数据挖掘与CRM

本课程要求学员熟悉Windows操作系统，并具有基本的数据挖掘知识。这门课程会简单地介绍数据挖掘及CRM知识，但更重要地是，展示软件如何实现CRM

CRM原理+数据挖掘软件的实现

结业证书

应用案例分析-数据挖掘与CRM
培训时间：08年08月04日－06日 09月16-18日 10月13-15日
培训地点：乌鲁木齐/青岛/贵阳
培训费用：3880
培训内容： CRM原理+数据挖掘软件的实现
应用工具： Clementine
学员参加本课程的必要条件
本课程要求学员熟悉Windows操作系统，并具有基本的数据挖掘知识。这门课程会简单地介绍数据挖掘及CRM知识，但更重要地是，展示软件如何实现CRM。
课程形式
课程以讲授和上机操作相结合来进行。培训期间，每人一台电脑。
序 号 名 称 具体内容
模型1 客户细分与获得
1. 对客户消费数据进行分析与描述
2. 产生客户细分模型或者价值金字塔
3. 描述不同客户细分群的特征
模型2 客户促销响应模型
1. RFM模型
2. 基于提供的所有数据的预测模型
3. 分群模型
模型3 客户价值细分、迁移和流失模型
1. 客户价值迁移预测
2. 客户流失模型
总结 答疑与讨论


应用案例：希阿蒙公司的市场活动
（一）商业背景
本次使用的数据是基于一个虚构的销售电子产品的零售公司；这个数据完全是虚拟的，但是数据挖掘技术适用于多个行业。
为了提高企业效益、实现客户价值最大化，希阿蒙零售公司准备开展一个大型的市场活动，考虑到以往市场活动的效果并不理想，这次活动之前要先进行研究，以便解决以往的一系列问题，如：如何提高客户对于市场活动的响应率？如何区别大客户与普通客户，是否对大客户开展单独的市场活动，以便获得更多地利润？如何从已有客户中找出高价值客户？如何防止客户流失的发生？
综上所述，希阿蒙公司面临的问题包括：
如何定义与计算客户的价值
如何提高客户的市场活动响应率
如何获取及保持高价值客户
如何提高客户的价值
（二）已有数据
我们从希阿蒙公司数据库中抽取9个数据来进行研究，包括：
CARD.dat：购物卡内登记的客户信息
GDG.dat：基于邮政编码的地理人口学信息
TRANSACTION.dat：以购物篮为单位的交易数据
TRANSACTION_ITEM.dat：在商品个体层面的交易数据
ITEM.dat：所有待售商品列表、商品编号、产品大类、小类和品牌数据
CATEGORY.dat：产品种类编号与描述
SUBCATEGORY.dat：产品小类与描述
BRAND.dat：产品品牌与描述
CAMPAIGN.dat：客户列表，包含客户参加上次市场活动响应/未响应的标识

CARD.dat （11个变量，140,132条记录）
变量名称 含义
CardID 客户号
City 城市
Region 地区
PostalCode 邮编
CardStartDate 开卡时间
Gender 性别
DateOfBirth 出生年月日
MaritalStatus 婚姻状态
HasChildren 是否有子女
NumChildren 子女数
Youngestchild 最小子女年龄

GDG.dat （18个变量，150,000条记录）
变量名称 含义
City 城市
PostalCode 邮编
Population 人口数
HouseHolds 家庭数
HHgrowth5yr 过去5年 家庭增长率
HHAveSize 家庭人口平均数
PopUnder5 5岁以下人口数
Pop5_16 5-16岁人口数
Pop17_25 17-25岁人口数
Pop26_35 26-35岁人口数
Pop36_45 36-45岁人口数
Pop46_55 46-55岁人口数
Pop56_65 56-65岁（含65岁）人口数
PopOver65 65岁以上人口数
HHIncomeMed 家庭收入中位数
HHNoWorkers 家庭工作人数
WhtCollarOcc 白领
BluCollarOcc 蓝领

TRANSACTION.dat （6个变量，367,296条记录）
变量名称 含义
Store 商户编号
Date 日期
Time 时间
TransactionID 交易号
CardID 客户号
PaymentMethod 支付方式

TRANSACTION_ITEM.dat （8个变量，394,505条记录）
变量名称 含义
Store 商户编号
Date 日期
Time 时间
TransactionID 交易号
ItemNumber 商品数量
ItemCode 商品号码
Amount 单价
Markdown 标记

ITEM.dat （6个变量，820条记录）
变量名称 含义
ItemCode 商品号码
ItemDescription 商品描述
CategoryCode 大类编号
SubCategoryCode 小类编号
BrandCode 品牌编号
UpmarketFlag 标记

CATEGORY.dat （2个变量，7条记录）
<, P class=MsoNormal style="TEXT-ALIGN: center" align=center>变量名称 含义
CategoryCode 大类编号
CategoryDescription 大类描述

SUBCATEGORY.dat （2个变量，47条记录）
变量名称 含义
SubCategoryCode 小类编号
SubCategoryDescription 小类描述

BRAND.dat （2个变量，40条记录）
变量名称 含义
BrandCode 品牌编号
BrandDescription 品牌描述

CAMPAIGN.dat （2个变量，40条记录）
变量名称 含义
CardID 客户编号
Responded 是否响应

（三）解决方案
模型1：客户细分与获得
根据客户价值对客户进行细分，要通过分析与描述决定客户的细分和目标定位，以提高大客户的获得。
对交易数据进行探索性分析，计算客户消费，然后通过进一步分析，定义客户细分，也就是对体现客户价值的客户消费额或交易数量等进行分类。根据这些结果，建立客户细分模型，每个客户被划分到相应的类别中，然后对客户的交易数据、人口数据等进行描述，得到相应的客户价值分群的描述。（注：方框代表数据，椭圆代表数据流）
模型2：客户促销响应模型
模型2预测客户对市场活动的响应情况。在这个模型中，针对客户开展了一次市场活动，每个客户对市场活动有响应与不响应两种反应情况，分别记录各个客户的反应情况。该模型对与客户是否响应市场活动的影响因素进行分析，根据客户的影响因素的特征，可以预测具备某些特征的客户将来对类似的市场活动的响应情况。
模型3：客户价值细分、迁移和流失模型
该模型对客户的价值迁移及流失进行预测，探索客户迁移的模式。客户迁移模式有两种，一种是活跃的程度不同，即在价值金字塔的上下变动，第二种是从活跃到不活跃的变化，即客户流失。该模型需要的数据包括模型1中的客户综合数据，模型2的购买模式数据，以及客户价值细分数据。
（四）结果
第一个模型对客户价值进行细分，并对客户细分群的特征进行描述，有利于客户获得。这个模型主要包括如下结果：
对客户消费数据进行分析与描述
产生客户细分模型或者价值金字塔
描述不同客户细分群的特征
第二个模型预测客户对于市场活动的响应，使用了RFM评分以及客户行为数据，产生了三个模型：
RFM模型
分群模型
第三个模型预测不同价值的客户的迁移及流失，产生了：
客户价值迁移预测
客户流失模型

届时将聘请有关领导及专家学者授课