SAS专家培训： 透过数据挖掘定位市场 - 从理论到实践

主要知识领域：

目标学员:

资深分析员、市场人员、统计人员、数据挖掘员以及其他定量分析人员。

课程介绍：

在B2C（商业到客户）领域， 客户相关信息（例如人口统计、种族统计、过去消费模式、商品喜好

等）使得一对一营销（也被叫做个性化营销）成为可能。B2C和B2B的结合构成了企业级CRM（客户

关系管理）/网络商务智能的组成部分，而企业级CRM/网络商务智能支持了精确化营销。在精确化

营销中有这样一种框架，即通过先认识再实现客户特殊需求的方法，最终实现一次性为特定客户提

供特定产品或服务。这种“一对一”式的模式可以在整个客户群体中反复进行，从而建立与客户的

长期关系。精确化营销的新模式将营销的重心从销售产品本身转移到特定客户需求满足之上。

这种新时代的营销需要先进的数据分析和建模技术。在本课程中，我们将展示数据挖掘和分析在利

润最大化和提高客户满意度方面发挥的关键作用。在策划交叉销售/增值销售项目、客户的挽留和

客户细分（以提供个性化产品），以及通过处理非结构化或半结构化数据来探究文本文件方面，分

析工作都起到举足轻重的作用。我们将通过向学员介绍大量的技术和案例来展现数据挖掘的在营销

领域中的重要功能。我们还将同时展现SAS分析工具集在数据挖掘项目实施方面的强大功能。最后

，我们将讨论数据挖掘，这一新生的但却具有强大生命力的学科，所面临的机会和挑战。

专家介绍：

Choudur K. Lakshminarayan博士是一名数理统计学家，现供职于美国惠

普公司客户知识管理和分析部，他的研究领域覆盖：统计模式识别、数据

挖掘、文本挖掘和Web挖掘。在加入惠普之前，Lakshminarayan博士曾在

德州仪器和摩托罗拉供职。

目前，Lakshminarayan博士是德克萨斯大学兼职教授。同时，他还在印度

信息技术学院（班加罗尔）任教。他在北美和印度从事行业咨询工作，同时为SAS公司广受欢迎的

商业知识系列（business knowledge series）培训开发有关数据挖掘的课程。

Lakshminarayan博士在Technometrics, Communications in statistics, Journal of

statistical simulation and computation, IEEE transactions, Lecture notes in

Computer Science等国际刊物上发表过多篇论文。他在统计采样和Web挖掘方面拥有多项专利。

Lakshminarayan博士领导过统计模式识别和数据挖掘的实验室。他刚完成一部数据挖掘方面的统

计学专著，该书即将由McGraw Hill出版社发行，同时他也是多个刊物和学术会议的评委。

课程安排：

第一天

营销的基本要素

数据分析的探索

例子和案例学习

传统多元分析

例子和案例学习

购物蓝分析和关联规则

关联规则可以发现大量数据项之间的关系。关联规则可以捕获数据集中经常发生的属性-值条件。其中典型而熟悉的关联规则案例就是购物蓝分析。例如在超市中，数据通过条码扫描机获得。这样的“购物蓝”数据库由大量的交易记录组成。每条记录列出了每位顾客在各次购买交易的所有商品。商家往往对特定一组商品是否总是被一起购买感兴趣。他们可以用这种数据来调整商品的摆放（将相关联的商品摆放在最佳的位置），进行交叉销售，促销活动、或设计商品目录册；根据购买模式对顾客进行细分。

第二天

聚簇分析：客户细分

这种方法使得相似的个体被分成同组，从而使得组内客户行为特征相似性较高，而组间的差异性较大。

电子商务和营销应用中的例子和案例学习

预测建模：建立客户响应模型

这种方法用来发现可见的结果和一组解释变量之间的定量关系。例如，响应可能是加入营销活动，而解释变量可以是年龄、教育、收入、性别以及人口差异和种族差异。

个性化营销的例子和案例学习

统计分类

在零售活动中，根据人口统计和历史购买模式来决定一项购买活动的可能性是非常重要的。它可以确定一个顾客是否唯潜在的购买者，或只是浏览者。这种算法可以用来决定购买活动的可能性。

第三天

涉及信用评分和欺诈和例子和案例学习

营销活动管理

商业活动管理和优化可以让营销人员计划并排序所有的主动呼出式的客户交流手段，可以提高效率， 又能够平衡银行繁重的营销执行负荷和客户的较低的响应率。通过此解决方案，银行可以利用在情景假设条件下的优化与预测分析方法， 进行营销活动的经济收入预测。?

产品评分

交叉销售和增殖销售（让现有客户购买更多的利润更高的商品）是流行的营销手段。我们将演示先进的分析和数据挖掘技术是如何通过确定每个客户购买某种商品的倾向-对最高购买倾向的客户进营销售，从而获得最优效果。

生命周期价值

准确知道用户的真实的平均生命周期价值（LTV）是十分重要的，它可以让商家知道花多大的代价去赢得一个新顾户。例如，假如每顾客平均连续购买价值100美元的商品10次，则生命周期价值为1000美元。因此，商家可能用100美元来赢得一位新客户，再除去产品成本和销售成本后，仍然能够在一端合理的时间内保证可观的赢利。

实际例子和案例学习

对非结构化和半结构化数据的分析

由于文本数据蕴藏着丰富的、未经开发的、但对企业极为有用的信息，文本挖掘已经被认为极具重要性。文本信息被人们称为非结构化数据或半结构化非标准数据等。一些文本数据蕴藏在客户的反馈意见，或与销售人员和企业级客户讨论或访问的记录中。这些信息对针对企业用户进行一对一营销是至关重要的。尽管获取这部分信息已经花费努力，由于人力和时间资源的限制，大部分文本信息并未被触及。但是如今，人们仍希望通过目前正在飞速发展的文本挖掘技术，从文本信息中探索出有价值的内容。

实际例子和案例学习