数据挖掘应用案例:rfm模型分析与客户细分

数据挖掘应用案例:rfm模型分析与客户细分

ID:19419986

大小:1.25 MB

页数:12页

时间:2018-09-27

数据挖掘应用案例:rfm模型分析与客户细分_第1页
数据挖掘应用案例:rfm模型分析与客户细分_第2页
数据挖掘应用案例:rfm模型分析与客户细分_第3页
数据挖掘应用案例:rfm模型分析与客户细分_第4页
数据挖掘应用案例:rfm模型分析与客户细分_第5页
资源描述:

《数据挖掘应用案例:rfm模型分析与客户细分》由会员上传分享,免费在线阅读,更多相关内容在工程资料-天天文库

1、数据挖掘应用案例:RFM模型分析与客户细分分类:数据挖掘 

2、标签: 市场研究  数据挖掘  RFM模型 2012-01-2121:39阅读(16854)评论(9)    这里,我先给各位朋友拜年,祝大家新春快乐!      兔年就要过去了,本命年的最后一天再不更新博客有点对不住大家!正好刚帮某电信行业完成一个数据挖掘工作,其中的RFM模型还是有一定代表性,就再把数据挖掘RFM模型的建模思路细节与大家分享一下吧!手机充值业务是一项主要电信业务形式,客户的充值行为记录正好满足RFM模型的交易数据要求。      根据美国数据库营销研究所

3、ArthurHughes的研究,客户数据库中有三个神奇的要素,这三个要素构成了数据分析最好的指标:最近一次消费(Recency)、消费频率(Frequency)、消费金额(Monetary)。       我早期两篇博文已详述了RFM思想和IBMModeler操作过程,有兴趣的朋友可以阅读!       RFM模型:R(Recency)表示客户最近一次购买的时间有多远,F(Frequency)表示客户在最近一段时间内购买的次数,M (Monetary)表示客户在最近一段时间内购买的金额。一般原始数据为3个字段:客户ID、购买时间(日

4、期格式)、购买金额,用数据挖掘软件处理,加权(考虑权重)得到RFM得分,进而可以进行客户细分,客户等级分类,CustomerLevelValue得分排序等,实现数据库营销!      这里再次借用@数据挖掘与数据分析的RFM客户RFM分类图。本次分析用的的软件工具:IBMSPSSStatistics19,IBMSPSSModeler14.1,Tableau7.0,EXCEL和PPT      因为RFM分析仅是项目的一个小部分分析,但也面临海量数据的处理能力,这一点对计算机的内存和硬盘容量都有要求。      先说说对海量数据挖掘和

5、数据处理的一点体会:(仅指个人电脑操作平台而言)·一般我们拿到的数据都是压缩格式的文本文件,需要解压缩,都在G字节以上存储单位,一般最好在外置电源移动硬盘存储;如果客户不告知,你大概是不知道有多少记录和字段的;·Modeler挖掘软件默认安装一般都需要与C盘进行数据交换,至少需要100G空间预留,否则读取数据过程中将造成空间不足·海量数据处理要有耐心,等待30分钟以上运行出结果是常有的现象,特别是在进行抽样、合并数据、数据重构、神经网络建模过程中,要有韧性,否则差一分钟中断就悲剧了,呵呵;·数据挖掘的准备阶段和数据预处理时间占整个项

6、目的70%,我这里说如果是超大数据集可能时间要占到90%以上。一方面是处理费时,一方面可能就只能这台电脑处理,不能几台电脑同时操作;·多带来不同,这是我一直强调的体验。所以海量数据需要用到抽样技术,用来查看数据和预操作,记住:有时候即使样本数据正常,也可能全部数据有问题。建议数据分隔符采用“

7、”存储;·如何强调一个数据挖掘项目和挖掘工程师对行业的理解和业务的洞察都不为过,好的数据挖掘一定是市场导向的,当然也需要IT人员与市场人员有好的沟通机制;·数据挖掘会面临数据字典和语义层含义理解,在MetaData元数据管理和理解上下功夫会事半

8、功倍,否则等数据重构完成发现问题又要推倒重来,悲剧;·每次海量大数据挖掘工作时都是我上微博最多的时侯,它真的没我算的快,只好上微博等它,哈哈!    传统RFM分析转换为电信业务RFM分析主要思考: 这里的RFM模型和进而细分客户仅是数据挖掘项目的一个小部分,假定我们拿到一个月的客户充值行为数据集(实际上有六个月的数据),我们们先用IBMModeler软件构建一个分析流:数据结构完全满足RFM分析要求,一个月的数据就有3千万条交易记录!我们先用挖掘工具的RFM模型的RFM汇总节点和RFM分析节点产生R(Recency)、F(Freq

9、uency)、M (Monetary);  接着我们采用RFM分析节点就完成了RFM模型基础数据重构和整理;    现在我们得到了RFM模型的Recency_Score、Frequency_Score、Monetary_Score和RFM_Score;这里对RFM得分进行了五等分切割,采用100、10、1加权得到RFM得分表明了125个RFM魔方块。    传统的RFM模型到此也就完成了,但125个细分市场太多啦无法针对性营销也需要识别客户特征和行为,有必要进一步细分客户群;      另外:RFM模型其实仅仅是一种数据处理方法,采

10、用数据重构技术同样可以完成,只是这里固化了RFM模块更简单直接,但我们可以采用RFM构建数据的方式不为RFM也可用该模块进行数据重构。       我们可以将得到的数据导入到Tableau软件进行描述性分析:(数据挖掘软件在描述性和制

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。