之間的潛在線性關系48第48頁，共63頁，2023年，2月20日，星期四結果解釋-神經(jīng)網(wǎng)絡 估計的準確性:91.892

輸入層:7個神經(jīng)元 隱藏層1:3個神經(jīng)元 輸出層:1個神經(jīng)元 輸入的相對重要性

Class0.4626 Promotion0.282694 Cost0.0247975 Before0.013556949第49頁，共63頁，2023年，2月20日，星期四模型應用可以將該神經(jīng)網(wǎng)絡模型用于預測促銷投入對于銷售增長的拉動效果。導入數(shù)據(jù)GOOD2n，進行預測，將預測結果輸出為表，生成的$N-Increase為預測值50第50頁，共63頁，2023年，2月20日，星期四建模分析(6)：聚類分析Modeler中聚類分析模型包括Kohonen、Kmeans、TwoStep。Kohonen由一個輸入單元層和一個處理單元組成的神經(jīng)網(wǎng)絡生成聚類映像。K-Means通過定義一組起始聚類中心進行分類，然后根據(jù)記錄的輸入閾值把每個記錄分到與其最相似的聚類。TwoStep是一種分兩步進行的聚類方法，第一步單獨通過數(shù)據(jù)，第二步使用層次聚類方法。51第51頁，共63頁，2023年，2月20日，星期四聚類分析數(shù)據(jù)背景：對目標人群的健康情況進行分析，主要測量數(shù)據(jù)包括膽固醇、Na、Ka元素的含量，從而分為不同類別數(shù)據(jù)源：DRUG1n52第52頁，共63頁，2023年，2月20日，星期四類型節(jié)點：由于事先不知道數(shù)據(jù)的分類情況，聚類模型中參與分類的所有的字段方向均設置為輸入，Drug方向設置為無。加入聚類模型Kmeans節(jié)點：設置聚類數(shù)生成距離字段：某記錄與該類中心的距離顯示相似度：類與類間的距離執(zhí)行，生成模型結果節(jié)點加入圖形節(jié)點：分布圖53第53頁，共63頁，2023年，2月20日，星期四數(shù)據(jù)流54第54頁，共63頁，2023年，2月20日，星期四結果解釋55第55頁，共63頁，2023年，2月20日，星期四決策列表通過目標變量（yes或no）標識了子組或段，例如，尋找那些最不可能流失的客戶或最有可能對某個商業(yè)活動作出積極響應的客戶。段、規(guī)則和條件：模型由段列表組成，每個段由選擇匹配記錄的規(guī)則進行定義，給定的規(guī)則可以有多個條件要求：目標變量為標志類型或集合的分類目標字段，至少一個預測變量（輸入）字段。當目標字段類型為集合時，必須手動選擇一個值作為匹配或響應；所有其他值集中在一起作為不匹配。56第56頁，共63頁，2023年，2月2