3CRM-教学-学生.pptx

1 第一阶段要鉴别最佳客户，首先应该以客户金字塔为基础，对客户进行分类。CRM案例分享：汇丰银行如何定义其最佳客户案例分享：汇丰银行如何定义其最佳客户 鉴别最佳客户，设计最佳体验 第二阶段中，设计最佳体验则包括客户体验管理，业务流程管理和需求规划。2 CRM案例分享：汇丰银行如何定义其最佳客户案例分享：汇丰银行如何定义其最佳客户 鉴别最佳客户，设计最佳体验 3 1、对客户关系经理进行更多的培训，使他们具备更专业的金融知识。2、在主要服务中心建立实时视频会议系统。无论何时客户需要更专业的建议或信息，都可以通过该系统来提供一个面对面的交流。3、当客户来电需要帮助时，经理可以将电话转给专家，来进行远程交流。4 5 IT人员整合电子邮件、网络门户、面对面交谈等途径汇总客户信息，可以使授权的客户服务人员1秒内从客户端界面即时得到所有产品的信息和详细的客户数据。6 核心思想：以客户为中心提供以客户为中心提供个性化个性化的服务以降低客户的流失率，的服务以降低客户的流失率，通过实现通过实现客户效用客户效用的最大化获得最大利润。的最大化获得最大利润。p118p118 最高境界:为客户创造为客户创造一生一生的最大价值。的最大价值。CRM系统概述 例如：某公司有一百万客户资料。20万是重要用户（忠诚度高),就构成了每年2亿的忠诚客户基础。80万是一般的客户，就构成了每年8亿的忠诚客户基础。7 员工通过使用新型的CRM系统对客户的抱怨和未满足的需求进行快速协调。8 119 共享客户资源，从而共享客户资源，从而力争把一个企力争把一个企 业变成业变成“虚拟个人“虚拟个人“呈现在客户印象中“呈现在客户印象中 让企业客户服务人员让企业客户服务人员同客户一起完成某项同客户一起完成某项企业活动企业活动 提取有价值的各种信提取有价值的各种信息，是企业决策支持息，是企业决策支持工具工具 9 数据仓库 定义：数据仓库是在企业管理和决策中面向主题的、集成的、与时间数据仓库是在企业管理和决策中面向主题的、集成的、与时间 相关的、不可修改的数据集合。相关的、不可修改的数据集合。p123（2）数据不可修改。（3）集成的数据消除不一致和错误的地方。（4）数据随时间不断变化。（1）面向主题面向某一决策问题而制定的。10 数据挖掘 数据挖掘(Data Mining)，是指从大型数据库或数据仓库中提取隐含的、未知的、非平凡的及有潜在应用价值的信息或模式。例如 基于规则的数据挖掘 一天的不同时刻和不同产品网上购买量之间的关系。协同过滤 推荐“亲密群体”中其他消费者购买的产品。11 数据挖掘的主要策略 决策树归纳 开发一种yes/no的决策树。例如：决定新的信用卡申请人是否为良好信用风险。年收入大于5万元 yes 是否房主？yes 批准 no 反对 no 有无帐户 no yes 批准 12 聚合 一种用来使记录子集聚集在一起的技术。可用于客户群细分或发现高潜在的销售机会。数据挖掘的主要策略 13 数据挖掘的主要策略 顺序关联找出根据时间将事件连接起来的关联。支票帐户+三个月后储蓄帐户-6个月后信用卡24%关联 关联算法能够发现一套项目与另一套项目的相互关联的所有规则。55%-75%14 15 rid age income student Credit-rating Buys-computer 1 30 High No fair No 2 40 Medium No fair yes 5 40 Low yes fair yes 6 40 Low yes excellent No 7 30-40 Low yes excellent yes 8 30 Medium No fair No 9 40 Medium yes fair yes 11 40 Medium No excellent No 16 40 30-40 income student Credit class Medium No fair yes Low yes fair yes Low yes excellent No Medium yes fair yes Medium No excellent No income student Credit class High No fair yes Low yes excellent yes Medium No excellent yes High yes fair yes income student Credit class High No fair No High No excellent No Medium No fair No Low yes fair yes Medium yes excellent yes age?30 叶子节点：叶子节点：yes 17 ID3算法的核心：在决策树各级节点上选择属性时，用信息增益作为属性的选择标准，以使得在每一个非叶节点进行测试时能获得关于被测试记录最大的类别信息。Gain(A)=I(s1,s2,sm)-E(A)I:所有信息，E：按照某类分析所需的信息熵 18 rid age income student Credit-rating Buys-computer 1 30 High No fair No 2 40 Medium No fair yes 5 40 Low yes fair yes 6 40 Low yes excellent No 7 30-40 Low yes excellent yes 8 30 Medium No fair No 9 40 Medium yes fair yes 11 40 Medium No excellent No 19 rid age income student Credit-rating Buys-computer 1 30 High No fair No 2 40 Medium No fair yes 5 40 Low yes fair yes 6 40 Low yes excellent No 7 30-40 Low yes excellent yes 8 30 Medium No fair No 9 40 Medium yes fair yes 11 40 Medium No excellent No 是否购买计算机：yes类别9个样本；no类别5个样本 计算过程 I(S1,S2)=I(9,5)=-(9/14)log2(9/14)-(5/14)log2(5/14)=0.94 20 age 30 40 40 40 30-40 30 40 40 age income student Credit-rating Buys-computer 30 High No fair No 30 High No excellent No 30 Medium No fair No 30 Low yes fair yes 30 Medium yes excellent yes 是否购买计算机：yes类别2个样本；no类别3个样本 计算过程 I(S11,S21)=I(2,3)=-(2/5)log2(2/5)-(3/5)log2(3/5)=0.971 21 age 30 40 40 40 30-40 30 40 40 是否购买计算机：yes类别4个样本；no类别0个样本 计算过程 I(S12,S22)=I(4,0)=-(4/4)log2(4/4)-(0/4)log2(0/4)=0 age income student Credit-rating Buys-computer 30-40 High No fair yes 30-40 Low yes excellent yes 30-40 Medium No excellent yes 30-40 High yes fair yes 22 age 30 40 40 40 30-40 30 40 40 是否购买计算机：yes类别3个样本；no类别2个样本 计算过程 I(S13,S23)=I(3,2)=-(3/5)log2(3/5)-(2/5)log2(2/5)=0.971 age income student Credit-rating Buys-computer 40 Medium No fair yes 40 Low yes fair yes 40 Low yes excellent No 40 Medium yes fair yes 40 Medium No excellent No 23 age 30 40 40 40 30-40 30 40 40 E(age)=(5/14)I(S11,S21)+(4/14)I(S12,S22)+(5/14)I(S13,S23)=0.694 Gain(age)=I(s1,s2)E(age)=I(9,5)E(age)=0.94-0.694 =0.245 Gain(income)=0.029 Gain(student)=0.151 Gain(credit-rating)=0.048 所以所以age的的信息增益最大信息增益最大，age作为测试属性用于作为测试属性用于当前分支节点当前分支节点 24 40 30-40 income student Credit class Medium No fair yes Low yes fair yes Low yes excellent No Medium yes fair yes Medium No excellent No income student Credit class High No fair yes Low yes excellent yes Medium No excellent yes High yes fair yes income student Credit class High No fair No High No excellent No Medium No fair No Low yes fair yes Medium yes excellent yes age?最小支持度的项目放入频繁项目集 2、在第二轮循环中，只有频繁1项目组成的2项目才是候选项目，从中筛选出 支持度最小支持度的2项目放入频繁项目集。3、继续循环，直至n轮循环，所有的频繁项目选出，频繁项目集形成。33 客户号 客户 商品 C1 李鸣 足球服A C1 李鸣 足球鞋B C1 李鸣 足球C C2 金珊 足球C C3 冯君 足球服A C3 冯君 足球鞋B C4 丁贝 足球鞋B C5 陈骋 足球服A 设最小支持度为30%（1）1项目候选项：A、B 、C 支持度：60%60%40%所以频繁项目集：进入下一轮单项：A、B、C A、B、C 34 客户号 客户 商品 C1 李鸣 足球服A C1 李鸣 足球鞋B C1 李鸣 足球C C2 金珊 足球C C3 冯君 足球服A C3 冯君 足球鞋B C4 丁贝 足球鞋B C5 陈骋 足球服A 设最小支持度为30%（1）2项目候选项：AB、BC、AC 支持度：40%20%20%所以频繁项目集：进入下一轮单项：A、B、C、AB A,B 35 客户号 客户 商品 C1 李鸣 足球服A C1 李鸣 足球鞋B C1 李鸣 足球C C2 金珊 足球C C3 冯君 足球服A C3 冯君 足球鞋B C4 丁贝 足球鞋B C5 陈骋 足球服A 设最小支持度为30%（1）3项目候选项：无 算法终止 所以频繁项目集：A、B、C、AB 36 Apriori算法：使用候选项集找频繁项集 由频繁项集产生关联规则 37 频繁项目 支持度 频繁项目 支持度 A 60%C 40%B 60%A和B 40%38 分析结果：可信度：它是针对规则而言的。指在出现了物品集A 的事务T 中，物品集B 也同时出现的概率有多大。可信度=p（condition and result）/p（condition）。规则1：if A THEN B,可信度？可信度=（A和B）/A=40%/60%=67%设A=足球服，B=