信息化 - 數(shù)據(jù)挖掘 - 以兩階段資料采礦分群方法應(yīng)用於.ppt

1、商業(yè)自動(dòng)化期中分組報(bào)告,第十組,以兩階段資料採礦分群方法應(yīng)用於顧客關(guān)係管理和獲利績效評估之實(shí)證研究,壹、緒論,由於市場競爭激烈化，對企業(yè)來說，不得不重視顧客忠誠度這個(gè)議題。 透過CRM資訊技術(shù)的運(yùn)用，提升顧客忠誠度，是個(gè)相當(dāng)重要的課題。,貳、文獻(xiàn)討探,一、客戶關(guān)係管理 整合前端顧客接觸系統(tǒng)與後端企業(yè)作業(yè)系統(tǒng)的企業(yè)策略，然後從大量顧客的歷史交易資料中，找出對企業(yè)最具利潤貢獻(xiàn)度的客戶群，以協(xié)助建立或改善企業(yè)在行銷、銷售、服務(wù)等運(yùn)作的核心企業(yè)流程。最終目的達(dá)成開發(fā)新客戶、保留舊客戶及提升顧客利潤貢獻(xiàn)度的目標(biāo)。,CRM的導(dǎo)入過程：客戶識別 區(qū)隔 互動(dòng) 客製化 CRM的應(yīng)用範(fàn)圍：合作型 作業(yè)型 分析型,

2、二、客戶價(jià)值分析 顧客分類與區(qū)隔方式：活躍 靜態(tài) 潛在 疑似 無利潤,顧客忠誠度：RFM模型 顧客獲利性衡量 顧客價(jià)值矩陣,Average,多(M)平均購買金額 少,多,購買次數(shù)(F),三、資料採礦 Data Mining的運(yùn)作流程 Data Mining功能種類：驗(yàn)證驅(qū)動(dòng)資料採礦 發(fā)現(xiàn)驅(qū)動(dòng)資料採礦,傳統(tǒng)統(tǒng)計(jì)分析與類神經(jīng)網(wǎng)路之分群方式： 第一階段分群：自我組織圖,SOM映射,輸入層：代表輸入變數(shù),N維度的輸入向量資料,輸出層：代表聚類,第二階段分群：K-Mean,SOM,K-mean,新的群體,分群數(shù)目與重心,多維度資料,第一階段,第二階段,學(xué)習(xí)循環(huán),學(xué)習(xí)循環(huán),參、研究架構(gòu)與方法,一、整合資料

3、採礦技術(shù)之顧客關(guān)係管理運(yùn)作架構(gòu) 系統(tǒng)的資料採礦將顧客分群作業(yè)，將產(chǎn)生的顧客名 單匯至前端的CRM流程中，並將取出的目標(biāo)顧客群的資訊與行銷活動(dòng)相結(jié)合，且展開各項(xiàng)行銷活動(dòng)，再依回應(yīng)情況的資訊整合至前端的CRM執(zhí)行，控制系統(tǒng)，進(jìn)一步了解CRM的績效表現(xiàn)，並不斷紀(jì)錄CRM活動(dòng)以有效學(xué)習(xí)顧客知識，使封閉式針對個(gè)案提出整合DM技術(shù)的CRM流程架構(gòu): (1)前端作業(yè)環(huán)境 (2)後端分析系統(tǒng) 由後端分析的CRM系統(tǒng)可實(shí)現(xiàn)顧客獲利、保留及增加顧客獲利性的目標(biāo)。,(一)LRFM資料模型 為進(jìn)行“非監(jiān)督”的兩階段分群作業(yè)，須從顧客交易資料庫中，將 L、R、F、M 四個(gè)輸入變數(shù)資料匯入採礦資料庫內(nèi)，以提供DM分群作業(yè)

4、所需之資料。 L: 指顧客第一次與最後一次交易日間的長度，L越長表示顧客與企業(yè)所建立之交易關(guān) 係越長 。 R: 指顧客最後一次交易日與分析日間的長度，當(dāng)R大於特定的期間時(shí)，表示顧客為靜 態(tài)顧客。 F: 指顧客在特定期間內(nèi)發(fā)生交易的天數(shù)，同一天有多次的交易。 M: 指顧客獲利性。,(二)資料採礦前置處理流程 為了使LRFM模型的資料能夠順利且正常地進(jìn)入採礦資料庫，在實(shí)際進(jìn)行DM分群作業(yè)前，須先進(jìn)行採礦前的咨療前置處理: (1)針對2001/6/312001/12/31 期間有交易的顧客(活躍顧客)，透過SQL將LRFM資料模型從歷史交易資料庫中將每位活躍顧客的LRFM資料匯入採礦資料庫，以“標(biāo)準(zhǔn)

5、差”進(jìn)行離群分析。 (2)為使兩階段的分群作業(yè)不受單位不一致性的影響，須將的資料進(jìn)行標(biāo)準(zhǔn)化（及資料介於之間）。,(三)兩階段分群過程 兩階段分群方式是由類神經(jīng)網(wǎng)路的與統(tǒng)計(jì)方法中得叢集分析構(gòu)成， 屬“非監(jiān)督式“的學(xué)習(xí)方法。 (1)第一階段分群：在中的所需設(shè)定的參數(shù)有輸出層的維度與處理階段數(shù)。 輸出維度：所有聚類的數(shù)量，處理階段則是學(xué)習(xí)得次數(shù)。 (2)第二階段分群：分群系統(tǒng)德參數(shù)設(shè)定有收斂質(zhì)與學(xué)習(xí)次數(shù)，距離衡量是採歐幾里得方式，每次學(xué)習(xí)平均總距離越小時(shí)，收斂品質(zhì)越高。,二、群體樣式分析 （一）顧客關(guān)係類型矩陣 提出以與兩個(gè)變數(shù)而形成顧客關(guān)係類型矩陣，目的在了解顧客價(jià)值矩陣所區(qū)隔之顧客群的流失與忠誠

6、特徵。 （）緊密關(guān)係，易形成顧客忠誠度，若沒交易會(huì)消耗企業(yè)資源。 （）潛在關(guān)係，易形成潛在顧客群，亦可能成為流失顧客群。 （）獲利關(guān)係，發(fā)生在關(guān)係剛建立的吸引新顧客的活動(dòng)中。 （）流失關(guān)係，指新顧客的流失。,（二）多維度顧客分群規(guī)則 以顧客價(jià)值矩陣與顧客關(guān)係類型矩陣所構(gòu)成的多維度顧客分群方式解釋每個(gè)群體樣式，包括； （）最佳顧客：區(qū)分為高價(jià)值忠誠、高價(jià)值新顧客、潛在忠誠顧客、 高價(jià)值流失顧客。 （）頻率型顧客：區(qū)分為高購買頻率顧客、頻率型促銷顧客、潛在頻率型顧客、 頻率型流失顧客。 （）消費(fèi)型顧客：區(qū)分為白金顧客、消費(fèi)型促銷顧客、潛在消費(fèi)型顧客、 消費(fèi)型流失顧客。 （）不確定顧客：區(qū)分為低消耗

7、成本顧客，不確定新顧客，高消耗成本顧客、 不確定流失顧客。,三、觀念性研究模型之雛型 接觸時(shí)間構(gòu)面 交易行為構(gòu)面 顧客購買產(chǎn)品種類 顧客關(guān)係長度 顧客購買頻率 顧客獲利性 顧客沉寂長度 顧客人數(shù)比例,肆、個(gè)案研究,一、個(gè)案背景、動(dòng)機(jī)與重要性 由於統(tǒng)計(jì)報(bào)告指示零售業(yè)中的種何商品業(yè)因連鎖式便利商店及量販店受消費(fèi)青睞，營業(yè)家數(shù)持續(xù)擴(kuò)增，近五年?duì)I業(yè)額平均年增10.7%。所以研究個(gè)案對象為大型量販店: 1.市場呈現(xiàn)不錯(cuò)的發(fā)展空間且競爭激烈。 2.國內(nèi)多採用會(huì)員制，顧客人數(shù)龐大，但卻少有透過資料採礦技術(shù) 在CRM上應(yīng)用。,選擇個(gè)案公司的理由: 1.資料採礦所需的資料是企業(yè)內(nèi)部的隱密資料取得不易。 2.國內(nèi)

8、大型量販店屬新興行業(yè)，業(yè)者雖累積龐大顧客人數(shù)卻少有結(jié)合DM技術(shù)在 CRM上的應(yīng)用。故選擇一家尚未結(jié)合DM於CRM上的大型購物中心。 3.此個(gè)案公司為目前國內(nèi)一家透過郵寄活動(dòng)來進(jìn)行CRM的零售業(yè)大型購物中心， 故其累積的顧客人數(shù)與歷史交易資料足夠所需的資料採礦作業(yè)。,個(gè)案公司之經(jīng)營特色: (1)目前分店數(shù)陸續(xù)擴(kuò)張 (2)顧客主要以年輕夫妻或小家庭為主 (3)目前行銷資訊由MIS部門所供應(yīng)，且尚無結(jié)合DM技術(shù)，僅以SQL方式進(jìn)行 (4)主要行銷活動(dòng)為型錄寄送，成本相當(dāng)高,二、個(gè)案研究的目的與顧客分類方式 目的: (1)了解CRM運(yùn)作流程的模式及顧客區(qū)隔方式。 (2)探討CRM活動(dòng)績效評估方式。 (

9、3)比較研究所採用的L、R、F、M的顧客區(qū)隔方式與此公司所用的顧客區(qū)隔方式。 (4)針對個(gè)案公司的實(shí)際案例已修正本研究之假設(shè)命題與研究模型。 (5)探討DM分群技術(shù)在CRM活動(dòng)之直接郵件的顧客篩選，以比較研究所產(chǎn)生之顧客區(qū)隔與個(gè)案公司由艦活動(dòng)的績效表現(xiàn)。,顧客分類方式: 依顧客的消費(fèi)金額區(qū)分和造訪次數(shù)區(qū)分。顧客分類的區(qū)分則根據(jù)消費(fèi)特 性採十等分區(qū)分顧客等級。依照是否有消費(fèi)來區(qū)分顧客為活躍型與靜態(tài)型。此公 司的CRM活動(dòng)中主要顧客以活躍顧客為對象。,三、個(gè)案公司之CRM定義與運(yùn)作流程 CRM定義:針對不同的主題與顧客互動(dòng)，累積與顧客互動(dòng)的資料透過互動(dòng)資料庫 學(xué)習(xí)顧客行為。 運(yùn)作流程: (1)確定

10、行銷活動(dòng)主題。(2)針對主題找出主題活動(dòng)。(3)由主題活動(dòng) 中，找出目標(biāo)顧客群。(4)行銷活動(dòng)執(zhí)行。(5)紀(jì)錄活動(dòng)結(jié)果與評估績效。(6)學(xué)習(xí) 過去的活動(dòng)結(jié)果，不斷反覆操作15步驟,四、整合資料採礦之CRM流程的預(yù)期成效 (1)有效區(qū)隔個(gè)案公司活躍顧客中不同價(jià)值的顧客群。 (2)進(jìn)一步了解不同顧客區(qū)隔利潤貢獻(xiàn)情形。 (3)區(qū)隔出不同價(jià)值的顧客在活動(dòng)中的績效表現(xiàn)。 五、修正後觀念性研究模型,伍、資料分析,A公司之最主要的目的從活躍顧客中找出忠誠顧客 從公司2001/6/312001/12/31期間，找出活躍顧客499,940人 *活躍顧客：有發(fā)生交易的顧客群 從1999/1/12001/12/31

11、期間的交易資料庫中，萃取活躍顧客的L(關(guān)係長度)、R(沉寂長厲)、F(購買頻率)、M(顧客獲利性)的資料,一、資料前置處理,資料整合 資料清洗 資料轉(zhuǎn)換,1、資料整合,將活躍顧客的L、R、F、M格式的資料以SQL的方式匯入採礦資料庫內(nèi),2、資料清洗,*原始活躍的LRFM採碼資料 *LRFM離群值偵測,3、資料轉(zhuǎn)換,為了使LRFM的資料轉(zhuǎn)換標(biāo)準(zhǔn)化的LRFM，標(biāo)準(zhǔn)化資料=(原始資料-範(fàn)圍最小值)/(範(fàn)圍最大值-範(fàn)圍最小值),二、資料採礦分析,第一階段分群處理(SOM)：以IBM Intelligent Miner之SOM進(jìn)行 第二階段分群作業(yè)(K-mean)：以K-mean分群系統(tǒng)進(jìn)行 SOM分群

12、與兩階段(SOM+K-mean)分群比較： (1)兩階段分群改善SOM分群結(jié)果 (2)兩階段分群明顯改善群體間模糊現(xiàn)象 (3)兩階段分群後，群體內(nèi)差異性變小,三、分群結(jié)果之群體分析,經(jīng)由多維度顧客分析的區(qū)隔之後，符合多維度分群規(guī)則只有9個(gè)顧客區(qū)隔，以下將針對九種顧客區(qū)隔樣式個(gè)別進(jìn)行探討：,1、多維度顧客區(qū)隔分析,高價(jià)值忠誠顧客：以較少人數(shù)比例為企業(yè)創(chuàng)造較高比例的獲利性(如圖) 潛在忠誠顧客：以較少人數(shù)比例為企業(yè)創(chuàng)造較高比例的獲利性，但是沉寂長度較長的顧客易流失(如圖) 高價(jià)值新顧客：由於此區(qū)隔為企業(yè)新獲取的高價(jià)值顧客，可以發(fā)現(xiàn)人數(shù)比例並不高(如圖),高消耗成本顧客與低消耗成本顧客：低消耗成本顧

13、客群則與企業(yè)再度交易的機(jī)會(huì)則高於高消耗成本顧客群(如圖) 不確定新顧客與不確定流失顧客：不確定型顧客除了可以透過FM變數(shù)來區(qū)隔，也可以透過LR變數(shù)來了解新顧客與流失顧客的區(qū)別(如圖) 高購買頻率顧客與消費(fèi)型促銷顧客：高購買頻率顧客樣式並無法從顧客價(jià)值矩陣識別，但透過顧客關(guān)係類型矩陣可知屬於緊密關(guān)係,*多維度顧客區(qū)隔之顧客數(shù)與獲利性比較,*多維度顧客分群之顧客區(qū)隔樣式,2、不同顧客區(qū)隔方式之比較分析,個(gè)案公司之群體樣式只有符合九種多維度顧客區(qū)隔樣式 個(gè)案公司之獲利性分佈並沒有非常集中在少數(shù)顧客群，但是少數(shù)顧客群，卻能夠?yàn)槠髽I(yè)帶來較高的獲利性 活躍顧客群之群體分佈則主要在顧客價(jià)值矩陣的最佳、不確定

14、象限上,四、顧客區(qū)隔之績效評估,五、假設(shè)驗(yàn)證,相關(guān)分析 (1)進(jìn)行相關(guān)分析，以進(jìn)一步探討不同獲利性影響因子與顧客獲利性間的相關(guān)性：,(2)顧客獲利性與二次活動(dòng)績效表現(xiàn)間的相關(guān)性如下：,驗(yàn)證假設(shè),陸、結(jié)論與建議,資料採礦研究發(fā)現(xiàn)：採用Abidi and Ong及Vesanto and Alhoniemi等學(xué)者所提出的兩階段分群方法： (1)第一階段SOM分群分析結(jié)果：輸出維度為49時(shí)，L、R、F、M四個(gè)分群變數(shù)適合進(jìn)行顧客區(qū)隔 (2)完成兩階段分群(SOM+K-mean)： K-mean系統(tǒng)可以改善SOM分群效果，結(jié)果使平均總距離縮小,研究模型驗(yàn)證： (1)透過DM技術(shù)，以LRFM資料模型來定義忠誠顧客，發(fā)現(xiàn)高價(jià)值忠誠顧客乃企業(yè)最具價(jià)值的顧客 (2)在活躍顧客中，僅以沉寂長度做