1、市場營銷中的數(shù)據(jù)分析方法,報告內(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)分析工具簡介 總結(jié) 基本結(jié)論,市場營銷中的數(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)代市場營銷實踐的需要，為了體現(xiàn)市場營銷學(xué)本身的科學(xué)性和對企業(yè)實踐的指導(dǎo)性，數(shù)據(jù)分析理論與方法在市場營銷學(xué)中占有越來越重要的地位。 理論上計量市場營銷學(xué)的出現(xiàn) 理念上數(shù)據(jù)庫營銷、關(guān)系營銷的興起 實務(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)量決策問題的兩個視角 理論上的框架要素 實務(wù)上的業(yè)務(wù)流程,視角一：市場營銷學(xué)的理論框架,核心概念 營銷觀念,營銷計劃 營銷

2、組織 營銷控制 營銷審計,產(chǎn)品策略 定價策略 分銷策略 促銷策略,需求分析 市場細(xì)分 目標(biāo)市場 市場定位,基礎(chǔ)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(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（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(wù)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(yù)測模型 市場細(xì)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

3、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(wǎng),客戶價值,多種分析主題在不同時期應(yīng)用,客戶獲取 市場細(xì)分與產(chǎn)品定位 目標(biāo)客戶特征識別,刺激需求 提升銷售,交叉銷售 目標(biāo)營銷,客戶保持 生存分析 客戶風(fēng)險,客戶挽留,客戶細(xì)分,細(xì)分是指將一個大的消費群體劃分成一個個細(xì)分群的動作，

4、同屬于一個細(xì)分群的消費者彼此相似，而隸屬于不同細(xì)分群的消費者被視為不同。細(xì)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(shù)據(jù)庫中的數(shù)據(jù)，從而可以用不同的方法對待處于不同細(xì)分群眾的客戶，提供相對個性化的服務(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 卡方自動交互檢測（CHAID）,營銷策略 客戶保持 基于獎賞及高成本事件驅(qū)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(jìn)行交叉銷售會產(chǎn)

5、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. 這些客戶對CRM策略開發(fā)是至關(guān)重要的。,示例：基于價值的客戶細(xì)分（高價值客戶）,中間層代表了客戶的大多數(shù). 他們利潤較薄（thin margins）但容量巨大（high volume）.,營銷策略 定價與行為改變 識別服務(wù)機(jī)會 增強(qiáng)可能的定價 結(jié)構(gòu)性定價以鼓勵改善收益性的行為 交叉銷售 利用預(yù)測模型識別具有潛在價值的客戶 利用事件營銷與關(guān)系營銷策略去增加產(chǎn)品的持有量 渠道與服務(wù)的效率 識別高成本/低回報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：基于價值的客戶細(xì)分（中價值客戶）,盡管數(shù)量很少 (

6、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(fù)利潤相關(guān)的定價策略與行為, 鼓勵服務(wù)使用與目標(biāo)定價以增加或引入由服務(wù)改變而帶來的可能收入 客戶風(fēng)險 避免向具有信用風(fēng)險的客戶進(jìn)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(xì)分（低價值客戶）,High Value ?,High Value ?,Low Value ?,Low Value ?,示例：基于生命階段的客戶細(xì)分,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)那些對你的產(chǎn)品不了解的客戶，也包括以前接受你的競

7、爭對手服務(wù)的顧客。 客戶獲取中的數(shù)量方法 特征識別（Profiling and Penetration Analysis） 響應(yīng)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來愈有價值。 客戶保持中的數(shù)量方法 流失預(yù)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(xiàn)有的客戶提供新的產(chǎn)品和服務(wù)的營銷過程。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)系建立起來以后，可以有很多種方法來不斷改善這種關(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，商家則因為增加銷售

8、量獲利。 交叉銷售中的數(shù)量方法 購買傾向預(yù)測 產(chǎn)品關(guān)聯(lián)分析,客戶流失,客戶流失預(yù)警 分品牌、高/中/低價值、主動/被動構(gòu)建模型 分類預(yù)測數(shù)據(jù)挖掘模型 客戶挽留流程設(shè)計 彩鈴客戶流失預(yù)警 分主動/捆綁構(gòu)建模型 分類預(yù)測數(shù)據(jù)挖掘模型 客戶挽留流程設(shè)計 競爭對手流失預(yù)警 聯(lián)通用戶流失預(yù)測 客戶挽留流程設(shè)計,交叉銷售與提升銷售,購買傾向預(yù)測 彩鈴預(yù)測模型 彩信預(yù)測模型 WAP預(yù)測模型 購物藍(lán)分析 產(chǎn)品關(guān)聯(lián)分析 營銷方案關(guān)聯(lián)分析 提升銷售 價值提升預(yù)測模型,營銷案預(yù)演,營銷預(yù)演是為了支持業(yè)務(wù)人員制訂新的資費營銷方案，然后對該方案在歷史數(shù)據(jù)上做相應(yīng)的測算，從而根據(jù)測算結(jié)果來指導(dǎo)下一步工作。,營銷活動管理-

9、CMP,KPI預(yù)測模型,個人客戶分群,個人客戶價值評估,新產(chǎn)品生命周期分析,報告內(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)分析工具簡介 總結(jié) 基本結(jié)論,數(shù)量分析方法（Quantitative Analysis）,數(shù)量分析是對事物的數(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,數(shù)量分析中的模型化方法,數(shù)量模型是對現(xiàn)實問題的描述和模仿 模型是為認(rèn)識目的或?qū)嵺`目的而建立的 典型的模型化過程,數(shù)據(jù)分析模型,E.F.Co

10、dd的數(shù)據(jù)分析模型 絕對模型（Categorical Model）：依據(jù)預(yù)定義路徑尋找原因，如查詢 解釋模型（Exegetical Model）：依據(jù)多層次路徑尋找原因，如多維分析 思考模型（Contemplative Model）：參數(shù)化路徑，如場景分析 公式模型（Formulaic Model）：模型化路徑，如數(shù)據(jù)挖掘,What happened ?,Why did it happen ?,What will happen ?,ROI,應(yīng)用復(fù)雜性,Human Discovery,Machine-assisted Discovery,常用的數(shù)據(jù)分析方法/模型,數(shù)量分析是對事物的數(shù)量特征、數(shù)量

11、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,認(rèn)識分析數(shù)據(jù)：數(shù)據(jù)測量尺度,名義尺度 有序尺度 間隔尺度 比例尺度,認(rèn)識分析數(shù)據(jù)：數(shù)據(jù)結(jié)構(gòu)類型,截面數(shù)據(jù)（Cross-section Data） 時間序列數(shù)據(jù)（Time-series Data） 面板數(shù)據(jù)（Panel Data）,數(shù)據(jù)分析的出發(fā)點：數(shù)據(jù)矩陣,截面數(shù)據(jù)（Cross-section Data） 時間序列數(shù)據(jù)（Time-series Data） 面板數(shù)據(jù)（Panel Data）,常用的統(tǒng)計分析方法,數(shù)據(jù)分類分析 聚類分析 判別分析 數(shù)據(jù)化簡

12、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)測分析 時間序列預(yù)測,什么是數(shù)據(jù)挖掘？,Data,Information,Knowledge,Wisdom,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) To find / discover / extract / dredge / harvest 、 Interesting / novel / useful / implicit / actable / meaningful 、 Information / knowledge / patterns / trends / rules / anomalies 、 In

13、massive data / large data set / large database / data warehouse 、,Data + context,Information + rules,Knowledge + experience,為什么會出現(xiàn)數(shù)據(jù)挖掘？,數(shù)據(jù)爆炸性增長是數(shù)據(jù)挖掘技術(shù)應(yīng)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(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？,其他數(shù)據(jù)分析方法：統(tǒng)計學(xué),從處理數(shù)據(jù)的角度看、

14、數(shù)據(jù)規(guī)模不同 數(shù)據(jù)來源不同：觀測數(shù)據(jù)（Secondary Analysis） VS 試驗數(shù)據(jù)（Primary Analysis） 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)注實證性分析（Empirical Analysis）而非探索性分析（Exploratory Analysis） 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,

15、數(shù)據(jù)庫技術(shù),統(tǒng)計學(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)計算,數(shù)據(jù)挖掘是一個過程,“from data mining to knowledge discovery in database”. U. fayyad, G.P.Shapiro and P.Smyth (1996),數(shù)據(jù)挖掘過程中的數(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), 識別或刪除孤立點, 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 多個數(shù)據(jù)庫、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)簡化 減少數(shù)據(jù)量的同時, 還可以得到相同或相近的分析結(jié)果 主要分析方法：抽樣、

16、主成分分析 數(shù)據(jù)離散化 數(shù)據(jù)簡化的一部分, 但非常重要 (尤其對于數(shù)值型數(shù)據(jù)來說),數(shù)據(jù)挖掘過程中的數(shù)據(jù)探索,探索性數(shù)據(jù)分析（Exploratory Data Analysis, 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（a picture is worth a thousand words） 殘差分析（數(shù)據(jù)擬合 + 殘差） 數(shù)據(jù)的重新表達(dá)（什么樣的尺度對數(shù)抑或平方跟會簡化分析？） 方法的耐抗性（對數(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)計圖，

17、如餅圖、直方圖、散點圖、箱尾圖等 模型，如聚類,數(shù)據(jù)挖掘結(jié)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(shù)據(jù)或者測試數(shù)據(jù)是有效的、潛在有用或者驗證了用戶渴望確認(rèn)的某些假設(shè)。 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(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)涵的簡單技術(shù)來運用 客觀興趣度：基于統(tǒng)計或模式的結(jié)構(gòu)，如統(tǒng)計量、支持度、lift等 主觀興趣度：基于用戶對數(shù)據(jù)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(shù)據(jù)挖掘？,定量分析（Quantitative Analysis）的

18、需要存在企業(yè)管理運行的各個側(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。 簡單的報表、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)計分析方法更成熟有效，如趨勢預(yù)測 某些特定業(yè)務(wù)問題無法用數(shù)據(jù)挖掘算法加以解決，例如 資源最優(yōu)配置問題是個運籌學(xué)問題 某些物流管理問題或者供應(yīng)鏈管理問題是個隨機(jī)規(guī)劃問題 營銷預(yù)演本質(zhì)是個系統(tǒng)仿真問題,幾個基本概念,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)

19、據(jù)空間中的所有點，例如聚類分析 模式：對數(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)空間的一個子集，例如關(guān)聯(lián)分析 算法（Algorithm）：一個定義完備（well-defined）的過程，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)測型挖掘（Predictive） 描述型挖掘：對數(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)測型挖掘：根據(jù)觀察到的對象特征值來預(yù)測它的其他特征值 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,”b

20、eers”) 0.5%, 60% 分類與預(yù)測（模型、預(yù)測型） 發(fā)現(xiàn)能夠區(qū)分或預(yù)測目標(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)測則是數(shù)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(yù)測，病人病情的判斷 聚類（模型、描述型） 對數(shù)據(jù)分組以形成新類，類標(biāo)記是未知的 例如：市場細(xì)分 孤立點探測（Outlier Detection）（模式、預(yù)測型） 分析異?；蛟肼晹?shù)據(jù)的行為模式 例如：欺詐檢測,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）每個事務(wù)是數(shù)據(jù)項的集合，試圖發(fā)現(xiàn)項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)則就是一個具有“A B”形式的邏輯蘊涵

21、式 頻繁模式并不必然蘊涵著因果關(guān)系或相關(guān)關(guān)系！ 算法實現(xiàn)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（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,”IBM PC”) 序列模式（Sequence Pattern） 數(shù)據(jù)項是一個包含時間標(biāo)簽的序偶item

22、(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 Y Z 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 A C (50%, 66.6%) 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(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 play basketball eat cereal 40%, 66.7

23、% 是一個誤導(dǎo)規(guī)則, 因為吃谷類食品的學(xué)生占學(xué)生總數(shù)的75%, 比66.7%更高 play basketball not 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(guān)聯(lián)規(guī)則的應(yīng)用,市場購物籃分析（Market Basket Analysis） 例如一個事務(wù)是客戶的一個購物清單，同一客戶的兩份清單被認(rèn)為是兩個不同的事務(wù) 數(shù)據(jù)項是所有可能陳列貨物的全集 目標(biāo)是發(fā)現(xiàn)同時出現(xiàn)的貨品組合間的關(guān)聯(lián)模式 應(yīng)用：商品貨價設(shè)計、倉儲規(guī)劃、網(wǎng)頁布局、產(chǎn)品目錄設(shè)計等等 交叉銷售（Cross Selling） 客戶依次購買不同產(chǎn)品的序列 目標(biāo)是發(fā)現(xiàn)在購買某一

24、產(chǎn)品組合之后客戶可能購買的另一產(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 一般會有另一獨立地數(shù)據(jù)集（測試集）用以驗證所構(gòu)建分類函數(shù)的準(zhǔn)確性，避免過度擬合,分類過程示意,訓(xùn)練集,分類學(xué)習(xí),訓(xùn)練集,分類器,IF rank = professor OR years 6 THEN tenured = yes,Jef is YES!,分類中的決策樹（Decision Tr

25、ee）歸納,決策樹 類似于流程圖的樹型結(jié)構(gòu) 內(nèi)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(jié)果 葉節(jié)點代表分類標(biāo)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(xùn)練樣本都位于根節(jié)點 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(yīng)用決策樹: 對未知樣本進(jìn)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(jī)？,聚類的基本概念,基本定義 將數(shù)據(jù)對象集

26、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，對聚類結(jié)果的評價一般都是主觀的 基本分類 將數(shù)據(jù)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(yīng)用,報告內(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)計分析軟件 數(shù)據(jù)挖掘軟件

27、OLAP軟件 科學(xué)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(shù)據(jù)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(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)計圖形和統(tǒng)計表格 使用方式簡單、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,學(xué)習(xí)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(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。無需記憶公式 選擇一種或幾種分析方法來探索性地分析數(shù)據(jù) 讀懂計算機(jī)分析的數(shù)據(jù)結(jié)果，發(fā)現(xiàn)規(guī)律，得出結(jié)論,SAS：The Po

28、wer to Know,SAS (Statistical Analysis System)是一個模塊化、集成化的大型應(yīng)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(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)十個專用模塊構(gòu)成，SAS/STAT（統(tǒng)計分析）；SAS/ETS（經(jīng)濟(jì)計量與時間序列分析）；SAS/QC（質(zhì)量控制管理）；SAS/OR（運籌學(xué)）；SAS/IML（矩陣運算）；SAS/GRAPH（繪圖）等,SPSS：Real Stat, Real Easy,SPSS（Statistical Package for the

29、Social Science）社會科學(xué)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(shù)據(jù)整理、分析功能于一身。用戶可以根據(jù)實際需要和計算機(jī)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(yīng)用。 SPSS的基本功能包括數(shù)據(jù)管理、統(tǒng)計分析、圖表分析、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(guān)分析、回歸分析、對數(shù)線性模型、聚類分析、數(shù)據(jù)簡化、生存分析、時間序列分析、多重響應(yīng)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(quán)估計

30、、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(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。,報告內(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)該是最不會成為問題的 方法是個工具箱,關(guān)于Teradata,2005 Revenue by Business Unit,Teradata Data Warehouse,Retail

31、Solutions,Financial Solutions,Worldwide Customer Services,Systemedia,NCR公司概貌,Fortune 500 company Global operations in over 100 countries & territories More than 28,000 employees $6B revenue Non-pension operating income 3 point improvement to 9%,Teradata在Fortune500中的優(yōu)異表現(xiàn),Leading industries Banking Go

32、vernment Insurance & Healthcare Manufacturing Retail Telecommunications Transportation Logistics Travel World class customer list More than 800 customers Global 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,

33、Travel,Communications,Insurance,Manufacturing/Sourcing,Union Bank of Norway,Technology ROI Awards Harrahs - Grand Prize Winner State of Iowa - Winner, Public Sector TDWI Best Practices Award Enterprise Data Warehouse: Union Pacific Government GCN Agency Awards US Air Force Knowledge Systems, Materia

34、l Systems Group/Enterprise Systems Division NCDM Database Excellence Award Fubon Financial Holding Company (Taiwan) - Silver Award,CIO Magazine Enterprise Value Awards Continental Airlines, Winner - Transportation Ace Hardware, Winner - Retail/Wholesale Intelligent Enterprise Editors Choice Awards T

35、eradata named one of Intelligent Enterprise Dozen Most Influential Companies DM Review 100 Teradata - industry leader in business intelligence, data warehousing and analytics market CRM Market Leader Teradata - Market Leader in CRM Analytics category Best Practices in Business Intelligence LexisNexi

36、s, Managing and Enhancing BI Applications and Infrastructure category RealWare Awards Fubon 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 Sponsor: Gartner Group Continental Airlines 1to1 Impact Award Sponsor: Peppers & Rogers Continental Airlines - Techno