北大版客户关系管理 数据挖掘
客户关系管理系统的数据挖掘与分析
客户关系管理系统的数据挖掘与分析近年来，随着市场经济的不断发展，客户经营已经成为企业发展的重要组成部分。
客户关系管理系统（CRM）就是为了帮助企业更好地进行客户关系管理而开发的一种软件系统。
这种系统可以利用各种技术手段来收集、存储、分析和利用客户信息，以实现对客户数据的管理、维护和分析。
在客户关系管理系统中，数据挖掘和数据分析技术是非常重要的一环。
这些技术可以帮助企业更好地了解客户的需求和偏好，以便更好地满足客户的需求，并提高客户的满意度和忠诚度。
一、数据挖掘的应用数据挖掘在客户关系管理系统中具有可操作性强、效率高、可持续升级等优点，具体应用如下：1.客户分类和细分在客户关系管理系统中，企业可以利用数据挖掘技术对客户进行分类和细分，以便更好地了解客户的需求和偏好，从而开发出更符合客户要求的产品和服务。
具体应用包括：（1）客户基本信息分析：通过对客户的性别、年龄、职业、收入等数据进行分析，进一步了解客户的生活习惯和消费习惯等信息。
（2）购买历史分析：通过对客户的购买历史进行分析，了解客户的购买偏好和消费能力等信息。
（3）行为模式分析：通过对客户的行为模式进行分析，包括网站浏览记录、社交媒体活跃度、邮箱使用偏好等，可以更好地了解客户的需求和偏好。
2.市场趋势分析通过对数据的挖掘和分析，企业可以更好地了解市场的趋势和变化，进而调整生产和销售战略。
具体应用包括：（1）竞争分析：通过对竞争对手的产品、服务、宣传等各方面的分析，了解竞争对手的实力和策略，进而制定相应的应对措施。
（2）市场规模分析：通过对市场规模、市场增长趋势等数据进行分析，了解市场行情和客户需求，以保持市场竞争优势。
（3）促销方案分析：通过对不同促销方案的效果进行分析，可以进一步改进促销方案，提高销售额。
二、数据分析的方法和技术除了数据挖掘技术外，数据分析也是客户关系管理系统中的一项重要技术。
数据分析方法和技术主要包括：1.多维度分析多维度分析是一种可以从不同角度对数据进行分析的方法。
客户关系管理与数据挖掘
客户关系管理与数据挖掘1. 简介客户关系管理（Customer Relationship Management，CRM）是一种通过有效运用技术和数据，建立并管理企业与客户之间的关系的方法。
数据挖掘（Data Mining）是一种通过分析大规模数据集，发现其中的模式和规律的方法。
在当今信息爆炸的时代，客户关系管理与数据挖掘的结合成为了企业获取竞争优势的重要手段。
本文将深入探讨客户关系管理与数据挖掘的关系，以及如何通过数据挖掘技术来实现更好的客户关系管理。
2. 客户关系管理客户关系管理是指企业通过有效管理与客户的互动，以获取、发展和保持良好的客户关系的一种战略和工具。
它不仅关注客户的购买行为，还重视与客户互动的各个阶段。
客户关系管理的目标是提供更好的客户体验，增加客户满意度，并最终提升企业的整体业绩。
客户关系管理通常包括以下几个关键环节:2.1 客户需求分析通过收集和分析客户数据，了解客户的需求和偏好。
这包括通过市场调研和数据分析等手段，对客户的消费行为、购买历史、兴趣爱好等进行深入了解，以预测客户未来的需求。
2.2 客户开发与维护通过与客户的沟通与互动，建立良好的客户关系。
这包括定期与客户进行交流，提供个性化的产品或服务，解决客户的问题和投诉等。
2.3 客户满意度评估通过客户满意度调查等方式，了解客户对企业产品或服务的满意程度。
根据客户的反馈，及时采取改进措施，提升客户的满意度。
2.4 客户关系维护建立客户档案和数据库，记录客户的基本信息和互动历史。
通过有效管理客户数据，实现客户关系的持续维护与改进。
3. 数据挖掘在客户关系管理中的应用数据挖掘技术可以帮助企业实现更好的客户关系管理。
通过对大规模客户数据的挖掘和分析，可以发现客户群体的特征和行为模式，为企业制定客户关系管理策略提供有力的支持。
以下是数据挖掘在客户关系管理中的几个典型应用场景:3.1 客户细分通过对客户数据进行聚类分析，将客户细分为不同的群体。
北大版客户关系管理(第二版)第四章数据库营销
大数据时代的商业调查
• 在全球范围内，传统的市场调查都在以惊人的速度萎缩。以 欧美为例，由于法律对个人隐私的保护很完善，防骚扰的法 律条文执行严格，传统的入户调查和电话调查很难得到许可。 在美国，传统的调查方式只占全部调查的50%，在澳大利亚， 这一数字甚至只有30%。取而代之的是在线调查方式。
《客户关系管理》
第4章 数据库营销
湖北工程学院经济与管理学院 lihaiqinlhq@
2019/11/27 1
• MIT发表的一篇论文 “通过公共大数据预测 群体行为”指出，类似 2013年导致埃及前总统 穆尔西下台的民众抗议 示威浪潮，其实是可以 通过分析Twitter活动预 测出来的。本次研究收 集的公共数据为我们研 究大型示威活动对国家、 城市和组织的未来发展 的影响提供了前所未有 的观察角度。
大数据时代的商业调查
• 智点近日为肯德基做的一项调查，就是应用了智能手机的GPS 功能。他们首先挑选出北京30家肯德基门店，只要装了智点 APP的用户，在这30家门店方圆一公里的范围内，就会被自动 侦测到，会收到邀请，参加肯德基的调查。当用户进入肯德 基，回答一些问题，拍摄几张照片，数据马上反馈回到肯德 基客户服务部门，帮助肯德基迅速调整销售策略。
• 如何完成这个“不可能的任务”？智点汇科技有限公司CEO彭鹏介绍：“我们 用了一套很丰富的图表，比方说对某一个广告当中出现的一个卡通人物，被 调查者对它的喜爱程度，排在第一二位的分别是什么情况，卡通人物有哪些 特性，我们直接用图表很直观地看出来。从原始问卷到我们最后形成的图表 结果中间，我们做了一个小的模型转换，数据回到我们服务器，云服务直接 把数据处理成图表。（类似于网上投票，投票后能实时反馈投票结果）这个 项目实际上已经做到了实时。如果没有当下的移动互联网技术，在传统调查 领域这是很难想象的。”
客户关系管理中的数据挖掘技术探析
客户关系管理中的数据挖掘技术探析现代社会中，科技发展迅猛，互联网的普及使得各行各业都变得更加数字化。
尤其是在商业领域，客户关系管理是一个至关重要的领域，而在这个领域中，数据挖掘技术发挥着重要作用。
在本文中，将深入探索客户关系管理中数据挖掘技术的应用和发展趋势。
一、客户关系管理什么是客户关系管理？客户关系管理（Customer Relationship Management，简称CRM）是通过对客户进行分类分析，主动满足客户需求，以提高客户满意度的一种管理方法。
在商业运作中，CRM是连接企业与客户的纽带，同时也是企业获取客户信息的重要平台。
通过CRM系统，企业能够更好地维护客户关系，提高客户满意度和忠诚度，进而提高企业的经济效益。
二、数据挖掘技术数据挖掘技术（Data Mining），又称数据挖掘实践、信息挖掘、数据和知识发现等，是在大规模数据中自动寻找有用信息的过程。
通过使用这些有用的信息，人们可以更好地理解数据、改进决策、提供支持以及发现新的知识。
数据挖掘技术包括分类、聚类、关联规则挖掘、异常检测等多种方法。
每个方法都针对不同的数据类型和数据特征。
在成千上万的数据中，这些方法能够自动发现数据中隐藏的规律，从而对相应的计算结果进行处理，以便让人们更好地去审阅这些数据。
因此在CRM中使用数据挖掘技术能够帮助企业从客户的维度创造更多价值。
三、CRM中的数据挖掘技术应用如何将数据挖掘技术与客户关系管理相结合？下面主要从客户分类、客户预测、客户忠诚度等方面来介绍CRM中数据挖掘技术的应用。
1、客户分类根据数据挖掘技术，我们可以把客户分成不同的类别，进而对企业的营销策略进行针对性的调整。
例如在电商平台中，通过挖掘数据，可以将消费者按购买金额、购买频率、消费时间等多维度信息来进行分类，从而来缩小营销范围，实现精准定位和提高推销效果。
2、客户预测在数据挖掘领域，可以利用数据预测技术，根据客户购买或咨询他人的历史行为，来预测未来的购买行为。
客户关系管理系统的数据挖掘技术研究与应用
客户关系管理系统的数据挖掘技术研究与应用随着互联网的发展以及信息技术的快速进步，各类企业都注重建立和维护与客户的紧密关系。
客户关系管理系统（Customer Relationship Management System，CRM）因其便捷的数据管理能力，成为现代企业中不可或缺的一部分。
而数据挖掘技术在客户关系管理系统中的研究与应用，对于企业发展和市场营销具有重要的意义。
一、数据挖掘技术在客户关系管理系统中的应用价值客户关系管理系统通过收集和分析客户数据，帮助企业了解、建立并维护与客户的关系。
数据挖掘技术则可以在客户数据中发现潜在的商机和趋势，从而提供企业决策的支持。
1. 客户细分和分类数据挖掘技术可以根据客户的交易行为、个人特征和偏好等信息，将客户分成不同的群体和细分市场，以便企业能够更加精确地推送产品、制定销售策略和个性化营销计划。
例如，根据客户的购买历史和消费偏好，可以将客户分为高忠诚度客户、潜在高价值客户或产品满意度低的客户。
2. 潜在客户预测和发现通过数据挖掘技术，可以对潜在客户进行预测和发现。
例如，通过对已有客户数据的分析，可以找出与现有高价值客户具有相似特征的潜在客户，从而提供个性化的推销计划和销售机会。
3. 客户满意度分析数据挖掘技术可以通过分析客户的投诉、反馈和评价数据，从中发现客户满意度较低的原因，并提供改进建议和解决方案。
这能够帮助企业提高客户的满意度和忠诚度。
4. 跨销售和客户转化通过数据挖掘技术，可以分析不同产品或服务之间的关联性，发现跨销售机会。
例如，分析购买某种产品的客户同时会购买哪些相关产品，以便通过推荐购买其他产品来提高销售业绩。
二、数据挖掘技术在客户关系管理系统中的研究方向为了更好地应用数据挖掘技术，提高客户关系管理系统的效果和效率，研究人员已经提出了一些研究方向和方法。
1. 特征选择在客户数据的分析中，存在大量的特征，但并非所有特征都对分类和预测具有同等重要性。
客户关系管理中的数据挖掘
客户关系管理中的数据挖掘专业：05信息管理与信息系统学号：20052701066 姓名：梁姝钰摘要: 客户关系管理在企业管理决策中起到了关键作用, 而数据挖掘技术为客户关系管理的实施提供了良好的技术支持。
在对数据挖掘技术于客户关系管理中的价值和应用范畴进行分析, 将数据挖掘应用于客户流失分析, 进而从这些信息中挖掘出客户偏好的商品组合、消费习性或流失客户特征。
关键词: 数据挖掘; 客户关系管理; 模型根据波特的影响企业的利益相关者理论，企业有五个利益相关者，分别是客户、竞争对手、供应商、分销商和政府等其他利益相关者。
其中，最重要的利益相关者就是客户。
因此, 了解客户需求, 辨析最具利润贡献率的客户, 已成为现代大多数企业经营的驱动力。
客户关系管理( Customer Relationship Management,CRM) , 恰是一种以客户为中心的经营策略, 它以信息技术为手段, 对工作流程进行重组, 整合发挥企业资源优势, 赋予企业更完善的客户交流能力, 最大化客户收益率。
进行有效的客户关系管理，就要通过有效的途径，从储存大量客户信息的数据仓库中经过深层分析，获得有利于商业运作，提高企业市场竞争力的有效信息。
而实现这些有效性的关键技术支持就是数据挖掘，即从海量数据中挖掘出更有价值的潜在信息。
正是有了数据挖掘技术的支持，才使得客户关系管理的理念和目标得以实现，满足现代电子商务时代的需求和挑战。
一、客户关系管理（CRM）CR M 是一种旨在改善企业与客户之间关系的新型管理方法。
它是企业通过富有意义的交流和沟通,理解并影响客户行为,最终实现提高客户获取、客户保留、客户忠诚和客户创利的目的。
它包括的主要内容有客户识别、客户关系的建立、客户保持、客户流失控制和客户挽留。
通过客户关系管理能够提高企业销售收入，改善企业的服务，提高客户满意度，同时能提高员工的生产能力。
二、数据挖掘技术（DM）企业需要尽可能多地了解客户行为, 但随着客户数量的大量累积, 客户信息的日趋复杂, 如何管理和分析这些客户信息, 从中找出对企业管理决策有价值的知识, 就需要有更先进的技术和工具支持。
客户管理关系与数据挖掘
客户管理关系与数据挖掘客户管理关系与数据挖掘是现代商业活动中不可分割的两个概念。
客户管理关系（Customer Relationship Management，CRM）指的是企业与客户之间建立和维持良好关系的一系列过程和策略。
而数据挖掘（Data Mining）则是从大量数据中发现隐藏模式和关联规则的过程。
在商业运营中，客户管理关系是至关重要的。
通过建立良好的客户关系，企业能够更好地理解并满足客户需求，从而增加客户忠诚度和利润。
客户管理关系的一项关键活动是客户分析。
通过收集和分析客户信息，企业可以了解客户的购买行为、兴趣偏好、生活方式等，从而更准确地预测客户需求并提供定制化的产品和服务。
而数据挖掘则可以为客户管理关系提供有力支持。
在大数据时代，企业积累了大量的客户数据，包括交易记录、社交媒体活动、电话和电子邮件沟通等。
这些数据蕴含着宝贵的信息，通过数据挖掘技术可以从中发现隐藏的模式和关联规则。
通过数据挖掘，企业可以发现客户群体中存在的细分市场，预测客户的购买行为，甚至找到影响客户忠诚度的关键因素。
客户管理关系与数据挖掘的结合可以带来许多好处。
首先，通过数据挖掘技术，企业可以更准确地了解客户需求，提供个性化的产品和服务。
这不仅能够提高客户满意度，还能够增加销售量和利润。
其次，通过数据挖掘技术，企业可以发现潜在的增长机会。
通过分析市场趋势和竞争对手行为，企业可以找到新的客户群体和市场细分，从而实现更广泛的市场覆盖。
最后，通过数据挖掘技术，企业可以预测客户流失的风险，并采取措施争取挽留。
这有助于减少客户流失带来的损失，并提高客户忠诚度。
然而，在实际应用中，客户管理关系与数据挖掘也存在一些挑战。
首先，数据的质量是关键。
如果数据存在错误或不完整，将会对数据挖掘的结果产生不良影响。
此外，企业还需要拥有恰当的数据挖掘技术和分析能力，以充分利用客户数据的潜力。
同时，保护客户隐私也是一个重要问题，企业需要遵守相关法规和道德准则，确保客户信息的安全和保密。
客户关系管理系统中数据挖掘算法设计
客户关系管理系统中数据挖掘算法设计在客户关系管理系统（CRM）中，数据挖掘算法的设计是至关重要的。
通过使用合适的数据挖掘算法，可以从大量的客户数据中发现有价值的信息，为企业的决策制定和战略规划提供有力的支持。
本文将探讨客户关系管理系统中数据挖掘算法的设计原则和常用算法。
首先，设计客户关系管理系统中的数据挖掘算法需考虑以下原则：数据的全面性、准确性和可靠性。
首先，算法需要基于全面的数据集，以保证提取到的模式和规律具有代表性。
其次，算法需要具备高准确度和可靠性，以确保挖掘结果的可信度和可应用性。
数据挖掘算法主要包括分类、聚类、关联规则和预测等类型。
在客户关系管理系统中，以下是常用的数据挖掘算法，可根据具体任务需求选择合适的算法：1. 分类算法：分类算法用于对客户进行分类或预测。
其中，决策树算法是常用的分类算法之一，它通过对输入数据进行分区，分析变量间的关系，从而生成一颗树形结构用于分类判断。
2. 聚类算法：聚类算法用于将客户划分成相似的群体，以便进行精准的营销和推销。
K-means算法是最常用的聚类算法之一，它基于样本间的距离计算，将客户划分为K个不同的簇。
3. 关联规则算法：关联规则算法用于发现事务数据中的相关项集。
在客户关系管理系统中，可以使用关联规则算法分析客户购买行为，发现商品或服务之间的潜在关联。
Apriori算法是常用的关联规则算法之一，它基于频繁项集的概念来识别可能存在的关联规则。
4. 预测算法：预测算法用于预测客户的未来行为或需求，以便进行个性化的推荐和定制化服务。
常用的预测算法包括线性回归、逻辑回归和神经网络等。
这些算法通过分析历史数据、模拟未来趋势和预测客户需求，提供预测性的决策支持。
此外，客户关系管理系统中的数据挖掘算法设计还需要考虑以下因素：1. 数据预处理：在应用数据挖掘算法之前，通常需要对原始数据进行预处理，包括数据清洗、特征选择、数据变换等步骤。
预处理的目标是提高数据质量和算法性能，从而提取到更有意义的信息。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
• 时序模式是指通过时间序列搜索出的重 复发生概率较高的模式。与回归一样，
它也是用己知的数据预测未来的值，但 这些数据的区别是变量所处时间的不同。
• 它能发现数据库中形如“在某一段时间 内，顾客购买商品A，接着购买商品B， 而后购买商品C，即序列A-B-C出现的频 度较高”之类的知识。
2020/7/8
2020/7/8
26
• 非你莫属20120101，0924, 1029
2020/7/8
27
2020/7/8
2
啤酒与尿布的故事
2020/7/8
3
10．1数据挖掘的概念
数据挖掘(Data Mining)，又称数据库中的知识 发现（Knowledge Discovery in Database, KDD）， 是指从大型数据库或数据仓库中的大量的、不完全 的、有噪声的、模糊的、随机的数据中提取隐含的、 未知的、非平凡的及有潜在应用价值的信息或模式。
2020/7/8
17
• 如果超市中客户在购买A的同时，经常会购买B，即是应 用了关联规则；
• 如果客户在购买A后，隔一段时间，会购买B ，则是作的 序列分析。
2020/7/8
18
分类分析
• 分类分析就是通过分析数据，找出代表了一类数据 的整体信息，为每个类别做出准确的描述，并用这 种描述来构造模型或挖掘出分类规则，然后用这个 分类规则对其它数据库中的记录进行分类。分类是 利用训练数据集通过一定的算法而求得分类规则。
2020/7/8
4
2020/7/8
5
• 【中国移动互联网10大族群】移动互联网从一诞生就不是个需
求聚焦和“大众化”工具，而是一个充满个性化需求，进而有 着鲜明“族群化”特性的新世界。族群分类1）折扣族；2）搜 族；3）手游族；4）拍客；5）理财族；6）IM族；7）App达人； 8）手机签到；9）手机购物；10）手机社交。
数据仓库挖掘
文本数据挖掘
网络数据挖掘
生物信息或基因数据挖掘
2020/7/8
8
10．3数据挖掘的功能
关联分析 （association rules）
聚类 （clustering）分析
偏差分析 (deviation)
序列模式(timeseriespattern)分析
分类（class ification）分析
2020/7/8
22
3、遗传算法（Genetic Algorithm）
遗传算法是一类借鉴生物界的进化规律，即适者生 存，优胜劣汰遗传机制而提出的随机化搜索方法。遗传 算法最早起源于对人们生物系统进行的计算机模拟研究。 遗传算法具有强大的全局最优解搜索能力，能处理数据 库中各种不同属性间的相互关系，遗传算法被广泛用于 数据库领域，实践证明利用遗传算法进行数据挖掘是可 靠的，可以得到数据库中具有较强预测能力的规则。遗 传算法常用于分类规则和关联规则的挖掘。
2020/7/8
6
2020/7/8
7
10．2数据挖掘的分类
•根据信息存储格式，用于挖掘的对象有关系数据库、面 向对象数据库、数据仓库、文本数据源、多媒体数据库 、空间数据库、时态数据库、异质数据库以及Internet等 。因此数据挖掘也就因此被分为了数据仓库挖掘，文本 数据挖掘，web挖掘以及生物信息或基因的数据挖掘等 一系列的种类。
2020/7/8
13
• 但是目前在我国，“数据海量，信息缺乏”是商业银行在数据大 集中之后普遍所面对的尴尬。
• 目前金融业实施的大多数数据库只能实现数据的录入、查询、统 计等较低层次的功能，却无法发现数据中存在的各种有用的信息。
2020/7/8
14
聚类分析
• 聚类是把数据按照相似性归纳成若干类别，同一类中 的数据彼此相似，不同类中的数据相异。
2020/7/8
24
10．5电子商务CRM中数据挖掘的主要流程
1、定义问题 2、数据准备 3、数据挖掘 4、结果分析 5、知识的运用
2020/7/8
25
10．6数据挖掘在CRM中的应用
数据挖掘所能解决的典型商业问题包括：数据库营销 （Database Marketing）、客户群体划分（Customer Segmentation & Classification）、背景分析（Profile Analysis）、交叉销售（Cross-selling）等市场分析行为， 以及客户流失性分析(Churn Analysis)、客户信用记分 (Credit Scoring)、欺诈发现(Fraud Detection)等。
模仿生物神经网络，是一类非线性的、通0/7/8
21
2、决策树法
决策树是一种常用于预测模型的算法，它通过将大量数据有目的分类，从 中找到一些有价值的，潜在的信息。决策树提供了一种展示类似在什么条件下 会得到什么值这类规则的方法。它的主要优点是描述简单，分类速度快，特别 适合大规模的数据处理。
2020/7/8
10
关联规则发掘技术在国内外的应用
• 目前，关联规则挖掘技术已经被广泛应用在西方金融行业企业中， 它可以成功预测银行客户需求。
• 一旦获得了这些信息，银行就可以改善自身营销。银行天天都在 开发新的沟通客户的方法。
2020/7/8
11
• 各银行在自己的ATM机上就捆绑了顾客可能感兴趣的本行产品信 息，供使用本行ATM机的用户了解。
2020/7/8
23
4、统计分析方法
在数据库字段项之间存在两种关系：函数关系和相 关关系，对它们的分析可采用统计学方法，即利用统计 学原理对数据库中的信息进行分析。可进行常用统计(求 大量数据中的最大值、最小值、总和、平均值等)、回归 分析(用回归方程来表示变量间的数量关系)、相关分析( 用相关系数来度量变量间的相关程度)、差异分析(从样 本统计量的值得出差异来确定总体参数之间是否存在差 异)等。
• 如果数据库中显示，某个高信用限额的客户更换了地址，这个客 户很有可能新近购买了一栋更大的住宅，因此会有可能需要更高
信用限额，更高端的新信用卡，或者需要一个住房改善贷款，这 些产品都可以通过信用卡账单邮寄给客户。
2020/7/8
12
关联规则发掘技术在国内外的应用
• 电子购物网站使用关联规则进行挖掘， 然后设置用户有意要一起购买的捆绑包。 也有一些购物网站使用它们设置相应的 交叉销售，也就是购买某种商品的顾客 会看到相关的另外一种商品的广告。
• 聚类分析输入的是一组未分类记录，并且事先不知道 这些记录应分成几类，通过分析数据库中的记录数据， 根据一定的分类规则，合理地划分记录集合，确定每 个记录所在类别。
• 它所采用的分类规则是由聚类分析工具决定的。采用 不同的聚类方法，对于相同的记录集合可能有不同的 划分结果。
2020/7/8
15
序列分析
预测 (predication)
估值 （Estimation）
2020/7/8
9
关联分析
• 关联分析，即利用关联规则进行数据挖掘。关联分析的目的是 挖掘隐藏在数据间的相互关系。
• 在超市中通过POS系统收集存储了大量售货数据，记录了什么 样的顾客在怎样的时间购买了什么商品，通过关联分析可以发 现数据库中“90%的顾客在一次购买活动中购买商品A的同时购 买商品B” 之类的知识。
16
序列分析
• 利用序列模式分析这些按时间排列的数据记录， 零售商可以发现客户潜在的购物模式，如客户在 购买房屋后，往往在一段时间后会购买家具或装 修材料。这类发现可以提示那些直接销售的公司 针对性地向某些客户寄发产品目录。
• 如果将序列模式分析用于股市分析，则可能发现： 在5个交易日中，如果X股涨幅在10%内，Y股涨幅 在10%到20%之间，那么Z股下周上涨的可能性大 约为60%。
北京大学出版社《客户关系管理》课件
第10章 数据挖掘
湖北工程学院经济与管理学院 lihaiqinlhq@
2020/7/8 1
第10章 数据挖掘
学习目标：
（1）掌握数据挖掘的概念和分类 （2）数据挖掘的功能 （3）熟悉电子商务CRM中数据挖掘的主要算法 （4）熟悉电子商务CRM中数据挖掘的主要流程 （5）理解和掌握数据挖掘在CRM中的应用
• 分类可被用于规则描述和预测。例如：公司按照产 品售价的高低，将客户分为高层，中产，大众等三 个层次。
2020/7/8
19
预测
• 预测是利用历史数据找出变化规律，建立模型，并由此模型对 未来数据的种类及特征进行预测。
2020/7/8
20
10．4电子商务CRM中数据挖掘的主要算法
1、神经网络方法 神经网络是建立在可以自学习的数学模型基础之上的，在结构上