【正文】 LMS 的程序。但是除非電話公司可以完全確定新增線路會產(chǎn)生實質(zhì)的利益，否則他們是不會把錢投資在一些特別區(qū)域的網(wǎng)絡(luò)總機和電話干線的。 公司 和其它電話公司一樣，它也希望能找出有家用第二和第三條電話線的強烈需求的家庭。到目前為止，在多次重復整理歷史資料后，這臺 SP/2 已經(jīng)匯編出一套含 22 個詳細而高度機密的統(tǒng)計性資料文件。這些特性包括收入、生活力式、過去通話習慣的詳絀資料等。如果做得到這一點，該公司就可以設(shè)法留下客戶，例如提供特別的費率和服務(wù)。 通訊公司 企業(yè)管理 資源網(wǎng) ()大量管理資料下載 與其它電話公司一樣， MCI 想要保有最多的顧客。該公司把焦點集中在這種技術(shù)的商業(yè)利益上，保持數(shù)據(jù)的品質(zhì)，設(shè)定實際的目標， 而利用其結(jié)果時采取的步驟雖然小，但是實用。這種工具雖然目前使用的人不多，可是等到 Data Mining 越來越普遍后，接受度應(yīng)該會更高?！? 有些 Data Mining 的結(jié)果會比較容易應(yīng)用到實際上，有的則不然。再將這些數(shù)據(jù)與主數(shù)據(jù)庫的人口統(tǒng)計數(shù)據(jù)結(jié)合在一起， Safeway 的行銷部門就可以根據(jù)每個家庭的「弱點」，也就是在哪些季節(jié)會購買哪些產(chǎn)品的趨勢，發(fā)出郵件?！肝铱梢耘e出數(shù)百種與客戶購買行為有關(guān)的例子，」溫曲先生指出：「這些信息實在是無價之寶。 英國 Safeway 也發(fā)現(xiàn)在 28 種品牌的橘子汁中，有 8 種特別受到歡迎?！估?Intelligent Miner 發(fā)現(xiàn)某一種奶酪產(chǎn)品雖然銷售額排名第209，可是消費額最高的客戶中有 25%都常常買這種奶酪，這些客戶可是英國企業(yè)管理 資源網(wǎng) ()大量管理資料下載 Safeway 最不想得罪的客戶。溫曲先生指出，這些功能是連續(xù)發(fā)生的：「并沒有一位統(tǒng)計師在那里跑來跑去的說：「你知道這件事嗎？」這個過程事實上是 我們業(yè)務(wù)的一部份。 在資料被存入 Data Warehouse 之后， Intelligent Miner 會根據(jù)客戶的相關(guān)資料，將客戶分為 150 類。 通常數(shù)據(jù)在存入 Data Warehouse 之前，都必須經(jīng)過各種仔細的轉(zhuǎn)換（ Data Cleansing），例如將標稱值轉(zhuǎn)換為數(shù)值、定義衍生的屬性、以及去除空值（ Null Values）等等，這都要視應(yīng)用而定。這些客戶的消費行為數(shù)據(jù)不斷地被從主數(shù)據(jù)庫中萃取出來，每周存在 Data Warehouse 中（大約有 500GB），使用的平臺則為執(zhí)行 Intelligent Miner 的 RS/6000SP2。 (1)一把網(wǎng)住 將資源集中在特定的問題上，并設(shè)定可達成的目標之后，英國 Safeway 在商業(yè)智慧過程（也就是 Data Warehousing/Data Mining 過程）中的下一步，就是選擇企業(yè)管理 資源網(wǎng) ()大量管理資料下載 適當?shù)臄?shù)據(jù)來源，將客戶的交易數(shù)據(jù)集中在 Data Warehouse 中。為了達成這個目標，我們必須了解六百萬客戶所做的每一筆交易，以及這些交易彼此之間的關(guān)連性?！? 溫曲先生的說法是，這個問題的答案是：「必須以客戶為導向，而非以產(chǎn)品與店家為導向?！冈谟袌鲞\用傳統(tǒng)的技術(shù)，如更低的價位、更多的店面、以及更多種類的產(chǎn)品，競爭已經(jīng)越來越困難了，」溫曲先生說：「大部份的競爭對手在價格以及產(chǎn)品范圍方面都能與我們匹敵 。該公司的信息部有兩臺System/390 服務(wù)器，以平行的方式執(zhí)行 DB2，其中最大者每周要管理八百萬筆交易，以及約 4TB 的磁盤儲存容量。英國 Safeway 定義了明確并實際的目標，使用相當干凈的數(shù)據(jù)源，進行 Data Mining，并且投注許多人力用以解讀 Data Mining 的結(jié)果，并且采取實際的行動以善用 Data Mining 所發(fā)掘出來的信息。 企業(yè)管理 資源網(wǎng) ()大量管理資料下載 英國 Safeway 此個案研究探討英國的 Safeway 如何運用 Data Mining 來從大量的數(shù)據(jù)中萃取商業(yè)信息。從這個角度看， Data Mining 只是知識發(fā)掘過程中的一個步驟而已，而達到這個步驟前還有許許多多的工作要完成。企業(yè)透過 Data Mining 可以分別針對策略、目標定位、操作效能與測量評估等四個切面之相關(guān)問題，有效率地從市場與顧客所搜集累積之大量資料中挖掘 出對消費者而言最關(guān)鍵、最重要的答案，并賴以建立真正由客戶需求點出發(fā)的客戶關(guān)系管 理。 針對 Retention Gap，可以由原客戶后來卻轉(zhuǎn)成競爭對手的客戶群中，分析其特征，再根據(jù)分析結(jié)果到現(xiàn)有客戶資料中找出可能轉(zhuǎn)向的客戶，然后設(shè)計一些方法預(yù)防客戶流失；更有系統(tǒng)的做法是藉由 Neural Network 根據(jù)客戶的 消費行為與交易紀錄對客戶忠誠度進行 Scoring 的排序，如此則可區(qū)隔流失率的等級進而配合不同的策略。 針對 Sales Gap，可利用 Basket Analysis 幫助了解客戶的產(chǎn)品消費模式，找出哪些產(chǎn)品客戶最容易一起購買，或是利用 Sequence Discovery 預(yù)測客戶在買了某一樣產(chǎn)品之后，在多久之內(nèi)會買另一樣產(chǎn)品等等。事實上 CRM 并不算新發(fā)明，奧美直效行銷推動十數(shù)年的 CO（ Customer Ownership）就是現(xiàn)在大家談的 CRM— 客戶關(guān)系管理。 利用 Data Mining 技術(shù)建立更深入的訪客數(shù)據(jù) 剖析，并賴以架構(gòu)精準的預(yù)測模式，以期呈現(xiàn)真正智能型個人化的網(wǎng)絡(luò)服務(wù)，是 Web Mining 努力的方向。 Web Mining 不僅只限于一般較為人所知的 log file 分析，除了計算網(wǎng)頁瀏覽率以及訪客人次外，舉凡網(wǎng)絡(luò)上的零售、財務(wù)服務(wù)、通訊服務(wù)、政府機關(guān)、醫(yī)療咨詢、遠距教學等等，只要由網(wǎng)絡(luò)連結(jié)出的數(shù)據(jù)庫夠大夠完整，所有 OffLine 可企業(yè)管理 資源網(wǎng) ()大量管理資料下載 進行的分析， Web Mining 都可以做，甚或更可整合 OffLine 及 OnLine 的數(shù)據(jù)庫，實施更大規(guī)模的模型預(yù)測與推估，畢竟憑借因特網(wǎng)的便利性與滲透力再配合網(wǎng)絡(luò)行為的可追蹤性與高互動特質(zhì)，一對一行銷的理念是最有機會在網(wǎng)絡(luò)世界里完全落實的。 ● 如果采用不同的價格策略，是否能增加市場占有率？ ● 什么時候才是推出新 產(chǎn)品的好時機？ 企業(yè)管理 資源網(wǎng) ()大量管理資料下載 ● 我們與競爭對手的優(yōu)劣勢如何？ ● 讓我們獲利高的客戶們有什么共同的特征？ ● 當我們的客戶要轉(zhuǎn)向我們的競爭對手之前，是否有何前兆？ ● 如何認定客戶的信用風險狀況？ ● 如何設(shè)計更好的保險產(chǎn)品來吸引客戶，讓客戶滿意？ ● 一個經(jīng)紀人在一個星期中應(yīng)該可以賣出多少共同基金？ ● 于銷售資料中，發(fā)掘顧客的消費習性 ● 根據(jù)以往審核的資料，找尋核發(fā)信用卡的規(guī)則 ● 在 NBA 球賽數(shù)據(jù)中，找出球員的強弱點 ● 從消費及繳費數(shù)據(jù)中，預(yù)警信用卡呆帳可能 ● 從通話記錄數(shù)據(jù)中，預(yù)警盜打電話可能 ● 從宇宙 飛船拍攝的影像數(shù)據(jù)，找尋星球上的火山 ● 星際星體分類 Web Mining 和 Data Mining 有什么不同？ 如果將 Web 視為 CRM 的一個新的 Channel，則 Web Mining 便可單純看做 Data Mining 應(yīng)用在網(wǎng)絡(luò)數(shù)據(jù)的泛稱。 ● 商業(yè)智慧所要解決的問題還包括如何減低詐欺或不實的申報（ Fraud）。 ● 數(shù)據(jù)挖采可以幫您找出 從前的一些信用不良的客戶的特征，而從這些特征您就可以從現(xiàn)有客戶中找出可能有不良信用的客戶，防止產(chǎn)生壞賬，也可以過濾這些人成為您的客戶。 ● 分析客戶的行為，可以讓您看出您的客戶是不是準備要轉(zhuǎn)向您的競爭對手。 Data Mining 的另一個 獨特的用法是在醫(yī)療業(yè)，用來預(yù)測手術(shù)、用藥、診斷、或是流程控制的效率。 Data Mining 可以找出可能的詐欺交易，減少損失。我們可以由一些原本是我們的客戶，后來卻轉(zhuǎn)而成為我們競爭對手的客戶群中，分析他們 的特征，再根據(jù)這些特征到現(xiàn)有客戶數(shù)據(jù)中找出有可能轉(zhuǎn)向的客戶，然后公司必須設(shè)計一些方法將他們留住，因為畢竟找一個新客戶的成本要比留住一個原有客戶的成本要高出許多。利用 Data Mining，零售業(yè)者可以更有效的決定進貨量或庫存量，或是在店里要如何擺設(shè)貨品，同時也可以用來評估店里的促銷活動的成效。行銷人員就可以只針 對這些名單寄發(fā)廣告數(shù)據(jù)，以降低成本，也提高行銷的成功率。 在 Customer Profiling 方面，我們希望找出客戶的一些共同的特征，希望能藉此預(yù)測哪些人可能成為我們的客戶，以幫助行銷人員找到正確的行銷對象。 Data Mining 對每個公司來說都是一種重要的策略性的的計劃，而將之列為高度機密，所以要調(diào)查各家公司到底用 Data Mining 來做什么樣的事其實相當不容易。這說明數(shù)據(jù)與知識的發(fā)掘是一項信息豐富性的工作，面對易變的環(huán)境，沒有現(xiàn)成的 Model 馬上可用，也不要期望按照程序即能成功。 企業(yè)界實際發(fā)展 Data Mining 時，效能并不能預(yù)期，因為有許多因素影響著。根據(jù)數(shù)據(jù)挖掘出特別的信息來，因此現(xiàn) 在超級市場的廚房用品，是按照女性的視線高度來擺放。并且產(chǎn)學合作下，發(fā)展出許多實用的系統(tǒng)，例如 MDT、 Coverstory and Spotlight、 NichWork visualization system、 LBS、 FALCON、 FAIS、 NYNEX、TASA 等等。 目前企業(yè)界把 Data Mining 應(yīng)用在許多領(lǐng)域。也就是說要能把數(shù)據(jù)庫中人口數(shù)據(jù)切分成為一些關(guān)鍵子集合：都市化情況、婚姻狀態(tài)、家庭所得、年齡、風險偏好、高凈值等。企業(yè)必須能夠從巨大數(shù)據(jù)庫中挖掘到濃縮、先前不知、可理解的信息，并從使用中獲利。 Data Mining 的應(yīng)用 Data Mining 導入企業(yè)，其重點在于企業(yè)領(lǐng)域方面的知識，而它的Domainspecific Tools 要結(jié)合企業(yè)中使用者的語言和分析過程，才能發(fā)揮 工具的效能與增進企業(yè)的智慧。同質(zhì)分組相當于行銷術(shù)語中的區(qū)隔化 (segmentation)，但是，假定事先未對于區(qū)隔加以定義，而數(shù)據(jù)中自然產(chǎn)生區(qū)隔。在客戶行銷系統(tǒng)上，此種功能系用來確認 交叉銷售 (crossselling)的機會以設(shè)計出吸引人的產(chǎn)品群組。 關(guān)聯(lián)分組 從所有對象決定那些相關(guān)對象應(yīng)該放在一起。例如由顧客過去之刷卡消費量預(yù)測其未來之刷卡消費量。使用的技巧包括統(tǒng)計方法上之相關(guān)分析、回歸分析及類神經(jīng)網(wǎng)絡(luò)方法。 推理 根據(jù)既有連續(xù)性數(shù)值之相關(guān)屬性數(shù)據(jù)，以獲致某一屬性未知之值。例如，將信用申請者的風險屬性，區(qū)分為高度風險申請者，中度風險申請者及低度風險申請者。它們最終目的，乃為組織取得決策支持所需的信息，這個信息是突破盲點、見人所未見的知識和訊息，能替組織取得競爭優(yōu)勢。所以， KDD 是一連串的程序， Data Mining 是其中的一個步驟而已。 KDD(Knowledge Discovery in Database)和 Data Mining 的關(guān)系也是需要厘清的，根據(jù) Fayyad 等人對 KDD 的定義：「 The nontrivial Process of identifying valid、 novel、 potentially useful, and ultimately understandable pattern in data」，其流程步驟是：先理解要應(yīng)用的領(lǐng)域、熟悉相關(guān)知識，接著建立目標數(shù)據(jù)集，并專注所選擇（ Selection）之數(shù)據(jù)子集；再從目的數(shù)據(jù)中作前置處理（ Preprocessing），去除錯誤或不一致的數(shù)據(jù)；然后作數(shù)據(jù)簡化與轉(zhuǎn)換工作（ Transformation）；在經(jīng)由「 Data Mining」的技術(shù)程序成為樣型（ Patterns）、做回歸分析或找出分類型態(tài)；最后經(jīng)過「 Interpretation/Evaluation」成為有用的知識。 舉個例子來看，一市場分析師在為超市規(guī)劃貨品架柜擺設(shè)時，可能會先假設(shè)嬰兒尿布和嬰兒奶粉會是常被一起購買的產(chǎn)品，接著便可利 用 OLAP 的工具去驗證此假設(shè)是否為真，又成立的證據(jù)有多明顯；但 Data Mining 則不然，執(zhí)行 Data Mining 的人將龐大的結(jié)帳數(shù)據(jù)整理后，并不需要假設(shè)或期待可能的結(jié)果，透過Mining 技術(shù)可找出存在于數(shù)據(jù)中的潛在規(guī)則，于是我們可