注册 登录  
 加关注
   显示下一条  |  关闭
温馨提示!由于新浪微博认证机制调整,您的新浪微博帐号绑定已过期,请重新绑定!立即重新绑定新浪微博》  |  关闭

数据挖掘 营销应用

说出你的业务困惑, 看数据挖掘能否帮你解惑

 
 
 

日志

 
 

数据挖掘与营销实践(18,数据挖掘建模的几个误区分析)  

2009-01-20 09:03:28|  分类: 数据挖掘的实践应 |  标签: |举报 |字号 订阅

  下载LOFTER 我的照片书  |

 

本文参考罗茂初的《数据库营销》一书,罗茂初在美国作为数据库营销专家从事相关的实践项目已经有十多年时间,是一名经验丰富的数据库营销专家。我的博客日志之所以偶尔会介绍一些他人的文章和思想,只是觉得他们说的非常好,我们的数据挖掘用户企业和爱好者需要听听来自实践第一线的世界一流的真正专家的真知灼见。

提起数据挖掘,人们想起的首先就是数据模型和模型的应用。以前对模型不了解的人都会产生很多误解和困惑。对于没有相关专业训练的企业用户来说,要理解统计方法和数据分析技术细节,解译模型结果都非常困难。有鉴于以上原因,我们有必要澄清一些有关数据挖掘的误区,使大家更正确清楚了解数据挖掘的本来面目。

误区一:建模型是专家的事。以数据挖掘在市场营销的应用为例,虽然因为需要专门训练,模型的搭建都是有模型技术人员、分析师来完成的,但是业务人员(此处指企业的营销专家)不应该置身事外。恰恰相反,营销人员在模型搭建过程中扮演至关重要的角色。具体表现在,第一,营销人员是模型的使用者,是需求方。从需求者的角度,营销人员可以对模型的规格,质量,使用、时间进度等提出具体意见,引导模型开发朝着有利于使用、有助于解决实际问题的方向进行;第二,对于模型搭建的数据来说,营销人员可以利用自己的经验和专业知识对数据的选择和筛选提出建议;第三,模型的投放使用离不开营销人员的关键作用,再好的模型,如果不能在恰当的时间运用到恰当的客户身上,也发挥不了模型的作用,所以需要营销人员设计和落实模型的使用方案。好的模型是营销经验和精确分析的结合,而前者是模型开发技术专家通常缺乏的,需要营销人员的支持和配合。

误区二:陷入算法崇拜。很多人都认为模型就是一些公式和算法,好的模型就是一些先进的算法,这是一种普遍的误解。模型开发包括许多因素,包括模型目标,建模样本,收集整理处理数据,参数选择,模型的评估,误差的设定,模型的修改和确定,等等。可以看出,算法只是其中一个因素。就算法而言,也是具体问题具体分析,在不同的实际情况可能适合不同的算法,通常在实践项目中用不同的算法建模,再进行比较,筛选。

误区三:模型开发一定需要大量数据。很多中小企业的营销部门都认为,自己的企业跟大企业不同,客户数量很有限。模型开发是否一定要有大量数据为前提?答案是否定的。诚然,数据量越大模型的开发越相对容易,但是大型数据规模决不是模型开发的先决条件。很多有效的模型开发所用的数据只有几百到几千个数据记录。建模主要取决于关键数据的量而不是总体数据的量。比如,如果你想建立一个回应模型预测谁最有可能回应电子邮件促销,关键的数据是以前的促销战役中有多少人回应。如果你有千把人回应并购买了你的产品,你就可以建立一个很可靠的模型,即使只有几百个回应者也可以建立不错的模型。同样道理,企业是否有数据库也不是开发预测模型的必要前提。

误区四:模型开发投资太高。这种担心有一定道理,但是企业高层可以先尝试小范围的试验,如果效果好的话,再大规模投资,这样不是更有把握和胜算吗? 误区五:预测模型在B2B环境中不起作用。这种观点认为B2B环境中企业的赢利模式不同于个人营销,客户的帐户类型不同,产品利润有巨大差异,企业客户的购买周期非常长而且没有规律。实际上,一个预测模型能否成功发挥作用,并不依赖赢利方式,而主要取决于所分析的数据。B2B中有关交易数据就是非常好的数据。比如客户都买了什么,什么时候买的,买的数量多少等等,客户与企业的交易历史长短,总销售量,总利润,都非常有分析挖掘价值。预测模型在B2B环境中一样大有用武之地,因为近几年来我们已经成功地在B2B环境中实施过数据挖掘和营销。

  评论这张
 
阅读(735)| 评论(0)
推荐 转载

历史上的今天

评论

<#--最新日志,群博日志--> <#--推荐日志--> <#--引用记录--> <#--博主推荐--> <#--随机阅读--> <#--首页推荐--> <#--历史上的今天--> <#--被推荐日志--> <#--上一篇,下一篇--> <#-- 热度 --> <#-- 网易新闻广告 --> <#--右边模块结构--> <#--评论模块结构--> <#--引用模块结构--> <#--博主发起的投票-->
 
 
 
 
 
 
 
 
 
 
 
 
 
 

页脚

网易公司版权所有 ©1997-2017