市場(chǎng)營(yíng)銷中的數(shù)據(jù)分析方法經(jīng)典

市場(chǎng)營(yíng)銷中的數(shù)據(jù)分析方法Agenda2024/6/20可編輯Usefultipsandtricks TitleimagesAgendaslidesTextandimagepagesProcessandconceptslidesChartsTablesOrganizationalchartsMapsandflagsTimelinesFinalslides報(bào)告內(nèi)容原理篇客戶關(guān)系管理中的數(shù)量方法方法篇數(shù)據(jù)分析方法概論統(tǒng)計(jì)分析方法數(shù)據(jù)挖掘分析方法工具篇常用數(shù)據(jù)分析工具簡(jiǎn)介總結(jié)基本結(jié)論市場(chǎng)營(yíng)銷中的數(shù)量決策問題傳統(tǒng)的純粹定性描述方法已遠(yuǎn)遠(yuǎn)不能滿足現(xiàn)代市場(chǎng)營(yíng)銷實(shí)踐的需要，為了體現(xiàn)市場(chǎng)營(yíng)銷學(xué)本身的科學(xué)性和對(duì)企業(yè)實(shí)踐的指導(dǎo)性，數(shù)據(jù)分析理論與方法在市場(chǎng)營(yíng)銷學(xué)中占有越來(lái)越重要的地位。理論上－>計(jì)量市場(chǎng)營(yíng)銷學(xué)的出現(xiàn)理念上－>數(shù)據(jù)庫(kù)營(yíng)銷、關(guān)系營(yíng)銷的興起實(shí)務(wù)上－>數(shù)據(jù)挖掘技術(shù)在客戶關(guān)系管理中的應(yīng)用探察數(shù)量決策問題的兩個(gè)視角理論上的框架要素實(shí)務(wù)上的業(yè)務(wù)流程20June2024MarketingCommunications–2015StrategyandExecution4視角一：市場(chǎng)營(yíng)銷學(xué)的理論框架

核心概念營(yíng)銷觀念營(yíng)銷計(jì)劃營(yíng)銷組織營(yíng)銷控制營(yíng)銷審計(jì)產(chǎn)品策略定價(jià)策略分銷策略促銷策略需求分析市場(chǎng)細(xì)分目標(biāo)市場(chǎng)市場(chǎng)定位基礎(chǔ)理論戰(zhàn)略理論策略理論管理理論20June2024MarketingCommunications–2015StrategyandExecution5視角一示例：市場(chǎng)營(yíng)銷中的產(chǎn)品決策產(chǎn)品定位定位圖分析（感知定位圖、偏好定位圖等）新產(chǎn)品擴(kuò)散與產(chǎn)品生命周期管理巴斯模型（BASSModel）生長(zhǎng)曲線模型（GrowthCurveModel）品牌決策消費(fèi)者品牌選擇模型20June2024MarketingCommunications–2015StrategyandExecution6視角二示例：電信業(yè)業(yè)務(wù)流程視圖（eTOM）運(yùn)營(yíng)實(shí)施保障計(jì)費(fèi)運(yùn)營(yíng)支撐與就緒客戶關(guān)系管理服務(wù)管理與運(yùn)營(yíng)資源管理與運(yùn)營(yíng)供應(yīng)商/合作伙伴關(guān)系管理(應(yīng)用,計(jì)算與網(wǎng)絡(luò))企業(yè)管理戰(zhàn)略與企業(yè)規(guī)劃財(cái)務(wù)與資產(chǎn)管理企業(yè)質(zhì)量管理管理,過(guò)程與IT規(guī)劃&架構(gòu)股東與外部關(guān)系管理品牌管理,市場(chǎng)研究&廣告人力資源管理災(zāi)難恢復(fù),安全&欺詐管理研究與開發(fā),技術(shù)獲取戰(zhàn)略,基礎(chǔ)設(shè)施&產(chǎn)品產(chǎn)品周期管理基礎(chǔ)設(shè)施生命周期管理戰(zhàn)略與承諾營(yíng)銷&產(chǎn)品提供管理服務(wù)開發(fā)與管理資源開發(fā)與管理供應(yīng)鏈開發(fā)與管理(應(yīng)用,計(jì)算與網(wǎng)絡(luò))客戶20.06.2024TitlederPr?sentationundAutor視角二示例：理解客戶與市場(chǎng)市場(chǎng)購(gòu)買行為消費(fèi)者購(gòu)買行為模型消費(fèi)者品牌選擇模型市場(chǎng)需求測(cè)量市場(chǎng)需求預(yù)測(cè)模型市場(chǎng)細(xì)分20June2024MarketingCommunications–2015StrategyandExecution8客戶生命周期與市場(chǎng)營(yíng)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(xiàn)并獲取潛在客戶？階段A（Acquisition）客戶獲取如何把客戶培養(yǎng)成高價(jià)值客戶？階段B：（Build-up）客戶提升如何使客戶使用新電信產(chǎn)品?如何培養(yǎng)顧客忠誠(chéng)度？階段C：(Climax)客戶成熟如何延長(zhǎng)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(wǎng)客戶價(jià)值多種分析主題在不同時(shí)期應(yīng)用客戶獲取市場(chǎng)細(xì)分與產(chǎn)品定位目標(biāo)客戶特征識(shí)別刺激需求提升銷售交叉銷售目標(biāo)營(yíng)銷客戶保持生存分析客戶風(fēng)險(xiǎn)客戶挽留20June2024MarketingCommunications–2015StrategyandExecution9客戶細(xì)分細(xì)分是指將一個(gè)大的消費(fèi)群體劃分成一個(gè)個(gè)細(xì)分群的動(dòng)作，同屬于一個(gè)細(xì)分群的消費(fèi)者彼此相似，而隸屬于不同細(xì)分群的消費(fèi)者被視為不同。細(xì)分的目的可以讓管理者從一個(gè)比較高的層次上“鳥瞰”整個(gè)數(shù)據(jù)庫(kù)中的數(shù)據(jù)，從而可以用不同的方法對(duì)待處于不同細(xì)分群眾的客戶，提供相對(duì)個(gè)性化的服務(wù)。客戶細(xì)分的目的更好的了解客戶結(jié)構(gòu)改善客戶管理與溝通增加客戶貢獻(xiàn)度客戶細(xì)分中的數(shù)量方法聚類分析卡方自動(dòng)交互檢測(cè)（CHAID）20June2024MarketingCommunications–2015StrategyandExecution10營(yíng)銷策略客戶保持基于獎(jiǎng)賞及高成本事件驅(qū)動(dòng)的保持策略專注的,區(qū)分優(yōu)先級(jí)的Callcenter支持客戶獲取刻畫子分群的特征建立跟蹤系統(tǒng)（trackingsystems）以從價(jià)值的角度監(jiān)控新來(lái)的客戶交叉銷售對(duì)高價(jià)值客戶進(jìn)行交叉銷售會(huì)產(chǎn)生更大的收益經(jīng)常地,頭20%的客戶貢獻(xiàn)了將近100%的整體利潤(rùn).這些客戶對(duì)CRM策略開發(fā)是至關(guān)重要的。示例：基于價(jià)值的客戶細(xì)分（高價(jià)值客戶）20.06.2024TitlederPr?sentationundAutor中間層代表了客戶的大多數(shù).他們利潤(rùn)較?。╰hinmargins）但容量巨大（highvolume）.營(yíng)銷策略定價(jià)與行為改變識(shí)別服務(wù)機(jī)會(huì)–增強(qiáng)可能的定價(jià)結(jié)構(gòu)性定價(jià)以鼓勵(lì)改善收益性的行為交叉銷售利用預(yù)測(cè)模型識(shí)別具有潛在價(jià)值的客戶利用事件營(yíng)銷與關(guān)系營(yíng)銷策略去增加產(chǎn)品的持有量渠道與服務(wù)的效率識(shí)別高成本/低回報(bào)的渠道并重新部署或調(diào)整結(jié)構(gòu)定位高成本業(yè)務(wù)流程以流線化或渠道遷移示例：基于價(jià)值的客戶細(xì)分（中價(jià)值客戶）20.06.2024TitlederPr?sentationundAutor盡管數(shù)量很少

(10%to20%)但他們消除了很大一部分的利潤(rùn).營(yíng)銷策略改變定價(jià)識(shí)別與負(fù)利潤(rùn)相關(guān)的定價(jià)策略與行為,鼓勵(lì)服務(wù)使用與目標(biāo)定價(jià)以增加或引入由服務(wù)改變而帶來(lái)的可能收入客戶風(fēng)險(xiǎn)避免向具有信用風(fēng)險(xiǎn)的客戶進(jìn)行交叉銷售客戶獲取識(shí)別低價(jià)值客戶并積極地在獲取過(guò)程中避免與這類客戶發(fā)生接觸示例：基于價(jià)值的客戶細(xì)分（低價(jià)值客戶）20.06.2024TitlederPr?sentationundAutor

RetirementAgeChildrenIndependentWealthAccumulationFirstChildFirstHomePre-RetirementCareerLaunchIndependenceFinancialDebutEmploymentChangeMarriageHighValue??HighValue??LowValue??LowValue??示例：基于生命階段的客戶細(xì)分20June2024MarketingCommunications–2015StrategyandExecution14客戶獲取在大多數(shù)商業(yè)領(lǐng)域中，業(yè)務(wù)發(fā)展的主要指標(biāo)里包括新客戶的獲取能力。新客戶的獲取包括發(fā)現(xiàn)那些對(duì)你的產(chǎn)品不了解的客戶，也包括以前接受你的競(jìng)爭(zhēng)對(duì)手服務(wù)的顧客?？蛻臬@取中的數(shù)量方法特征識(shí)別（ProfilingandPenetrationAnalysis）響應(yīng)模型（ResponseModel）20June2024MarketingCommunications–2015StrategyandExecution15客戶保持隨著行業(yè)的競(jìng)爭(zhēng)越來(lái)越激烈和獲得一個(gè)新客戶的開支愈來(lái)愈大，保持原有客戶的工作愈來(lái)愈有價(jià)值?？蛻舯３种械臄?shù)量方法流失預(yù)測(cè)模型客戶忠誠(chéng)度模型20June2024MarketingCommunications–2015StrategyandExecution16交叉銷售與提升銷售交叉營(yíng)銷是指你向現(xiàn)有的客戶提供新的產(chǎn)品和服務(wù)的營(yíng)銷過(guò)程。公司與其客戶之間的商業(yè)關(guān)系是一種持續(xù)的不斷發(fā)展的關(guān)系，在這種關(guān)系建立起來(lái)以后，可以有很多種方法來(lái)不斷改善這種關(guān)系。雙方的目標(biāo)是達(dá)到雙贏的結(jié)果，客戶獲益是由于他們得到了更好更貼切的服務(wù)質(zhì)量，商家則因?yàn)樵黾愉N售量獲利。交叉銷售中的數(shù)量方法購(gòu)買傾向預(yù)測(cè)產(chǎn)品關(guān)聯(lián)分析20June2024MarketingCommunications–2015StrategyandExecution17客戶流失客戶流失預(yù)警分品牌、高/中/低價(jià)值、主動(dòng)/被動(dòng)構(gòu)建模型分類預(yù)測(cè)數(shù)據(jù)挖掘模型客戶挽留流程設(shè)計(jì)彩鈴客戶流失預(yù)警分主動(dòng)/捆綁構(gòu)建模型分類預(yù)測(cè)數(shù)據(jù)挖掘模型客戶挽留流程設(shè)計(jì)競(jìng)爭(zhēng)對(duì)手流失預(yù)警聯(lián)通用戶流失預(yù)測(cè)客戶挽留流程設(shè)計(jì)20.06.2024TitlederPr?sentationundAutor交叉銷售與提升銷售購(gòu)買傾向預(yù)測(cè)彩鈴預(yù)測(cè)模型彩信預(yù)測(cè)模型WAP預(yù)測(cè)模型購(gòu)物藍(lán)分析產(chǎn)品關(guān)聯(lián)分析營(yíng)銷方案關(guān)聯(lián)分析提升銷售價(jià)值提升預(yù)測(cè)模型營(yíng)銷案預(yù)演營(yíng)銷預(yù)演是為了支持業(yè)務(wù)人員制訂新的資費(fèi)營(yíng)銷方案，然后對(duì)該方案在歷史數(shù)據(jù)上做相應(yīng)的測(cè)算，從而根據(jù)測(cè)算結(jié)果來(lái)指導(dǎo)下一步工作。營(yíng)銷活動(dòng)管理-CMP需求名稱：營(yíng)銷活動(dòng)管理（CMP）提出時(shí)間：2006-01-01需求提出部門：市場(chǎng)部需求內(nèi)容描述：營(yíng)銷活動(dòng)管理。通過(guò)系統(tǒng)分析定位目標(biāo)營(yíng)銷的客戶群，并自動(dòng)生成客戶群信息進(jìn)行管理，通過(guò)實(shí)時(shí)跟蹤客戶的營(yíng)銷情況進(jìn)行營(yíng)銷策略的調(diào)整，并監(jiān)控渠道銷售信息。同時(shí)營(yíng)銷活動(dòng)完成以后進(jìn)行營(yíng)銷活動(dòng)的評(píng)估。需求時(shí)間計(jì)劃：計(jì)劃06年7月前完成東莞、佛山地市的推廣。需求數(shù)據(jù)要求：目前系統(tǒng)數(shù)據(jù)支撐需求優(yōu)先級(jí)別：高需求實(shí)施難度：較高要求配合部門：業(yè)務(wù)支撐中心、客戶服務(wù)部其他說(shuō)明：全省推廣需求，劉鵬負(fù)責(zé)

需求分析和定位：屬于05年的需求，已經(jīng)納入日常維護(hù)，今年需要推廣。根據(jù)省公司的統(tǒng)一規(guī)劃安排。省公司時(shí)間規(guī)劃：2006年上半年完成省、市二級(jí)規(guī)劃，東莞和佛山推廣2006年上半年完成三個(gè)事件營(yíng)銷KPI預(yù)測(cè)模型需求名稱：KPI預(yù)測(cè)模型提出時(shí)間：2006-02-23需求提出部門：東莞公司需求內(nèi)容描述：KPI指標(biāo)中的收入指標(biāo)作為核心指標(biāo)，規(guī)劃和預(yù)測(cè)十分重要。而收入受營(yíng)銷政策與執(zhí)行的影響較大，傳統(tǒng)的歷史曲線預(yù)測(cè)方法與手段不能準(zhǔn)確預(yù)測(cè)當(dāng)期及下期的收入。實(shí)現(xiàn)邏輯：將當(dāng)期營(yíng)收款細(xì)拆為“當(dāng)期收入”（如購(gòu)卡收入、補(bǔ)換卡收入、后付費(fèi)收入等）與“分期劃扣收入”（充值卡收入、營(yíng)銷活動(dòng)預(yù)存款收入等）兩個(gè)部分。“當(dāng)期收入”非常穩(wěn)定，只受季節(jié)因素影響，“分期劃扣收入”結(jié)合號(hào)碼級(jí)數(shù)據(jù)的消費(fèi)ARPU可以較為方便地預(yù)演推算。推廣過(guò)去，針對(duì)KPI指標(biāo)的重要指標(biāo)（如收入、業(yè)務(wù)量等）都可以進(jìn)行規(guī)劃和預(yù)測(cè)，有效的幫助各部門制定相關(guān)的政策策略。需求時(shí)間計(jì)劃：無(wú)需求數(shù)據(jù)要求：目前系統(tǒng)數(shù)據(jù)支撐。需求優(yōu)先級(jí)別：需求級(jí)別待定。需求實(shí)施難度：高要求配合部門：業(yè)務(wù)支撐中心、市場(chǎng)部其他說(shuō)明：區(qū)域接口人負(fù)責(zé)（劉鵬）需求分析和定位：需求可行，可以通過(guò)邏輯回歸構(gòu)建模型實(shí)現(xiàn)，具體的建設(shè)方案需要與相關(guān)人員進(jìn)行細(xì)化和確認(rèn)。個(gè)人客戶分群需求名稱：個(gè)人客戶分群提出時(shí)間：2006-02-23需求提出部門：佛山公司需求內(nèi)容描述：每個(gè)人作為消費(fèi)者其對(duì)同一種產(chǎn)品的具體功能需求和關(guān)注點(diǎn)是不同的，因此作為為用戶服務(wù)的企業(yè)，必須盡可能的考慮這些差異，發(fā)現(xiàn)這些存在于客戶整體內(nèi)部的具有不同特征或消費(fèi)習(xí)慣的客戶群體，然后再根據(jù)每個(gè)群體的特征執(zhí)行針對(duì)性的管理或營(yíng)銷策略。將這個(gè)把客戶分成不同群體的過(guò)程稱之為“客戶分群”。通過(guò)對(duì)客戶合理的類別劃分，并對(duì)當(dāng)前客戶以及預(yù)期的客戶群作區(qū)段分析，判斷不同區(qū)段的突出特點(diǎn)，對(duì)客戶總體構(gòu)成有準(zhǔn)確的認(rèn)識(shí)，對(duì)客戶的服務(wù)和營(yíng)銷更具針對(duì)性。對(duì)客戶分群可以達(dá)到如下目標(biāo)：了解客戶的總體構(gòu)成了解各種客戶價(jià)值的客戶群體特征了解流失客戶的客戶群體特征了解使用各種套餐的客戶群體特征了解各消費(fèi)等級(jí)的客戶群體特征需求時(shí)間計(jì)劃：無(wú)需求數(shù)據(jù)要求：目前系統(tǒng)數(shù)據(jù)支撐。需求優(yōu)先級(jí)別：中等需求實(shí)施難度：中等要求配合部門：業(yè)務(wù)支撐中心、市場(chǎng)部、數(shù)據(jù)業(yè)務(wù)中心其他說(shuō)明：區(qū)域接口人負(fù)責(zé)（劉敏）需求分析和定位：需求可行?？蛻舴诸?聚類是根據(jù)一個(gè)或多個(gè)客戶屬性組合把所有客戶劃分成不同的類，同類內(nèi)的客戶具有最大的相似性，異類間的客戶具有最大的差異性。通過(guò)對(duì)客戶合理的類別劃分，并對(duì)當(dāng)前客戶以及預(yù)期的客戶群作區(qū)段分析，判斷不同區(qū)段的突出特點(diǎn)，對(duì)客戶總體構(gòu)成有準(zhǔn)確的認(rèn)識(shí)，對(duì)客戶的服務(wù)和營(yíng)銷更具針對(duì)性。對(duì)于各種業(yè)務(wù)（新業(yè)務(wù)）可以單獨(dú)進(jìn)行客戶的細(xì)分，也可按照各種業(yè)務(wù)的綜合指標(biāo)進(jìn)行客戶細(xì)分，使市場(chǎng)營(yíng)銷更具針對(duì)性。個(gè)人客戶價(jià)值評(píng)估需求名稱：個(gè)人客戶價(jià)值評(píng)估提出時(shí)間：2006-02-23需求提出部門：市場(chǎng)部需求內(nèi)容描述：有區(qū)別的看待個(gè)人客戶的差異性，觀察其價(jià)值特征變化，綜合考慮成本，用戶成長(zhǎng)度，客戶消費(fèi)等因素，通過(guò)建模量化個(gè)人客戶對(duì)公司的貢獻(xiàn)和價(jià)值。客戶價(jià)值包括客戶貢獻(xiàn)與客戶成本兩個(gè)側(cè)面，對(duì)于前者，客戶的帳單金額已是很好的衡量指標(biāo)，但是也需要綜合考慮其他指標(biāo)（如新業(yè)務(wù)使用情況、長(zhǎng)途或者漫游比例等）；而對(duì)于后者，由于利用財(cái)務(wù)數(shù)據(jù)進(jìn)行分?jǐn)偦蛘呋顒?dòng)單位成本進(jìn)行直接計(jì)算還需時(shí)日（等待財(cái)務(wù)部的成本分?jǐn)偣ぷ魍瓿桑?，故?dāng)前階段是處理貢獻(xiàn)類相關(guān)指標(biāo)以供用戶直觀考察。需求時(shí)間計(jì)劃：06年3月廣州數(shù)據(jù)集市試點(diǎn)需求數(shù)據(jù)要求：目前系統(tǒng)數(shù)據(jù)支撐需求優(yōu)先級(jí)別：高需求實(shí)施難度：高要求配合部門：業(yè)務(wù)支撐中心、財(cái)務(wù)部其他說(shuō)明：負(fù)責(zé)人待定需求分析和定位：個(gè)人客戶價(jià)值如果考慮成本分?jǐn)偅枰蓉?cái)務(wù)部開展的成本分?jǐn)偼瓿珊蟛拍芸紤]到地市的實(shí)施。新產(chǎn)品生命周期分析需求名稱：新產(chǎn)品生命周期分析提出時(shí)間：2006-02-23需求提出部門：數(shù)據(jù)業(yè)務(wù)中心需求內(nèi)容描述：目前地市沒有明確和急需的需求，只是有個(gè)這樣的概念和初步的想法。省公司想法是作為一個(gè)科研項(xiàng)目來(lái)研究和分析，希望能研究一些成果幫助市公司的市場(chǎng)分析和營(yíng)銷策略。需求時(shí)間計(jì)劃：根據(jù)省公司的統(tǒng)一規(guī)劃安排。需求數(shù)據(jù)要求：目前系統(tǒng)數(shù)據(jù)支撐需求優(yōu)先級(jí)別：高需求實(shí)施難度：高要求配合部門：業(yè)務(wù)支撐中心、市場(chǎng)部其他說(shuō)明：試點(diǎn)科研項(xiàng)目，鄧逸斌、劉鵬負(fù)責(zé)需求分析和定位：題目比較難，優(yōu)先級(jí)別比較高，先按照省公司的思路和計(jì)劃安排走。初步思路進(jìn)行兩個(gè)方面的研究：現(xiàn)有新業(yè)務(wù)產(chǎn)品的生命周期曲線研究本研究的內(nèi)容主要包括構(gòu)建產(chǎn)品生命周期曲線預(yù)測(cè)模型并基于相關(guān)產(chǎn)品展開數(shù)據(jù)實(shí)證研究，同時(shí)對(duì)實(shí)證結(jié)果進(jìn)行有效的業(yè)務(wù)解釋并形成合理的政策建議。2.新業(yè)務(wù)產(chǎn)品生命周期變遷之關(guān)鍵績(jī)效指標(biāo)的研究本研究的內(nèi)容主要包括分析并總結(jié)產(chǎn)品生命周期變遷過(guò)程中對(duì)階段性轉(zhuǎn)折點(diǎn)具有前瞻警示作用的業(yè)務(wù)指標(biāo)，并在此基礎(chǔ)之上構(gòu)建切實(shí)可行的關(guān)鍵指標(biāo)體系報(bào)告內(nèi)容原理篇客戶關(guān)系管理中的數(shù)量方法方法篇數(shù)據(jù)分析方法概論統(tǒng)計(jì)分析方法數(shù)據(jù)挖掘分析方法工具篇常用數(shù)據(jù)分析工具簡(jiǎn)介總結(jié)基本結(jié)論數(shù)量分析方法（QuantitativeAnalysis）數(shù)量分析是對(duì)事物的數(shù)量特征、數(shù)量關(guān)系與數(shù)量變化的分析。數(shù)量分析的類型按照分析的目的探索性數(shù)據(jù)分析描述性數(shù)據(jù)分析解釋性數(shù)據(jù)分析按照問題的本質(zhì)確定性分析不確定性分析20June2024MarketingCommunications–2015StrategyandExecution27數(shù)量分析中的模型化方法數(shù)量模型是對(duì)現(xiàn)實(shí)問題的描述和模仿模型是為認(rèn)識(shí)目的或?qū)嵺`目的而建立的典型的模型化過(guò)程20.06.2024TitlederPr?sentationundAutor數(shù)據(jù)分析模型E.F.Codd的數(shù)據(jù)分析模型絕對(duì)模型（CategoricalModel）：依據(jù)預(yù)定義路徑尋找原因，如查詢解釋模型（ExegeticalModel）：依據(jù)多層次路徑尋找原因，如多維分析思考模型（ContemplativeModel）：參數(shù)化路徑，如場(chǎng)景分析公式模型（FormulaicModel）：模型化路徑，如數(shù)據(jù)挖掘ReportingAdHocQueriesPredictiveModelingWhathappened?Whydidithappen?Whatwillhappen?ROI應(yīng)用復(fù)雜性Stage3Stage2Stage1HumanDiscoveryMachine-assistedDiscovery常用的數(shù)據(jù)分析方法/模型數(shù)量分析是對(duì)事物的數(shù)量特征、數(shù)量關(guān)系與數(shù)量變化的分析。數(shù)量分析的類型按照分析的目的探索性數(shù)據(jù)分析描述性數(shù)據(jù)分析解釋性數(shù)據(jù)分析按照問題的本質(zhì)確定性分析不確定性分析20June2024MarketingCommunications–2015StrategyandExecution30認(rèn)識(shí)分析數(shù)據(jù)：數(shù)據(jù)測(cè)量尺度名義尺度有序尺度間隔尺度比例尺度20June2024MarketingCommunications–2015StrategyandExecution31認(rèn)識(shí)分析數(shù)據(jù)：數(shù)據(jù)結(jié)構(gòu)類型截面數(shù)據(jù)（Cross-sectionData）時(shí)間序列數(shù)據(jù)（Time-seriesData）面板數(shù)據(jù)（PanelData）20June2024MarketingCommunications–2015StrategyandExecution32數(shù)據(jù)分析的出發(fā)點(diǎn)：數(shù)據(jù)矩陣截面數(shù)據(jù)（Cross-sectionData）時(shí)間序列數(shù)據(jù)（Time-seriesData）面板數(shù)據(jù)（PanelData）20June2024MarketingCommunications–2015StrategyandExecution33常用的統(tǒng)計(jì)分析方法數(shù)據(jù)分類分析聚類分析判別分析數(shù)據(jù)化簡(jiǎn)分析主成分分析因子分析數(shù)據(jù)相關(guān)分析回歸分析典型相關(guān)分析數(shù)據(jù)預(yù)測(cè)分析時(shí)間序列預(yù)測(cè)20June2024MarketingCommunications–2015StrategyandExecution34什么是數(shù)據(jù)挖掘？DataInformationKnowledgeWisdom存在太多數(shù)據(jù)挖掘的定義，但基本上有這樣一種描述結(jié)構(gòu)Tofind/discover/extract/dredge/harvest、、、Interesting/novel/useful/implicit/actable/meaningful、、、Information/knowledge/patterns/trends/rules/anomalies、、、Inmassivedata/largedataset/largedatabase/datawarehouse、、、Data+contextInformation+rulesKnowledge+experience為什么會(huì)出現(xiàn)數(shù)據(jù)挖掘？數(shù)據(jù)爆炸性增長(zhǎng)是數(shù)據(jù)挖掘技術(shù)應(yīng)運(yùn)而生的根本原因。只見樹木，不見森林（Drowningindatabutstarvingforinformation）計(jì)算復(fù)雜度數(shù)據(jù)管理問題數(shù)據(jù)類型的多樣性處理大容量數(shù)據(jù)是數(shù)據(jù)挖掘技術(shù)區(qū)別于其他數(shù)據(jù)分析方法的唯一標(biāo)志嗎？2024/6/2037其他數(shù)據(jù)分析方法：統(tǒng)計(jì)學(xué)從處理數(shù)據(jù)的角度看、、、數(shù)據(jù)規(guī)模不同數(shù)據(jù)來(lái)源不同：觀測(cè)數(shù)據(jù)（SecondaryAnalysis）VS試驗(yàn)數(shù)據(jù)（PrimaryAnalysis）數(shù)據(jù)類型不同（結(jié)構(gòu)化數(shù)據(jù)、半結(jié)構(gòu)化數(shù)據(jù)、非結(jié)構(gòu)化數(shù)據(jù)）從分析思想的角度看更關(guān)注實(shí)證性分析（EmpiricalAnalysis）而非探索性分析（ExploratoryAnalysis）更關(guān)注模型（Model）而非算法（Algorithm）但二者具有相當(dāng)密切的聯(lián)系從數(shù)據(jù)分析的角度，統(tǒng)計(jì)學(xué)現(xiàn)在是且仍將是數(shù)據(jù)挖掘最重要的技術(shù)支撐和思想源泉更加深入的滲透和交叉（如探索性數(shù)據(jù)分析，EDA）數(shù)據(jù)挖掘是數(shù)據(jù)驅(qū)動(dòng)的探索性分析!數(shù)據(jù)挖掘：多學(xué)科的匯合數(shù)據(jù)挖掘數(shù)據(jù)庫(kù)技術(shù)統(tǒng)計(jì)學(xué)其它學(xué)科信息科學(xué)機(jī)器學(xué)習(xí)可視化人工智能科學(xué)計(jì)算數(shù)據(jù)挖掘是一個(gè)過(guò)程“fromdataminingtoknowledgediscoveryindatabase”.U.fayyad,G.P.ShapiroandP.Smyth(1996)數(shù)據(jù)挖掘過(guò)程中的數(shù)據(jù)預(yù)處理數(shù)據(jù)清洗填充缺失值,修均噪聲數(shù)據(jù),識(shí)別或刪除孤立點(diǎn),并解決數(shù)據(jù)不一致問題主要分析方法：分箱（Binning）、聚類、回歸數(shù)據(jù)集成多個(gè)數(shù)據(jù)庫(kù)、數(shù)據(jù)方或文件的集成數(shù)據(jù)變換規(guī)范化與匯總數(shù)據(jù)簡(jiǎn)化減少數(shù)據(jù)量的同時(shí),還可以得到相同或相近的分析結(jié)果主要分析方法：抽樣、主成分分析數(shù)據(jù)離散化數(shù)據(jù)簡(jiǎn)化的一部分,但非常重要(尤其對(duì)于數(shù)值型數(shù)據(jù)來(lái)說(shuō))數(shù)據(jù)挖掘過(guò)程中的數(shù)據(jù)探索探索性數(shù)據(jù)分析（ExploratoryDataAnalysis,EDA）探索性地查看數(shù)據(jù)，概括數(shù)據(jù)集的結(jié)構(gòu)和關(guān)系對(duì)數(shù)據(jù)集沒有各種嚴(yán)格假定“玩”數(shù)據(jù)主要任務(wù)數(shù)據(jù)可視化（apictureisworthathousandwords）殘差分析（數(shù)據(jù)＝擬合+殘差）數(shù)據(jù)的重新表達(dá)（什么樣的尺度－對(duì)數(shù)抑或平方跟－會(huì)簡(jiǎn)化分析？）方法的耐抗性（對(duì)數(shù)據(jù)局部不良的不敏感性，如中位數(shù)耐抗甚于均值）常見方法統(tǒng)計(jì)量，如均值、方差、根方差、協(xié)方差、峰度、偏度、相關(guān)系數(shù)等統(tǒng)計(jì)圖，如餅圖、直方圖、散點(diǎn)圖、箱尾圖等模型，如聚類數(shù)據(jù)挖掘結(jié)果的評(píng)價(jià)興趣度度量：一個(gè)模式是有意義的，如果它易于被人理解，在某種程度上，對(duì)于新數(shù)據(jù)或者測(cè)試數(shù)據(jù)是有效的、潛在有用或者驗(yàn)證了用戶渴望確認(rèn)的某些假設(shè)。目前仍無(wú)很好的解決辦法，很大程度上仍依靠人工不存在解決這個(gè)問題的簡(jiǎn)單技術(shù)，最終答案是不要把數(shù)據(jù)挖掘當(dāng)作脫離數(shù)據(jù)內(nèi)涵的簡(jiǎn)單技術(shù)來(lái)運(yùn)用客觀興趣度：基于統(tǒng)計(jì)或模式的結(jié)構(gòu)，如統(tǒng)計(jì)量、支持度、lift等主觀興趣度：基于用戶對(duì)數(shù)據(jù)的確信程度，如意外程度、新奇程度或者可行動(dòng)性等過(guò)度擬合（Over-fitting）問題什么不是數(shù)據(jù)挖掘？定量分析（QuantitativeAnalysis）的需要存在企業(yè)管理運(yùn)行的各個(gè)側(cè)面或環(huán)節(jié)，但并非所有的定量分析問題都可以歸結(jié)到數(shù)據(jù)挖掘范疇的問題。簡(jiǎn)單的報(bào)表、圖表及多維分析仍是日常分析工作的主要內(nèi)容小樣本數(shù)據(jù)的分析傳統(tǒng)統(tǒng)計(jì)分析方法更成熟有效，如趨勢(shì)預(yù)測(cè)某些特定業(yè)務(wù)問題無(wú)法用數(shù)據(jù)挖掘算法加以解決，例如資源最優(yōu)配置問題是個(gè)運(yùn)籌學(xué)問題某些物流管理問題或者供應(yīng)鏈管理問題是個(gè)隨機(jī)規(guī)劃問題營(yíng)銷預(yù)演本質(zhì)是個(gè)系統(tǒng)仿真問題幾個(gè)基本概念模型（Model）vs模式（Pattern）數(shù)據(jù)挖掘的根本目的就是把樣本數(shù)據(jù)中隱含的結(jié)構(gòu)泛化（Generalize）到總體（Population）上去模型：對(duì)數(shù)據(jù)集的一種全局性的整體特征的描述或概括，適用于數(shù)據(jù)空間中的所有點(diǎn)，例如聚類分析模式：對(duì)數(shù)據(jù)集的一種局部性的有限特征的描述或概括，適用于數(shù)據(jù)空間的一個(gè)子集，例如關(guān)聯(lián)分析算法（Algorithm）：一個(gè)定義完備（well-defined）的過(guò)程，它以數(shù)據(jù)作為輸入并產(chǎn)生模型或模式形式的輸出描述型挖掘（Descriptive）vs預(yù)測(cè)型挖掘（Predictive）描述型挖掘：對(duì)數(shù)據(jù)進(jìn)行概括，以方便的形式呈現(xiàn)數(shù)據(jù)的重要特征預(yù)測(cè)型挖掘：根據(jù)觀察到的對(duì)象特征值來(lái)預(yù)測(cè)它的其他特征值描述型挖掘可以是目的，也可以是手段幾類基本的挖掘算法關(guān)聯(lián)規(guī)則（模式、描述型）發(fā)現(xiàn)數(shù)據(jù)集中的頻繁模式例如：buy(x,”diapers”)

buy(x,”beers”)[0.5%,60%]分類與預(yù)測(cè)（模型、預(yù)測(cè)型）發(fā)現(xiàn)能夠區(qū)分或預(yù)測(cè)目標(biāo)變量（唯一的）的規(guī)則或者函數(shù)分類的目標(biāo)變量一般是范疇型的，而預(yù)測(cè)則是數(shù)量型的，并不必然帶有任何時(shí)間延續(xù)型的暗示例如：股票市值的預(yù)測(cè)，病人病情的判斷聚類（模型、描述型）對(duì)數(shù)據(jù)分組以形成新類，類標(biāo)記是未知的例如：市場(chǎng)細(xì)分孤立點(diǎn)探測(cè)（OutlierDetection）（模式、預(yù)測(cè)型）分析異?；蛟肼晹?shù)據(jù)的行為模式例如：欺詐檢測(cè)關(guān)聯(lián)規(guī)則的基本概念基本定義給定（1）事務(wù)數(shù)據(jù)集（2）每個(gè)事務(wù)是數(shù)據(jù)項(xiàng)的集合，試圖發(fā)現(xiàn)項(xiàng)集中的頻繁模式或關(guān)聯(lián)關(guān)系所謂頻繁模式或者關(guān)聯(lián)規(guī)則就是一個(gè)具有“A

B”形式的邏輯蘊(yùn)涵式頻繁模式并不必然蘊(yùn)涵著因果關(guān)系或相關(guān)關(guān)系！算法實(shí)現(xiàn)基本上基于APRIORI法則：頻繁項(xiàng)集的所有非空子集一定也是頻繁（Frequent）的基本分類布爾關(guān)聯(lián)規(guī)則vs定量關(guān)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(guān)聯(lián)規(guī)則vs多維關(guān)聯(lián)規(guī)則單層關(guān)聯(lián)規(guī)則vs多層關(guān)聯(lián)規(guī)則Age(x,”30..39”)^income(x,”42k..48k”)

buy(x,”IBMPC”)序列模式（SequencePattern）數(shù)據(jù)項(xiàng)是一個(gè)包含時(shí)間標(biāo)簽的序偶[item(i),t]關(guān)聯(lián)規(guī)則的度量發(fā)現(xiàn)具有最小置信度和支持度的全部規(guī)則X^YZ支持度(support),s,事務(wù)中包含{X&Y&Z}的概率置信度(confidence),c,

事務(wù)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AC(50%,66.6%)CA(50%,100%)顧客購(gòu)買尿布顧客購(gòu)買兩者顧客購(gòu)買啤酒對(duì)支持度與置信度的批判示例總共5000名學(xué)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playbasketball

eatcereal[40%,66.7%]是一個(gè)誤導(dǎo)規(guī)則,因?yàn)槌怨阮愂称返膶W(xué)生占學(xué)生總數(shù)的75%,比66.7%更高playbasketball

noteatcereal[20%,33.3%]其實(shí)是一個(gè)更精確的規(guī)則,盡管它的支持度和置信度都比較低關(guān)聯(lián)規(guī)則的應(yīng)用市場(chǎng)購(gòu)物籃分析（MarketBasketAnalysis）例如一個(gè)事務(wù)是客戶的一個(gè)購(gòu)物清單，同一客戶的兩份清單被認(rèn)為是兩個(gè)不同的事務(wù)數(shù)據(jù)項(xiàng)是所有可能陳列貨物的全集目標(biāo)是發(fā)現(xiàn)同時(shí)出現(xiàn)的貨品組合間的關(guān)聯(lián)模式應(yīng)用：商品貨價(jià)設(shè)計(jì)、倉(cāng)儲(chǔ)規(guī)劃、網(wǎng)頁(yè)布局、產(chǎn)品目錄設(shè)計(jì)等等交叉銷售（CrossSelling）客戶依次購(gòu)買不同產(chǎn)品的序列目標(biāo)是發(fā)現(xiàn)在購(gòu)買某一產(chǎn)品組合之后客戶可能購(gòu)買的另一產(chǎn)品或服務(wù)應(yīng)用：網(wǎng)絡(luò)故障分析、網(wǎng)站門戶設(shè)計(jì)等分類問題的基本定義給定一數(shù)據(jù)集合（訓(xùn)練集）數(shù)據(jù)記錄由一系列變量組成其中有一個(gè)變量是目標(biāo)分類標(biāo)簽尋找一模型，使目標(biāo)分類變量值是其他變量值的一個(gè)函數(shù)利用上述函數(shù)，一未知分類變量值的數(shù)據(jù)記錄能夠盡可能準(zhǔn)確地被判定到某一類別中去一般會(huì)有另一獨(dú)立地?cái)?shù)據(jù)集（測(cè)試集）用以驗(yàn)證所構(gòu)建分類函數(shù)的準(zhǔn)確性，避免過(guò)度擬合分類過(guò)程示意訓(xùn)練集分類學(xué)習(xí)訓(xùn)練集分類器IFrank=‘professor’ORyears>6THENtenured=‘yes’JefisYES!分類中的決策樹（DecisionTree）歸納決策樹類似于流程圖的樹型結(jié)構(gòu)內(nèi)部節(jié)點(diǎn)代表對(duì)某個(gè)屬性的一次測(cè)試分支代表測(cè)試的輸出結(jié)果葉節(jié)點(diǎn)代表分類標(biāo)簽或分布決策樹的生成包括兩個(gè)階段樹的創(chuàng)建首先,所有訓(xùn)練樣本都位于根節(jié)點(diǎn)遞歸地基于選擇屬性來(lái)劃分樣本集樹的修剪識(shí)別并刪除那些反映噪聲或孤立點(diǎn)的分支應(yīng)用決策樹:對(duì)未知樣本進(jìn)行分類在決策樹上測(cè)試樣本的各個(gè)屬性值決策樹示意示例：是否購(gòu)買計(jì)算機(jī)？age?overcaststudent?creditrating?noyesfairexcellent<=30>40nonoyesyesyes30..40聚類的基本概念基本定義將數(shù)據(jù)對(duì)象集劃分成事先未知的分組或類別聚類的原則：類內(nèi)相似度高，類間相似度低相似度一般為某種距離函數(shù)D(i,j)聚類既可以作為獨(dú)立分析工具考察數(shù)據(jù)分布結(jié)構(gòu)，也可以作為其他分析方法的預(yù)處理步驟很不幸，對(duì)聚類結(jié)果的評(píng)價(jià)一般都是主觀的基本分類將數(shù)據(jù)對(duì)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A1A2B1xyz從算法到應(yīng)用報(bào)告內(nèi)容原理篇客戶關(guān)系管理中的數(shù)量方法方法篇數(shù)據(jù)分析方法概論統(tǒng)計(jì)分析方法數(shù)據(jù)挖掘分析方法其他分析方法工具篇常用數(shù)據(jù)分析工具簡(jiǎn)介總結(jié)基本結(jié)論數(shù)據(jù)分析軟件數(shù)據(jù)分析軟件的種類按照分析模式統(tǒng)計(jì)分析軟件數(shù)據(jù)挖掘軟件OLAP軟件科學(xué)計(jì)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(jí)分析軟件桌面級(jí)分析軟件20June2024MarketingCommunications–2015StrategyandExecution59數(shù)據(jù)分析軟件的基本特點(diǎn)功能全面，系統(tǒng)地集成了多種成熟的數(shù)據(jù)分析方法有完善的數(shù)據(jù)定義、操作和管理功能方便地生成各種統(tǒng)計(jì)圖形和統(tǒng)計(jì)表格使用方式簡(jiǎn)單、靈活，有完備的聯(lián)機(jī)幫助功能軟件開放性好，能方便地和其他軟件進(jìn)行數(shù)據(jù)交換20June2024MarketingCommunications–2015StrategyandExecution60學(xué)習(xí)使用統(tǒng)計(jì)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(shù)據(jù)(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(wú)需記憶公式選擇一種或幾種分析方法來(lái)探索性地分析數(shù)據(jù)讀懂計(jì)算機(jī)分析的數(shù)據(jù)結(jié)果，發(fā)現(xiàn)規(guī)律，得出結(jié)論20June2024MarketingCommunications–2015StrategyandExecution61SAS：ThePowertoKnowSAS(StatisticalAnalysisSystem)是一個(gè)模塊化、集成化的大型應(yīng)用軟件系統(tǒng)；目前國(guó)際上最流行的一種大型統(tǒng)計(jì)分析系統(tǒng)；統(tǒng)計(jì)分析的標(biāo)準(zhǔn)軟件SAS系統(tǒng)主要完成以數(shù)據(jù)為中心的四大任務(wù)：數(shù)據(jù)訪問；數(shù)據(jù)管理；數(shù)據(jù)呈現(xiàn)；數(shù)據(jù)分析。它由數(shù)十個(gè)專用模塊構(gòu)成，SAS/STAT（統(tǒng)計(jì)分析）；SAS/ETS（經(jīng)濟(jì)計(jì)量與時(shí)間序列分析）；SAS/QC（質(zhì)量控制管理）；SAS/OR（運(yùn)籌學(xué)）；SAS/IML（矩陣運(yùn)算）；SAS/GRAPH（繪圖）等20June2024MarketingCommunications–2015StrategyandExecution62SPSS：RealStat,RealEasySPSS（StatisticalPackagefortheSocialScience）－－社會(huì)科學(xué)統(tǒng)計(jì)軟件包是世界是著名的統(tǒng)計(jì)分析軟件之一。SPSSforWindows是一個(gè)組合式軟件包，它集數(shù)據(jù)整理、分析功能于一身。用戶可以根據(jù)實(shí)際需要和計(jì)算機(jī)的功能選擇模塊，以降低對(duì)系統(tǒng)硬盤容量的要求，有利于該軟件的推廣應(yīng)用。SPSS的基本功能包括數(shù)據(jù)管理、統(tǒng)計(jì)分析、圖表分析、輸出管理等等。SPSS統(tǒng)計(jì)分析過(guò)程包括描述性統(tǒng)計(jì)、均值比較、一般線性模型、相關(guān)分析、回歸分析、對(duì)數(shù)線性模型、聚類分析、數(shù)據(jù)簡(jiǎn)化、生存分析、時(shí)間序列分析、多重響應(yīng)等幾大類，每類中又分好幾個(gè)統(tǒng)計(jì)過(guò)程，比如回歸分析中又分線性回歸分析、曲線估計(jì)、Logistic回歸、Probit回歸、加權(quán)估計(jì)、兩階段最小二乘法、非線性回歸等多個(gè)統(tǒng)計(jì)過(guò)程，而且每個(gè)過(guò)程中又允許用戶選擇不同的方法及參數(shù)。SPSS也有專門的繪圖系統(tǒng)，可以根據(jù)數(shù)據(jù)繪制各種圖形。20June2024MarketingCommunications–2015StrategyandExecution63報(bào)告內(nèi)容原理篇客戶關(guān)系管理中的數(shù)量方法方法篇數(shù)據(jù)分析方法概論統(tǒng)計(jì)分析方法數(shù)據(jù)挖掘分析方法工具篇常用數(shù)據(jù)分析工具簡(jiǎn)介總結(jié)基本結(jié)論總結(jié)關(guān)鍵是業(yè)務(wù)問題的發(fā)現(xiàn)及其構(gòu)建以及切實(shí)迎合業(yè)務(wù)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(yīng)該是最不會(huì)成為問題的方法是個(gè)工具箱關(guān)于Teradata2005Revenue

byBusinessUnitTeradataDataWarehouseRetailSolutionsFinancialSolutionsWorldwideCustomerServicesSystemediaNCR公司概貌Fortune500companyGlobaloperationsinover100countries&territoriesMorethan28,000employees$6BrevenueNon-pensionoperatingincome3pointimprovementto9%50%ofTop

GlobalRetailers60%ofTopMostAdmired

GlobalCompanies90%ofTopGlobal

TelcoFirms60%ofTop

GlobalAirlines50%oftheTop

Transportation

LogisticFirmsTeradata在Fortune500中的優(yōu)異表現(xiàn)LeadingindustriesBankingGovernmentInsurance&HealthcareManufacturingRetailTelecommunicationsTransportationLogisticsTravelWorldclasscustomerlistMorethan800customersGlobalpresenceOver100countriesandterritoriesFORTUNEGlobalRankings,July2005TopTenRankinginFortune500分析型CRM是擅長(zhǎng)之一RetailFinancialTravelCommunicationsInsuranceManufacturing/SourcingUnionBankofNorway20.06.2024TitlederPr?sentationundAutorTechnologyROIAwardsHarrah’s-GrandPrizeWinnerStateofIowa-Winner,PublicSectorTDWIBestPracticesAwardEnterpriseDataWarehouse:UnionPacificGovernment&Non-profit:StateofMichiganWorldClassSolutionAwardsJeffersonCountyPublicSchools,winner-DataManagementcategory;GCNAgencyAwardsUSAirForceKnowledgeSystems,MaterialSystemsGroup/EnterpriseSystemsDivisionNCDMDatabaseExcellenceAwardFubonFinancialHoldingCompany(Taiwan)-SilverAwardCIOMagazineEnterpriseValueAwardsContinentalAirlines,Winner-TransportationAceHardware,Winner-Retail/WholesaleIntelligentEnterpriseEditors’ChoiceAwardsTeradatanamedoneofIntelligentEnterpriseDozenMostInfluentialCompaniesDMReview100Teradata-industryleaderinbusinessintelligence,datawarehousingandanalyticsmarket

CRMMarketLeaderTeradata-MarketLeaderinCRMAnalyticscategoryBestPracticesinBusinessIntelligenceLexisNexis,ManagingandEnhancingBIAp