抖音美女越刷越多...数据挖掘惹的“祸”，淘宝精确营销与数据挖掘

• 一. 数据挖掘综合案例：淘宝网精确营销、抖音视频精准推荐

• 二. 为什么要进行数据挖掘

• 三. 实际案例分析方法与过程

  • 1 客户忠诚度分析

  • 2 客户群细分

一. 数据挖掘综合案例：淘宝网精确营销、抖音视频精准推荐

• 在淘宝上买东西，刚开始没什么感觉，买的越多越停不下来，“剁手”极其“残忍”。但这不是你的锅，淘宝的推荐算法抓紧你的心啊！同样，抖音一看上就停不下来，美女越刷越多有木有？支撑这些的就是数据挖掘。

• 数据挖掘在各领域的应用非常广泛，只要该产业拥有具备分析价值与需求的数据仓储或数据库，都可以利用挖掘工具进行有目的的挖掘分析。一般较常见的应用案例多发生在零售业、制造业、财务金融保险、通信业及医疗服务等。

• 在商业销售上，经常会碰到这样的问题：如何通过交叉销售，得到更大的收入？如何在销售数据中发掘顾客的消费习性，并由交易记录找出顾客偏好的产品组合？如何找出流失顾客的特征与推出新产品的时机点，等等。这些都属于关联规则挖掘问题，可以通过关联规则挖掘来发现和捕捉数据间隐藏的重要关联，从而为产品营销提供技术支撑。

• 下面将以“电子商务网站中的商品推荐”为例，介绍数据挖掘中的关联规则应用。

• 一. 回到文首

二. 为什么要进行数据挖掘？

• 当今的商业竞争日趋激烈，获得一个新客户的成本越来越高，保持原有顾客也就显得越来越重要。营销实践表明：争取一个新客户的花费常常可以达到留住一个老客户花费的5~10倍。客户忠诚是客户在较长的一段时间内， 对于企业产品或服务保持的选择偏好与重复性购买。忠诚的客户不仅会增加购买量，而且会为企业介绍新客户。与传统的商务相比较，电子商务的客户忠诚度更重要。

三. 实际案例分析方法与过程

• 影响客户忠诚度的因素非常多，有客户自身方面的原因、企业方面的原因，还有客户和企业以外的其他因素，如社会文化、国家政策等。除了企业自身外，其他都属于不可控因素。从这一点出发，企业可以从自身寻找能影响客户忠诚度的原因。例如，某个客户的忠诚度下降是因为他购买的某类商品的质量出现问题或价格过高，导致该客户转向了企业的竞争对手。对于这种情况，企业需要一种 方法来对客户信息和营销数据的分析，找出哪些原因导致了客户的忠诚度下降，并且针对这些原因采取措施，挽回那些即将变为不忠诚的客户。数据挖掘技术可以建立客户忠诚度分析模型，了解哪些因素对客户的忠诚度有较大的影响，从而采取相应措施。因此，基于数据挖掘技术的客户忠诚度分析具有重要的应用价值。

• 一. 回到文首

1. 忠诚度分析

• 在电子商务系统中，忠诚度分析所需要的客户信息和交易信息分别存放在网站数据库的客户表、订单表及订单明细表中。因此，必须去除这些表中不需要的信息(例如，用户电话、传真、身份证号码、联系方式之类的信息)，抽取需要的信息。抽取信息时应注重抽取能够反映客户个人身份背景、学历等方面的信息，以及反映其交易心理的相关信息。将抽取出来的数据整理成为能被挖掘算法所利用的表格，放入数据仓库中。在计算客户忠诚度时，将客户的忠诚度分为4个等级: 0-忠诚; 1-由忠诚变为不忠诚; 2-由不忠诚变为忠诚; 3-不忠诚。 如果客户本月的消费额比本月之前半年内每月平均消费额减少达到50%以上，则忠诚等级降低一级:如果客户本月的消费额比本月之前半年内平均消费额增加达到20%以上，则忠诚度等级升高一级。经抽取而成的客户信息新表格如下表所示。

客户编号	性别	年龄	教育程度	距最近一次购买时间	月均购买频率	已消费金额	忠诚度级别
101	男	40	本科	5	2.4	2100	0
102	女	28	本科	11	1.5	1400	1
…	…	…	…	…	…	…	…

• 所得到的用户数据很难做到完整全面，用户在注册时可能选择不填注册信息的几项，造成数据项空缺。对于空缺的数据项，要视情况排除或填入默认值。例如，对于数值型数据来说可以取平均值作为默认值。抽取得到的表中数据的类型和挖掘算法需要的类型不一定一致。此时还需要做一些转换工作。 例如，ID3 分类算法需要离散的源数据; C4.5 等算法虽可由程序自动寻找离散化方法，但是有时数据自动分段的边界显得不够自然，不符合人们的一般习惯。这里由分析人员按照一般的统计划分经验来对 属性值进行分段，实现离散化。离散化变换后的客户信息表如下表所示。

客户编号	性别	年龄	教育程度	距最近一次购买时间	月均购买频率	已消费金额	忠诚度级别
101	男	30-40	本科	0-10	2-4	2000-3000	0
102	女	20-30	本科	10-20	0-2	1000-2000	1
…	…	…	…	…	…	…	…

• 本案例采用基于信息论的ID3决策树分类算法进行客户忠诚度分析。该算法根据离散属性集的集合来做出一系列判断将数据分类。它的输入数据是已分好类的样本数据，输出一棵代表分类规则的二叉树或多叉树。

• 一. 回到文首

2. 客户群细分

• 客户群细分是根据公共属性将客户划分成为同类群体的过程，细分的目的是按照客户之间的密切关系或相似程度将客户划分到事先已经定义好的各个客户群中，为营销人员与客户之间的交流提供一个有 效的平台， 从而使得公司可以更好地识别不同的客户群体，区别对待不同客户，采取不同的客户策略，达到最优化配置客户资源的目的。

• 在客户群细分的基础上，通过建立客户行为模型，可以作为营销人员进行一对一营销的依据。一对的营销思想，要求企业能够了解每个客户的爱好、需求，针对客户的个人特点进行营销，和客户建立起长久稳定的关系。长久以来，这一策略只能依靠营销人员与用户个人保持联系而完成。辅助统计分析工具只能了解客户群体宏观层次下表现出来的一些特性。现在，基于数据挖掘工具，可以把客户划分成更加细小的、其消费行为存在较大相似性的微小群体。虽然还不可能细化到表现每个人的全部个性的程度，而且由于客户群体的庞大，每个细分群包括的客户数目事实上也相当可观，离一对一营销还很远，但是这样的细分，能够表现此群体的消费行为共性，对企业制定营销策略具有很大的指导意义。

• 客户群细分变量可以采用一般人口统计学变量(如年龄、性别、收入、教育背景和职业等)，也可以采用客户的购买行为特征变量(如客户购买量、购买的产品类型结构和购买频率等)。在本子系统中，我们采用了后者。通过分析客户的购买行为，使用数据挖掘技术将具有相似消费特征的顾客归为同一类。当某顾客在购买商品时，网站可以利用挖掘结果向该客户推荐他所在客户群的其他客户购买的商品。例如，客户甲经常光"顾网站购买录音带，而客户乙经常光顾网站购买CD,可见甲和乙对音像制品都很感兴趣，都是音乐爱好者。那么，通过客户群细分，可以认为甲和乙是同一类客户。当甲再次进入网站购物时，可以向他推荐购买CD,从而为客户提供个性化服务。客户群细分可以使用分类或聚类来实现。区别如前所述，分类需要已经由营销人员分好类的样本，聚类则自主地对客户群体进行分类。决策树等分类算法易于理解，但受样本划分准确度的影响;聚类算法有时也可以发现营销人员没有发现的一些事实。所以，在本案例中使用聚类算法进行客户群的细分。系统客户群细分所需要的客户信息和交易信息与客户忠诚度分析大致相仿，分别存放在客户表、商品类别表、订单表及订单明细表等多个表内。数据项处理过程主要将这些表内反映客户身份背景、购买兴趣度等相关信息提取出来，并加以清理，除去噪声数据，对信息不完全的数据填入默认值或舍去，进行必要的离散化变换。购买兴趣度信息是根据客户对各个商品的购买情况统计得出的，记录了客户对系统提供的50个商品类别的购买量。最终形成的表包含的属性如下表所示。

客户编号	性别	年龄	教育程度	类别1购买量	类别2购买量	…	类别50购买量
101	男	30-40	本科	0	18	…	60
102	女	20-30	本科	20	2	…	0
…	…	…	…	…	…	…	…

• 一. 回到文首

• 然后对离散变换后的表使用聚类算法进行挖掘。聚类算法分为基于划分的方法、基于层次的方法、基于密度的方法、基于网格的方法、基于模型的方法等几大类，本案例中选择基于划分的K-means算法。

• 客户群细分主要是为下面将介绍的商品推荐做准备的，它的结果将被写入数据仓库的user cluster和cluster info 表中。User cluster表记录客户属于哪个类，共有两个字段，分别为客户编号和类编号。cluster info 表记录每个客户类别中所有顾客的商品购买统计信息，共有3个字段，分别为类编号、商品编号和购买量。

• 商品推荐是电子商务网站用来向访问网站的顾客提供商品信息和建议，并模拟销售人员帮助顾客完成购买过程。它是利用数据挖掘技术在电子商务网站中来帮助顾客访问有兴趣的产品信息。推荐可以是根据其他客户的信息或此客户的信息，参照该顾客以往的购买行为预测未来的购买行为，帮助用户从庞大的商品目录中挑选真正适合自己需要的商品。推荐技术在帮助了客户的同时也提高了顾客对网站的满意度，换来对商务网站的进一步支持。

• 一. 回到文首