信息化数据挖掘.ppt

Reference Chen, M.C., Chiu, A.L., and Chang, H.H., 2005, “Mining changes in customer behavior in retail marketing”, Expert Systems With Applications, 28(4), pp. 773-781. Sung H.H., Sung M.B., and Sang C.P., 2002, “Customer’s time-variant purchase behavior and corresponding marketing strategies: an online retailer’s case”, Computer Industrial Engineering, 43, pp. 801-820. Kim, J.K., Cho, Y.H., Kim, W.J., Kim, J.R., Suh, J.H., 2002, “A personalized recommendation procedure for Internet shopping support”, Electronic Commerce Research and Applications, 1, pp. 301-313. Kim, E., Kim, W., and Lee, Y., 2002, “Combination of multiple classifiers for the customers purchase behavior prediction”, Decision Support Systems, 34, pp. 167-175. Agenda Background Introduction Main ideal Result Conclusion In the past, researchers generally applied statistical surveys to study customer behavior. Recently, however, data mining techniques have been adopted to predict customer behavior. 你不能不知的十大創新技術 Technology Review雜誌（麻省理工學院2002年1月出刊）公佈改變未來的十項新興趨勢 機器與人腦的介面 塑膠電晶體 資料採礦 (Data mining) 數字權利管理 生物測定學 (Biometrics) 語言識別處理 微光學技術 (Microphotonics) 解開程式碼 (Untangling code) 機器人設計 微應用流體學 (Microfluidics) Data mining所指的是由歷史交易資料去發掘知識的過程，而根據Berry與Linoff (1997) 兩人的定義，資料探勘指的是由問題定義、分析資料到結果評量的過程來找尋隱藏在資料中的訊息，如趨勢 (Trend)、特徵(Pattern)及相關性 (Relationship)。 資料探勘的手法可分為：分類 (classification)、推估 (estimation)、預測 (prediction)、關聯分組 (affinity grouping)、分群(clustering) 。 RFM (Recently、Frequency、Monetary) ，為一個常用來量化顧客消費行為之評估指標，評量顧客忠誠度與顧客貢獻度以擬定相關行銷策略。 最近購買時間(R)： 計算由最後一次購買起算至現在之時間。購買某產品之時間距現在愈近，隱含著該顧客再次購買的機率愈高，若最近購買日期離目前時點愈遠，隨著時間之拉長，該顧客之持續購買之機率則下降。 購買頻率(F)： 衡量一個時段內顧客所購買的總次數或是評估顧客在某一段時間內與公司之互動程度，購買頻率愈高則表示顧客與公司互動程度愈高。 購買金額(M)： 計算在某一時段內購買的總金額，顧客購買某產品之總金額亦代表著對此產品之興趣指標，亦為對公司之實質金錢貢獻。 Kahan (1998) 認為RFM是應用非常廣泛的行為分析技術，利用RFM可以更簡單、快速地分析公司的顧客，並指出從行為的觀點來看，RFM是最常用來測量與顧客強度的方法之一。 在RFM的使用上，Sung and Sang (1998)將RFM的值當成建立模式的輸入變數，透過集群的分析方法將顧客分成不同的顧客群，再針對不同的顧客群採行不同的策略。 此篇paper提出動態CRM的應用，並以實際線上零售商為例做探討，其動態的CRM M