資料探勘與顧客分析─Modeler應用

第1篇　基礎篇
1. 何謂資料探勘
1.1　資料探勘的意義與過程
1.2　Modeler的介面
1.3　Modeler的利用例與主要應用領域
1.4　IBM SPSS Modeler試用版的下載
1.5　Modeler的基本操作
1.6　IBM SPSS Modeler的節點形狀與功能
2. Modeler範例1─關聯規則、決策樹（C5.0）、主成分分析、集群分析
2.1　問題的發生狀況法則的探索
2.2　有關品質管理諸工具的構成
2.3　關聯規則
2.4　決策樹分析的一種C5.0
2.5　Kohonen網路
2.6　利用主成分分析密集大量的變數
3. Modeler範例2─類神經網路、決策樹（CART）
3.1　類神經網路的基礎理論
3.2　類神經網路與Modeler
3.3　利用CART從學習結果抽出規則
4. Modeler範例3─判別分析、時間序列、二項羅吉斯迴歸、多項羅吉斯迴歸
4.1　利用判別分析
4.2　時間序列
4.3　二項羅吉斯迴歸
4.4　多項羅吉斯迴歸
5. 購物籃分析（關聯歸納／C5.0）、支援向量機器（SVM）、廣義線性模型、Cox迴歸
5.1　購物籃分析
5.2　支援向量機器（SVM）
5.3　廣義線性模型
5.4　Cox迴歸

第2篇　應用篇
6. 在開始顧客分析之前
6.1　顧客分析的5個業務課題
6.2　掌握顧客的4個數據
6.3　資料探勘手法是顧客分析的核心
6.4　準備顧客分析工具
7. 理解顧客行為將顧客價值定量化
7.1　使用購買明細數據之後的顧客行為紀要
7.2　購買金額等級與優良顧客定義
7.3　利用RFM分數理解顧客
7.4　掌握顧客行為的特徵
7.5　十分位數分析
8. 發現顧客的行為模式
8.1　關聯規則
8.2　協同過濾
8.3　時系列關聯
8.4　關聯規則的留意點
9. 將顧客的行為分類
9.1　利用集群分析將顧客行為類型化
9.2　理解集群的特徵
9.3　依照集群推薦
10. 預測顧客行為
10.1　行銷活動的反應預測
10.2　休眠的判別預測
10.3　顧客與商品的匹配
11. 確立顧客分析的基礎
11.1　處理大數據
11.2　將分析流程效率化

序

　　所謂「資料探勘」（Data Mining）是利用模型認知技術與統計的手法處理大數據，發現有意義的新模型及傾向的過程。「大數據」（Big Data）的特徵有：

　　．Volume（大量）：以過去的技術無法管理的資料量，資料量的單位可從TB（terabyte，一兆位元組）到PB（petabyte，千兆位元組）。

　　．Variety（多樣性）：企業的銷售、庫存資料、網站的使用者動態、客服中心的通話紀錄、社交媒體上的文字影像等，企業資料庫難以儲存的「非結構化資料」。

　　．Velocity（速度）：資料每分每秒都在更新，技術也能做到即時儲存、處理。

　　IBM SPSS Modeler軟體能處理大量的數據，而且這些數據可能包含多種語言或非結構化等等的特性。

　　使用IBM SPSS Modeler軟體可以找出人們最頻繁討論的話題，或是企業可以了解消費者實際關心的問題。

　　根據美國一項調查超過7萬名購物者的行銷研究，發現消費者在他們店中購物的行為有其一定的慣性，如果門市經營者或是行銷人員能夠善用「消費者行為」模式，將可有效改善經營品質。

　　消費者行為主要探討的就是消費者對於產品的反應，其中包括了當產品上市時，消費者從什麼管道得知該產品？產品的廣告或產品的功能，對於消費者的影響為何？消費者的消費考量以及消費模式為何？針對不同的消費者、不同的產業或產品，加以探討消費者的行為。例如：「超市推出情人節商品相關優惠活動，對消費者的行為有什麼樣的影響？」由以上可以得知，了解消費者行為，就是了解客戶的想法，能針對客戶的想法作改善，就能增加客戶的青睞。

　　資料探勘正是透過各種資料分析技術，挖掘出顧客的消費行為模式與各項營運作業之管理決策等，是知識管理之一大利器。例如，Seven-11超商就是充分運用資料探勘技術，不斷推出各種抓住顧客心房的行銷活動，以贏得更多顧客的心，並將店鋪之經營做更完善的規劃管理，使其獲利並使績效能夠長期位居國內零售業之領先地位。

　　書中舉出百貨業的資料案例，分析顧客的消費行為，利用Modeler從RFM的角度探討消費者的特徵，以及如何向未購買者推銷商品，此外，也一併列舉Modeler常用的分析方法供讀者參考，期盼能激起讀者對資料探勘的興趣。