信息化 - 数据挖掘 - 02

國立清華大學工業工程與工程管理學系2020/3/161UsingDataMiningTechnologytoEvaluateCustomer’sTime-VariantPurchaseBehaviorandCorrespondingMarketingStrategies課程老師:教授教授學生:林彥伯923834ORseminar國立清華大學工業工程與工程管理學系2020/3/162AgendaBackgroundIntroductionApproachConclusion國立清華大學工業工程與工程管理學系2020/3/163Inthepast,researchersgenerallyappliedstatisticalsurveystostudycustomerbehavior.Recently,however,dataminingtechniqueshavebeenadoptedtopredictcustomerbehavior.BackgroundBackground國立清華大學工業工程與工程管理學系2020/3/164你不能不知的十大創新技術TechnologyReview雜誌（麻省理工學院2002年1月出刊）公佈改變未來的十項新興趨勢機器與人腦的介面塑膠電晶體資料採礦(Datamining)數字權利管理生物測定學(Biometrics)語言識別處理微光學技術(Microphotonics)解開程式碼(Untanglingcode)機器人設計微應用流體學(Microfluidics)國立清華大學工業工程與工程管理學系2020/3/165Datamining所指的是由歷史交易資料去發掘知識的過程，而根據Berry與Linoff(1997)兩人的定義，資料探勘指的是由問題定義、分析資料到結果評量的過程來找尋隱藏在資料中的訊息，如趨勢(Trend)、特徵(Pattern)及相關性(Relationship)。資料探勘的手法可分為：分類(classification)、推估(estimation)、預測(prediction)、關聯分組(affinitygrouping)、分群(clustering)。ClassificationEstimationPredictionAssociationruleClusteringDataminingDataminingBackground國立清華大學工業工程與工程管理學系2020/3/166TheGoalofCRM(CustomerRelationManagement)Identifythecustomer對於一般商店而言，顧客可以是沒有範圍的，而對線上零售商而言，顧客是已經與之有交易過的，才會有資料留存，而為線上零售商之顧客。並且由於Internet的發展導致顧客急速增加，相對的相關顧客增加更是大量。ConstructcustomerpurchasedatamartUnderstandandpredictthecustomer-buyingpattern分析大量顧客資料可幫助瞭解並預測顧客的採購行為模式，進而支援決策。Background國立清華大學工業工程與工程管理學系2020/3/167RFM(Recently、Frequency、Monetary)，為一個常用來量化顧客消費行為之評估指標，評量顧客忠誠度與顧客貢獻度以擬定相關行銷策略。最近購買時間(R)：計算由最後一次購買起算至現在之時間。購買某產品之時間距現在愈近，隱含著該顧客再次購買的機率愈高，若最近購買日期離目前時點愈遠，隨著時間之拉長，該顧客之持續購買之機率則下降。購買頻率(F)：衡量一個時段內顧客所購買的總次數或是評估顧客在某一段時間內與公司之互動程度，購買頻率愈高則表示顧客與公司互動程度愈高。購買金額(M)：計算在某一時段內購買的總金額，顧客購買某產品之總金額亦代表著對此產品之興趣指標，亦為對公司之實質金錢貢獻。MeasurepurchasebehaviorofcustomerBackground國立清華大學工業工程與工程管理學系2020/3/168Kahan(1998)認為RFM是應用非常廣泛的行為分析技術，利用RFM可以更簡單、快速地分析公司的顧客，並指出從行為的觀點來看，RFM是最常用來測量與顧客強度的方法之一。在RFM的使用上，SungandSang(1998)將RFM的值當成建立模式的輸入變數，透過集群的分析方法將顧客分成不同的顧客群，再針對不同的顧客群採行不同的策略。MeasurepurchasebehaviorofcustomerBackground國立清華大學工業工程與工程管理學系2020/3/169IntroductionInthedynamicretailmarket,understandingchangesincustomerbehaviorcanhelpmanagerstoestablisheffectivepromotioncampaigns.Theproposedapproachcanassistmanagersindevelopingbettermarketingstrategies.Introduction國立清華大學工業工程與工程管理學系2020/3/1610TopicChen,M.C.,Chiu,A.L.,andChang,H.H.,2005,“Miningchangesincustomerbehaviorinretailmarketing”,ExpertSystemsWithApplications,28(4),pp.773-781.IntroductionSungH.H.,SungM.B.,andSangC.P.,2002,“Customer’stime-variantpurchasebehaviorandcorrespondingmarketingstrategies:anonlineretailer’scase”,Computer&IndustrialEngineering,43,pp.801-820.Time-variantBehaviorAnalysis-MarkovChainTime-variantBehaviorAnalysis-Associationrulemining國立清華大學工業工程與工程管理學系2020/3/1611第一篇paper提出動態CRM的應用，並以實際線上零售商為例做探討，其動態的CRMModel利用DataMining和MonitoringAgentSystem(MAS)去分析顧客資料和顧客行為模式。第二篇paper提出整合CustomerBehavioralVariables,DemographicVariables,和TransactionDatabase等三個變數資料，並透過關連性法則之DataMining方法來了解顧客購買行為的改變。Introduction國立清華大學工業工程與工程管理學系2020/3/1612AgendaBackgroundIntroductionApproachPaper1FrameworkofanalysisMonitoringAgentSystemDynamicCRMModelCaseStudy(ApplicationofdynamicCRMtoaretailer)Paper2FrameworkofanalysisConclusionApproach國立清華大學工業工程與工程管理學系2020/3/1613MonitoringAgentSystem(1/2)Approach國立清華大學工業工程與工程管理學系2020/3/1614MonitoringAgentSystem(2/2)Approach上圖為本篇論文方法論實作系統架構，名為MonitoringAgentSystem(MAS)。此系統可以動態的分析在不同時間點上之客戶購買行為，藉此零售商可以依據不同的分析結果，反應不同的銷售策略，架構說明如下：1.由Customerpurchasedatamart把客戶行為資料取出。2.將客戶行為資料summarize成其最重要之三個特徵，R、F以及M。3-1.將資料存入CustomercareerpathDB。3-2.將資料進行segmentation。3-3.計算客戶之RFM資料之平均值。4.將segmentation好的客戶群組依據客戶RFM平均值進行分類，分成R↑F↑M↑(客戶群組R、F、M平均比全體平均高，其他依此類推)、R↓F↑M↑、R↑F↓M↑、R↓F↓M↑、R↑F↑M↓、R↑F↓M↓、R↓F↑M↓、R↓F↓M↓。5..將此分類結果記錄至CustomersegmentknowledgeDB中。6.經由CustomersegmentknowledgeDB的知識協助，選定要推廣的目標客群進行推廣。7..評估推廣的效果，如果成效佳，則繼續推廣；若成效不如預期，則進行策略的變更。國立清華大學工業工程與工程管理學系2020/3/1615DynamicCRMModel(1/9)Assumed:themodelhastheMarkovianpropertyTheprocesswillevolveinthefuturedependonlyonthepresentstateoftheprocess.Aspecialkindofstochasticprocess.Approach11111001011|,,,,|forallstates,,...,,,.nnnnnnijnPXjXiXiXiXiPXjXiPiiiij國立清華大學工業工程與工程管理學系2020/3/1616DynamicCRMModel(2/9)StatesTransitionProbabilityMatrix客戶在時間n-1所在的客群m，在時間n移動至客群k所可能發生的機率值以代表之。Approach國立清華大學工業工程與工程管理學系2020/3/1617DynamicCRMModel(3/9)ExampleApproach國立清華大學工業工程與工程管理學系2020/3/1618DynamicCRMModel(4/9)例如假設現在有一個零售商，他把他的客戶分成三個客群，分別是A、B以及C，而在一開始進行分析觀察時，這三個客群所擁有的客戶數都為100，而在時間t至t+1，其各客群之客戶數變化，因此我們可以列出其至之轉換矩陣。假設有一零售商進行一項促銷案，促銷案後各客群數量變化，MarkovChain以長時間的觀點來看，當系統狀態機率不在改變以及每個狀態之轉換機率矩陣也不在改變的情況下，其狀態就會達到穩態。ExampleApproach國立清華大學工業工程與工程管理學系2020/3/1619DynamicCRMModel(5/9)Example(Cont.)HypotheticalProfitRate:SegmentA=15%,SegmentB=25%,SegmentC=40%10010010015%25%40%26.67%300300300Original:AfterPromotion:868912515%25%40%28.38%300300300Approach國立清華大學工業工程與工程管理學系2020/3/1620DynamicCRMModel(6/9)EvaluatingalternativemarketingstrategiesOriginal:Strage1Strage2Approach國立清華大學工業工程與工程管理學系2020/3/1621DynamicCRMModel(7/9)使用在兩個不同銷售策略的分析上，經過不同促銷策略後，其客群轉換矩陣之變化，來評估這兩種策略的好壞。客群A是對我們利益貢獻最低的客群，而客群C則是貢獻最多利益的客群。策略二的效果為最好的，因為在此策略中，客群A及B的客戶中，有60%的機會會轉進至客群C，而客群C保留了約50%的VIP客戶