数据挖掘技术在营销中的应用模式

　　　图1：营销方法论

　　2、营销中常见的数据挖掘算法
　　
　　数据挖掘是指从大量数据中通过算法搜索隐藏于其中信息的过程。在营销中我们常用的数据挖掘的算法有：聚类、分类、关联。
　　
　　1)聚类
　　
　　聚类是一种无监督的学习算法，也就是说聚类不需要”结果变量“，它可以通过对自变量的探索自动告诉你应该分成多少类。聚类的基本原理是根据样本自身的属性，用数学方法按照某种相似性或差异性指标，定量地确定样本之间的亲疏关系，并按这种亲疏关系程度对样本进行聚类。

　　

　　
　　聚类在营销中的应用
　　
　　某电商公司进口食品类目需要探索不同消费者群体特征，我们结合近半年购买进口食品类目的顾客的购买品类、购物方式、购物时间等因素通过聚类进行分类，找出每类用户的特征。通过聚类我们分成了11组，可以看出每一组人群特征，从而针对不同的组实现营销。

　　

　　
　　2)分类
　　
　　分类是一种有监督的学习方法，分类属于预测性模型，是通过对过去数据的学习来判断未来某种行为。例如在电商客户中事先定义好顾客是否流失，如果我们要预测未来一段时间某个顾客是否流失，这时就要构建分类模型。分类学习方法所使用的数据集称为训练集，训练集中每一个个体都有明确的类别，通过训练集中的数据表现出来的特征，为每一个类找到一种准确的描述或者模型。

　　

　　图2：分类模型示意图

　　
　　分类在营销中的应用
　　
　　小王的目的是通过下周天气预报寻找什么时候人们会打高尔夫，他了解到人们决定是否打球的原因主要取决于天气情况。而天气状况有晴，云和雨;气温用华氏温度表示;相对湿度用百分比;还有有无风。如此，我们便可以构造一棵决策树，如下(根据天气这个分类决策这天是否合适打网球)：

　　

　　
　　从上面分类树种我们可以看出人们打高尔夫的条件是：晴天并且湿度小于70或者多云天气或者雨天不刮风，这三种情况人们打高尔夫的概率会比较大。
　　
　　决策树是是分类模型常用的方法之一，其优点是容易理解、预测准确度高。除了决策树我们还可以利用logistic回归，神经网络、贝叶斯分类器、SVM等算法构建分类模型。
　　
　　3)关联
　　
　　关联分析是从大量数据中发现项集之间有趣的关联和相关联系。关联分析的一个典型例子是购物篮分析。该过程通过发现顾客放入其购物篮中的不同商品之间的联系，分析顾客的购买习惯。通过了解哪些商品频繁地被顾客同时购买，这种关联的发现可以帮助零售商制定营销策略。
　　
　　在数据挖掘当中，通常用“支持度”(support)和“置性度”(confidence)两个概念来量化事物之间的关联规则。关联规则A->B的支持度support=P(AB)，指的是事件A和事件B同时发生的概率。置信度confidence=P(B|A)=P(AB)/P(A),指的是发生事件A的基础上发生事件B的概率。同时满足小支持度阈值和小置信度阈值的规则称为强规则。比如：Computer=>antivirus_software,其中support=2%,confidence=60%，表示的意思是所有的商品交易中有2%的顾客同时买了电脑和杀毒软件，并且购买电脑的顾客中有60%也购买了杀毒软件。
　　
　　关联规则在营销中应用
　　
　　某电商公司的类目运营通过找出二级类目之间的关联性，来指导跨类目的联合促销。我们通过订单数据利用关联规则计算关联性结果如下：

　　

　　
　　根据上述的关联规则，我们在做促销活动时，可以考虑将厨房调料和纸质品、厨房调料和粮油、饼干和坚果等相关产品一起捆绑销售。