数据挖掘相关资料 - 图文(2)

数据挖掘也可直接用于企业业务系统，以提供预测数据。在企业业务系统中嵌入数据挖掘特征已经变的越来越流行。在一个Web交叉销售的例子中，当客户在Web上加入一种产品到购物篮后，数据挖掘中的预测查询被调用，从而基于相关性分析的结果产生针对该客户的推荐产品。 数据挖掘也可以在OLAP数据立方上进行。数据立方是一个有着多个指标（Measure）和多个维度（Dimension）的数据库。一个大的维度可能含有几百万个数据成员，数据立方中的元素（Cell）个数是各个维度元素个数的乘积。这对于手工寻找数据中蕴含的模式是不现实的。数据挖掘技术能在一个数据立方上进行模式发现。比如，关联规则算法能用于在销售数据立方中，分析在一段时期内，某区域的客户的购物模式。我们可以用发现的购物模式预测门店销售额和销售利润。另一个例子是聚类分析。数据挖掘能将消费者通过维度的属性和指标聚分割成不同的类型。数据挖掘不仅能从数据立方中发现模式，还能对数据立方进行重新组织。比如，我们可以建立一个新的客户维度，该维度的数据基于来源于聚类分析的结果，表示每个客户属于哪一种识别出的类别，从而进行更有效的分析。

用于大企业，数据挖掘技术的效果会更明显。比如证券公司，证券公司历来都对客户的交易有详细的记录，通过对这些记录的分析，证券公司能进一步了解客户最感兴趣的板块。如果一位客户的大部分投资都放在高新技术板块，而不是传统企业，那么证券公司就能有针对性地对他进行推销，如类似的科技股或者绩优股，而客户也倾向于接受证券公司的销售。通过这种有针对性的销售，很多老客户就可能保留下来。

国外有关数据挖掘的成功应用实例：

如：英国电信选用了SPSS 的数据挖掘产品Clementine，为其“商业高速公路”活动，分析数据和建立探索模型。应用这个系统的结果是，英国电信更好地了解到这些客户和他们在电信市场的行为特征：

? 向销售人员和营销活动提供了“最佳客户”清单； ? 直邮活动回应率提高了100%。 又如美国西部电信公司（US WEST），作为美国最大型的长途电信公司之一，拥有2000 万以上的客户。该公司使用SAS 研究所的企业挖掘器（Enterprise Miner）软件以进一步增强其已获成功的目标市场战略。US WEST 利用销售活动管理软件，连同SAS 的Enterprise Miner 一起，使得营销专家可以对列入目标的销售活动进行规划、执行及评估。将数据挖掘工具与销售活动管理软件结合在一起既消除了销售人员对全部客户数据进行评分的负担（而这将极为耗时），也减少了手工干预所造成的人为错误，其结果是，公司的市场营销周期大为缩短，而且由于能够对市场做更加细致和高度目标化的划分而使企业得到了更高的营销投资回报（ROI）。

三、电信市场精细化营销对数据挖掘的需求分析 随着国内电信业的发展壮大、市场竞争格局的改变和市场监管的规范，适应入世后与国际接轨的竞争环境，电信市场竞争逐步加深，国内电信运营商的竞争理念和方式正在悄然发生转

变。 首先，竞争正由企业间的竞争向价值链间的竞争转变。价值链竞争将处于未来竞争的主导地位，不同的运营商将会构筑不同的价值链，价值链环节包括SP、设备商、系统集成商、软件开发商及终端提供商等。从前瞻性的角度来考虑的话，不同价值链之间将会成为未来竞争的主要领域。目前的竞争主要体现在话务量竞争、接入手段竞争等方面；从未来看，应该是一种全面满足客户多媒体需求的综合解决方案能力的竞争，这种能力的具备需要价值链各个环节共同合作来完成，“移动梦网”、“联通无限”的数据业务的竞争就是比较典型的价值链之间的竞争。

其次，竞争重点逐步由网络资源转移到业务和服务创新。长期以来，电信运营商之间的竞争主要在网络和业务两个层面展开。当前，各大运营商的资源与实力越来越接近，电信技术的发展使得业务的替代性竞争日益增强。同时，电信需求日趋多样化、个性化和多层次化，而价格战和用户普及率的不断提高等原因已经导致运营商的ARPU值（户均月收入）逐年降低，企业利润摊薄。因此，随着电信竞争的加剧，电信运营商的核心竞争力将越来越依赖其服务竞争。

四、电信行业离网预警模型设计 用户离网预警模型主题的选取

对于电信运营商来说，市场的客户转移是一个很大的问题。

随着行业中的竞争越来越激烈和获得一个新客户的开支越来越大，保持原有客户的工作也越来越有价值，特别是高价值的客户。保留一个旧客户所需的费用要远远低于吸引并使一个新客户签约所需的开支。如何使用数据挖掘，来对不同的旨在保留客户的活动进行建模，对整个客户保持工作起着重要的作用。

对于保持原有客户而不只是吸引新客户的价值，Don Peppers 和MarthaRogers 在他们的书《一对一企业》中给出一个简单的例子来说明。他们举了一个杂志订阅的例子。如果每年的续订率以2%增长，那么若用当前净价值来衡量每个客户的整个生命周期价值的话，每个客户的价值将得到25%的提高。 原因是，保留一个客户的时间越长，收回在这个客户身上所花的初期投资和获取费用的时间也越长。随着保留客户的费用与获得新客户的费用比在逐年降低，这样的效果也逐年明显。 在电信业中使用数据挖掘技术建立一个有关客户流失的预测模型来预测哪些客户具有高风险转移的可能性，并可将这些结果应用到市场活动中去。 模型解决的业务问题

? 自动发现预警用户离网的主要变量以及变量参数

? 自动产生某段时间可能离网的高危用户名单以及各用户的ARPU等信息 ? 指导针对性的用户预警挽留工作

? 降低用户挽留的成本，提高用户挽留成功率 模型的输出结果及应用