6.21更新 前文提要 数据挖掘是数学专家小组根据每个行业、企业及其产品或商品的特点建立的复杂的商业模型,是商业智能的高端运用,它把数据的应用从低层次的简单查询,提升到从数据中挖掘知识,提供决策支持。在商业领域,就是一种新的商业信息处理技术,它最终提供的是一套套的运营解决方案,并不是一个软件,而诸多的软件只是数据挖掘的环境之一而已。
首先,我们要了解数据是什么?做数据挖掘需要哪些数据? 众所周知,在商业领域,数据就是包含着商业信息的一段段的字符。而我们现在所说的数据挖掘的对象就是这些商业数据,当然由于商业目的不同,目前,我们对数据挖掘提供的数据有明确的界定,就是会员卡信息数据、销售记录数据和场内品牌信息数据。 那么,数据挖掘是怎么对数据进行挖掘的呢?大致的流程如下: 1、初步判断和检测现有数据阶段。经过对现有销售数据信息的完整度,细致度,体量和基本规律进行初步的判断和检测,确定挖掘对象,是否适合做数据分析 2、对现有不同系统中的数据通过进行汇集,打通和输入,进行数据准备。 3、利用各种技术性工具,展开数据处理,包括选择,预处理,转换模型,此时的模型为商业假设模型。 4、对处理出来假设模型进行验证,得出正式模型。 5、将模型和企业的销售业务模块进行对接,推出营销方案,经过讨论后执行,通过内部培训,运用到业务信息系统中进行实施。 大家有可能要问,数据挖掘出来有什么用,解决什么问题呢?我们把这些解决的问题分成两大类,直接问题和间接问题: 一、直接问题包括: 1、分类问题,根据事先定义好的类别,对数据进行分类。例如:某银行根据用户信用记录,对信用卡、贷款等用户数据进行挖掘,区分出信用风险分别为高、中、低的三类人群。 类似给你一个客户的相关信息,预测一下他未来一段时间是否会不再消费?信用度是好/一般/差?是否会使用你的某个商品?将来会成为你的高/中/低价值的客户?是否会响应你的某个促销活动?等等 2、估值问题,把分类的结果用连续数值的方式表示。例如:某银行根据用户信用记录,对信用卡、贷款等用户数据进行挖掘,给每个用户进行信用评分(0-1之间)。0.7以上的为高风险,0.3以下的为低风险。 3、预测问题,用分类或者估值的结果,估计将来会发生的情况。 例如:某银行根据用户信用卡消费记录,对用户信用卡消费记录进行挖掘,预测用户下一年的信用卡消费估值,并提供更好的个性化服务。 二、间接问题包括: 1、关联问题,判断两件事情同时或者顺序发生的可能性。 例如:京东上,客户买完刻录光盘后,往往会购买光盘套。 中国鲜花网上,买鲜花的客户往往可能会买花瓶。 2、聚类问题,在没有预先定义类别的情况下,根据数据的自有特征进行分类。 例如:购买不同类别玩具的用户,聚类成为不同“亚文化商品”消费的人群 以上五大问题,其实表明了首先有正确的方法,其次才是正确的算法,最后才能得出正确的结论,形成合理的个性化商业模型。由于当前的市场情况复杂,变化多端,因此在商业领域得数据挖掘往往是多种不同方法的算法在不同层次的组合。试举一例,如果一个商城或百货公司要针对老客户进行促销,首先要通过聚类区分客户群,其次才是对应不同的客户群采取不同的预测促销策略。这就是聚类和分类的综合应用。 数据挖掘具体到百货零售企业目前则有两大更具体的运用,一个是精确营销,包括会员营销、偶发顾客营销和促销营销;另一个则是内部管理系统优化,包括招商品牌管理、场内品牌管理、库存管理、商品上架下架管理和其他。我们先看看数据挖掘对精确营销的具体体现是什么? 在此之前,让我们了解一下精确营销是什么含义,其实大家可以看以下三个特点就明白了。 1、真正以客户为向导,通过分析每个客户的消费行为和偏好,具体解决有哪些精确的客户群问题和怎么向这些客户群进行营销的问题 2、是基于数据挖掘的量化过程,以事实为依据,实现对客户的精准定位和对不同客户不同业务内容的精准推荐 3、其推广营销群体是有针对性的一部分的目标用户,提供个性化的服务。同时,有效增大广告营销投资收益比。 由此可见,其实精确营销两个词就可囊括其义,即精准、深度。 到此,大家可能会对数据挖掘,有了初步的认识和了解。那么,接下来,可能会问,数据挖掘在百货零售企业中怎么做精确营销的呢?表现在哪些方面?且听下回分解…… |