信息化 - 数据挖掘 - 01

國立清華大學工業工程與工程管理學系2020/5/231UsingDataMiningTechnologytoEvaluateCustomer’sTime-VariantPurchaseBehaviorandCorrespondingMarketingStrategies學生:林彥伯ORseminar國立清華大學工業工程與工程管理學系2020/5/232/41ReferenceChen,M.C.,Chiu,A.L.,andChang,H.H.,2005,“Miningchangesincustomerbehaviorinretailmarketing”,ExpertSystemsWithApplications,28(4),pp.773-781.SungH.H.,SungM.B.,andSangC.P.,2002,“Customer’stime-variantpurchasebehaviorandcorrespondingmarketingstrategies:anonlineretailer’scase”,Computer&IndustrialEngineering,43,pp.801-820.Kim,J.K.,Cho,Y.H.,Kim,W.J.,Kim,J.R.,Suh,J.H.,2002,“ApersonalizedrecommendationprocedureforInternetshoppingsupport”,ElectronicCommerceResearchandApplications,1,pp.301-313.Kim,E.,Kim,W.,andLee,Y.,2002,“Combinationofmultipleclassifiersforthecustomer'spurchasebehaviorprediction”,DecisionSupportSystems,34,pp.167-175.國立清華大學工業工程與工程管理學系2020/5/233/41AgendaBackgroundIntroductionMainidealResultConclusion國立清華大學工業工程與工程管理學系2020/5/234/41Inthepast,researchersgenerallyappliedstatisticalsurveystostudycustomerbehavior.Recently,however,dataminingtechniqueshavebeenadoptedtopredictcustomerbehavior.BackgroundBackground國立清華大學工業工程與工程管理學系2020/5/235/41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2020/5/236/41Datamining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2020/5/237/41RFM(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2020/5/238/41Kahan(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2020/5/239/41此篇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。Time-variantBehaviorAnalysisMarkovChainPurchaseBehaviorFeatureR(Recency),F(Frequency),M(Monetary)BackgroundBackgroundSungH.H.,SungM.B.,andSangC.P.,2002,Customer’stime-variantpurchasebehaviorandcorrespondingmarketingstrategies:anonlineretailer’scase,Computer&IndustrialEngineering,43,pp.801-820.國立清華大學工業工程與工程管理學系2020/5/2310/41IntroductionThispaperintegratescustomerbehavioralvariables,demographicvariables,andtransactiondatabasetoestablishamethodofminingchangesincustomerbehavior.Inthedynamicretailmarket,understandingchangesincustomerbehaviorcanhelpmanagerstoestablisheffectivepromotioncampaigns.Theproposedapproachcanassistmanagersindevelopingbettermarketingstrategies.Introduction國立清華大學工業工程與工程管理學系2020/5/2311/41MainidealFlowchartofminingchangesforcustomerbehavior.Mainideal國立清華大學工業工程與工程管理學系2020/5/2312/41Datapre-processingandCustomersegmentationMainideal國立清華大學工業工程與工程管理學系2020/5/2313/41MainidealFlowchartofminingchangesforcustomerbehavior.Mainideal國立清華大學工業工程與工程管理學系2020/5/2314/41MiningcustomerbehaviorMainidealAssociationrulemining(關聯規則探勘)從大量資料項目集合之間發現有趣的關聯或相關，主要用來發掘各個物件項目之間的關係，以便找出具有價值的規則。Applications:零售連鎖商Walmart發現的「星期四、尿布和啤酒」。也就是由購物籃分析發現在禮拜四晚上，消費者通常會同時購買尿布和啤酒。Examples:Ruleform:“BodyHead[support,confidence]”.buys(x,“diapers”)buys(x,“beers”)[0.5%,60%]國立清華大學工業工程與工程管理學系2020/5/2315/41MiningcustomerbehaviorMainidealAssociationrulemining(關聯規則探勘)規則的支持度(Support：howusefulistherule)與可信度(Confidence：howtrue)是兩個有趣衡量值，他們可以反映出所發現之規則的有用性和確定性。關聯規則的探勘是一個兩步驟過程：找出所有頻繁項目集合：項目集合出現的頻繁性至少和預先定義的最小支持度計數一樣。由頻繁項目集合產生強關聯規則：須同時滿足最小之支持度與最小可信度。當我們找出同時滿足最小支持度與最小可信度之頻繁項目後，決策時就可依據所得頻繁項目來決定分析之優先順序。國立清華大學工業工程與工程管理學系2020/5/2316/41MainidealFlowchartofminingchangesforcustomerbehavior.Mainideal國立清華大學工業工程與工程管理學系2020/5/2317/41ChangepatternsMainidealEmergingpatterns：implythesameconsumerbehaviorthatexistsindifferentperiodsoftimewithtrend(theconditionalandconsequentpartsareidenticalforand).Addedpatterns：Aruleatperiodt2,,isidentifiedasanaddedpatternifallconditionalandconsequentpartsdiffersignificantlyfromanyrule,,atperiodt1.Therulematchingthreshold(RMT)isusedtomeasurethedegreeofchange.1tir2tir2tjr1tir國立清華大學工業工程與工程管理學系2020/5/2318/41ChangepatternsMainidealPerishedpatterns：Aruleatperiodt1,,isidentifiedasaperishedpatternifallconditionalandconsequentpartsdiffersignificantlyfromanyrule,,atperiodt2.Unexpectedchanges：Iftheconditionalpartsofandaresimilar,buttheirconsequentpartsaredifferent,thenisanunexpectedconsequentchangewithrespectto.Iftheconsequentpartsofandaresimilar,buttheirconditionalpartsaredifferent,thenisanunexpectedconditionalchangewithrespectto.1tir2tjr1tir2tjr1tir2tjr1tir2tjr1t