专利名称：一种增量销售的数据挖掘建模方法
技术领域：
本发明涉及数据挖掘技术，特别是涉及一种增量销售的数据挖掘建模方法。
背景技术：
营销是市场经济的产物，营销的目的就是为企业找到市场，通过营销活动为企 业带来效益。传统的大众营销采用的是"广撒网"的方式，往往采用铺天盖地的广 告与优惠手段，进行产品及服务的宣传，这种方式有成本高，收益低的特点，逐渐 被更先进的精确营销方式所取代。精准营销就是通过现代信息技术手段实现的个性
化营销活动，通过市场定量分析的手段(marketingtest)、个性化沟通技术(数据 库、CRM、现代物流等)等实现企业对效益最大化的追求。精准营销中的增量销 售，就是采用数据挖掘的分类模型识别对潜在用户特征，对潜在用户进行预测，进 而指导营销的方法。
目前通用的增量销售数据挖掘的方法如下
第一步在所有的客户资料中进行采样。
第二步对釆样集进行测试，记录营销反应客户和非反应客户。 第三步基于采样集进行建模。
第四步运用模型对数据库的所有客户进行打分，发现最有可能购买产品的客 户群A。
第五步在营销活动中重点针对客户群A。
第六步把营销活动的客户反馈写回数据库，形成营销闭环管理。 上述的精准化营销过程，改变了大众营销的传统模式，降低了营销成本，但是， 在实际的应用中，并没有带来销售额没有增长;在实施发放打折卡等营销手段之后， 反而带来了利润实际降低，投资回报率变为成为负值。究其原因，模型预测结果出 现了偏差。模型发现的是最有可能购买产品的的客户，而大多数情况下，通过模型 打分高的客户一定会购买商品(不管是否领取打折卡)，所以应该修正模型，使得模型预测结果为只有在得到打折券的条件下才最可能购买商品的顾客户，这些客户
才是利润增长点，才会提高ROI (投资回报率)。
发明内容
本发明所要解决的技术问题就是为了克服上述现有技术存在的缺陷而提供一 种增量销售的数据挖掘建模方法。
本发明的目的可以通过以下技术方案来实现: 一种增量销售的数据挖掘建模方 法，其特征在于，包括以下步骤
(1) .根据业务需求，从数据仓库中选择相应的数据；
(2) .数据预处理，构建面向业务主题的数据集市；
(3) .从数据集市中采样数据，用于营销测试；
(4) .记录营销测试的数据，构成数据集；
(5) .基于数据集，构建增量销售模型；
(6) .应用增量销售模型；
(7) .根据应用增量销售模型的结果和营销测试构成的数据集，修正增量销售 模型。
所述的从数据仓库中选择的数据为关联客户购买可能性的数据。 所述的数据预处理包括清洗、缺失值处理、数据规范化。
所述的采样数据为从数据集市中抽取一部分客户，将该部分客户分成进行某个 营销手段的客户组、不进行该营销手段的客户组。
所述的营销测试的数据包括进行某个营销手段客户组的反馈数据、不进行该营 销手段的客户组的反馈数据。
所述的构建增量销售模型为
针对进行某个营销手段客户组的反馈数据，得到用户购买产品的概率分P1; 针对不进行该营销手段客户组的反馈数据，得到用户购买产品的概率分P2; 得到该营销手段对用户购买产品的概率影响权重P， P=P1-P2，将该权重作为 增量销售模型的输出。
与现有技术相比，本发明的方法可以精确得挖掘到营销目标客户群。
图1为传统增量销售的数据挖掘的示意图； 图2为本发明的流程图。
具体实施例方式
下面结合附图对本发明作进一步说明。
如图2所示， 一种增量销售的数据挖掘建模方法，包括以下步骤
(1) .根据业务需求，从数据仓库中选择相应的数据；
(2) .数据预处理，构建面向业务主题的数据集市；
(3) .从数据集市中采样数据，用于营销测试；
(4) .记录营销测试的数据，构成数据集；
(5) .基于数据集，构建增量销售模型；
(6) .应用增量销售模型；
(7) .根据应用增量销售模型的结果和营销测试构成的数据集，修正增量销售 模型；
所述的从数据仓库中选择的数据为关联客户购买可能性的数据;所述的数据预 处理包括清洗、缺失值处理、数据规范化；所述的采样数据为从数据集市中抽取一 部分客户，将该部分客户分成进行某个营销手段的客户组、不进行该营销手段的客 户组；所述的营销测试的数据包括进行某个营销手段客户组的反馈数据、不进行该 营销手段的客户组的反馈数据；所述的构建增量销售模型为针对进行某个营销手 段客户组的反馈数据，得到用户购买产品的概率分Pl;针对不进行该营销手段客 户组的反馈数据，得到用户购买产品的概率分P2;得到该营销手段对用户购买产 品的概率影响权重P， P=P1-P2，将该权重作为增量销售模型的输出。
实施例
(一) 确定业务需求，选择数据
数据字段的选择、收集是数据挖掘的前提，应选择影响客户购买性相关的数据 字段；
(二) 数据预处理，构建数据集市
数据预处理对数据进行清洗、缺失值处理、数据规范化；数据规范化构建 模型的目标变量为用户购买概率得分，把目标变量设为连续型数值变量。
(三) 数据采样数据抽样从客户数据集中，根据业务需求，按一定抽取规则抽取测试客户集; 数据分组将测试客户集等分成A、 B两组。
(四) 对A组客户发放打折卡进行营销，对B组客户进行广告营销，记录客 户反馈信息。
(五) 构建模型
构建打折卡组模型针对A组客户信息，构建打折卡组模型，模型输出结果 为得到打折卡后，用户购买产品的概率得分P1。
构建控制组模型针对B组客户信息，构建控制组模型(无打折卡组模型)， 模型输出结果为不发放打折卡，用户购买产品的概率得分P2。
构建增量销售模型构建增量销售模型，输出结果为打折卡对用户购买概率的 影响权重P， P=P1-P2。
(六) 应用模型
应用模型在选定客户集上，应用增量销售模型，得到客户的增量销售分值。
(七) 把营销活动的客户反馈写回数据库，形成营销闭环 客户反馈信息收集根据模型应用结果，开展营销活动，把营销活动的客户反
馈写回数据库。
更新模型，形成营销闭环根据新的用户数据，训练、修正增量销售模型，为 随后的营销活动提供决策支持，形成营销闭环。
权利要求
1.一种增量销售的数据挖掘建模方法，其特征在于，包括以下步骤(1).根据业务需求，从数据仓库中选择相应的数据；(2).数据预处理，构建面向业务主题的数据集市；(3).从数据集市中采样数据，用于营销测试；(4).记录营销测试的数据，构成数据集；(5).基于数据集，构建增量销售模型；(6).应用增量销售模型；(7).根据应用增量销售模型的结果和营销测试构成的数据集，修正增量销售模型。
2. 根据权利要求1所述的一种增量销售的数据挖掘建模方法，其特征在于， 所述的从数据仓库中选择的数据为关联客户购买可能性的数据。
3. 根据权利要求1所述的一种增量销售的数据挖掘建模方法，其特征在于， 所述的数据预处理包括清洗、缺失值处理、数据规范化。
4. 根据权利要求1所述的一种增量销售的数据挖掘建模方法，其特征在于，所述的采样数据为从数据集市中抽取一部分客户，将该部分客户分成进行某个营销 手段的客户组、不进行该营销手段的客户组。
5. 根据权利要求4所述的一种增量销售的数据挖掘建模方法，其特征在于，所述的营销测试的数据包括进行某个营销手段客户组的反馈数据、不进行该营销手 段的客户组的反馈数据。
6. 根据权利要求5所述的一种增量销售的数据挖掘建模方法，其特征在于， 所述的构建增量销售模型为-针对进行某个营销手段客户组的反馈数据，得到用户购买产品的概率分Pl; 针对不进行该营销手段客户组的反馈数据，得到用户购买产品的概率分P2; 得到该营销手段对用户购买产品的概率影响权重P， P=P1-P2，将该权重作为 增量销售模型的输出。
全文摘要
本发明涉及一种增量销售的数据挖掘建模方法，包括以下步骤根据业务需求，从数据仓库中选择相应的数据；数据预处理，构建面向业务主题的数据集市；从数据集市中采样数据，用于营销测试；记录营销测试的数据，构成数据集；基于数据集，构建增量销售模型；应用增量销售模型；根据应用增量销售模型的结果和营销测试构成的数据集，修正增量销售模型。与现有技术相比，本发明的方法可以精确得挖掘到营销目标客户群。
文档编号G06Q30/00GK101620706SQ20081003988
公开日2010年1月6日 申请日期2008年6月30日 优先权日2008年6月30日
发明者谧 冯 申请人:上海全成通信技术有限公司