细分客户之数据挖掘问题　 [Nirvana2000 发表于 2007-5-11 21:36:00]

细分客户之数据挖掘 数据挖掘是细分客户的高级手段。这个术语让人们想到试验室里的博士们，他们应用着诸如神经网络、模式识别、机器代码推理和遗传算法之类的尖端科技来发掘客户数据中的特征差别。通常只有信用卡公司才会利用这些先进科技对诸如信用卡欺诈行为之类的复杂行为进行高级分析。 数据挖掘的目标是建立一个能够精确反映客户基础各种特征的数学模型。这种理论的依据是：如果我们能够找到非常好的描述现有客户基础特征的模型或者假设，我们就能够依据这个模型来预测客户基础的未来变化趋势，掌握制胜先机。人们经常引用一个关于数据挖掘模型的经典案例，这几乎已经是一个传说了。它的预测结果是，在杂货店购买尿布的顾客往往也会购买啤酒。 建立一个模型需要投入大量的时间和努力。比如说，你在利用具备自我学习能力的神经网络来建立模型的时候，它需要大量的已有数据来逐渐地学习和训练。只有在它受到相当多的数据训练之后，才能展开有意义的预测或者客户细分。而且建造这样的模型还需要很强的专业技术。统计人员花费6~9个月来制作一个数据挖掘模型也是很常见的。然后企业会部署这些模型来帮助管理层和业务人员们做出市场和运营决策。比如，决定哪些客户将是本次促销活动的针对目标，或者预测哪些客户将会有变化等。 数据挖掘模型功能非常强大。在高级市场分析中已经显现出巨大的价值。它的缺陷在于，对于大多数人来说，数据挖掘仍可望而不可及，不能适应需要快速反应的市场战略活动。 而且数据挖掘模型是由一组专门人员构造的，这就意味着它们数量较少，需要花费相当长的时间来构造，并且对别的人员来说就像一个“黑匣子”——别的人员很难理解这个模型或者知晓这个模型是如何构造的。

阅读全文 | 回复(0) | 引用通告 | 编辑

<TTNN杂志列表>                                <Blog文章导航>                                        <BI资源列表>