零售批發數據挖掘

A. 數據挖掘專業有哪些應用啊，這是個什麼樣的專業，發展前景怎樣

數據挖掘是一門交叉學科，隨著計算機技術和數據倉庫的發展，在電信、銀行、保險等許多商業行業得到廣泛的應用，下面我說幾個典型的應用，如
1、客戶細分：人以類聚，客戶細分或客戶分群是現代營銷的基礎，通過聚類分析的方法，對客戶進行劃分，獲得各個客戶群不同的特徵，從而對客戶群進行針對性的營銷，或者面向特定細分群開發特定產品，從而達到提高產品銷量，提升客戶忠誠度的目的。例如，銀行業將客戶分成不同的群體，向其提供不同的個性化投資產品。
2、客戶流失預測：研究表明，保留老客戶的成本遠低於獲取新客戶的成本。但是，對所有的客戶進行挽留營銷不切實際並且非常昂貴，通過對客戶行為模式的挖掘，客戶流失預測僅找出那些可能會流失的客戶，對這些客戶進行針對性的挽留，可降低營銷成本，提高產品收入，這對於有大量客戶的電信、銀行、保險等行業非常必要。
3、客戶價值分析：客戶對企業的貢獻不同，一般來說遵循「20-80」原則，少數客戶對企業的貢獻佔大都分比例，那麼，哪些客戶是企業最好的客戶？僅僅是最近奉獻收入最多的群體嗎？哪些是潛在的好客戶？通過客戶價值分析，發現企業的最好客戶，把有限的資源使用在能帶來最大的價值客戶的身上。
4、異常發現：通過對數據進行分析，找出其中的異常點，例如，信用卡是當今廣泛使用的金融產品，隨著競爭的加劇，各銀行競相大力推廣信用卡，有少數不法分子趁機使用假資料申請信用卡，騙取錢財。通過數據挖掘對申請資料進行學習評分，可以發現信用欺詐的申請者，避免損失；通過對稅務數據的分析，發現偷稅漏稅行為等。
5、交叉營銷：通過對商品和服務組合營銷模式的分析，能夠發現商品之間的搭配銷售模式。利用這些模式，能夠設計交叉銷售策略。例如，在零售業進行客戶購物搖籃分析，根據結果對貨架重新擺放，從而提高銷售量；電台通過對館長觀看習慣的分析，重新編排節目，提高收視率；零售業巨頭沃爾瑪使用數據倉庫和數據挖掘技術分析客戶的購買模式，用於對庫存的管理和銷售機會的把握。
6、個性化服務：對每個人的消費進行分析，發現其餘眾不同的消費習慣，可有針對性地提供服務或進行促銷。例如，在電子商務中，網站會根據過往購買記錄項向客戶推薦新到商品；根據大多數人購買商品的行為，向客戶推薦當前所買商品的關聯關系。
7、資料庫直銷：一般來說，向客戶隨機發出大量直銷郵件，可能僅有不到5%的客戶會做出響應。根據小規模郵件直銷的結果反饋，數據挖掘建立一個模型，找出潛在最有可能做出響應的客戶，將響應率提高到15%，從而削減了成本，提高了銷量。
8、 改進工作效率：通過對日常工作或業務數據分析，找到優化的模式，從而改進工作效率或業務流程，例如，NBA使用一套數據挖掘工具，分析球員的運動，以幫助教練找到最優組織進攻和防守的方法；通過對製造廠商供應鏈日常活動的分析，找出供應鏈的最優運作方式；通過對生產計劃及生產效率等數據的分析，找到最有效的排班方式；通過對生產工藝和質量數據的關系的分析，發現好的生產工藝流程等。
9、科學發現：通過對大量科學實驗數據進行分析，發現其中隱藏的模式，可導致新的科學發現的產生。例如，通過對天文數據的數據挖掘分析，發現新的星體；通過對生物信息數據的分析，發現新的基因和蛋白質折疊；識別具有良好葯物特性的分子，以用於製造新葯；通過對醫療數據的分析，發現葯物和疾病之間的關系等。
10、預警：通過對數據中趨勢的分析，對將要可能發生的事件提出預警。例如，在電信行業，通過對以往預警數據的分析，發現有哪些常規報警可能是重大問題的前兆，並提出預警，阻止事故的發生；對工廠生產數據的分析，識別重大質量問題的前兆，已採取必要措施，避免產品質量試過的發生。

等等很多，是一門很有發展的學科。

B. 現在哪些行業真正用到數據挖掘

數據挖掘的應用非常廣泛，只要該產業有分析價值與需求的資料庫，皆可利用數據挖掘工具進行有目的的發掘分析。常見的應用案例多發生在零售業、製造業、財務金融保險、通訊及醫療服務：

(1)商場從顧客購買商品中發現一定的關聯規則，提供打折、購物券等促銷手段，提高銷售額；

(2)保險公司通過數據挖掘建立預測模型，辨別出可能的欺詐行為，避免道德風險，減少成本，提高利潤；

(3)在製造業中，半導體的生產和測試中都產生大量的數據，就必須對這些數據進行分析，找出存在的問題，提高質量；

(4)電子商務的作用越來越大，可以用數據挖掘對網站進行分析，識別用戶的行為模式，保留客戶，提供個性化服務，優化網站設計；

一些公司運用數據挖掘的成功案例，顯示了數據挖掘的強大生命力：

美國AutoTrader是世界上最大的汽車銷售站點，每天都會有大量的用戶對網站上的信息點擊，尋求信息，其運用了SAS軟體進行數據挖掘，每天對數據進行分析，找出用戶的訪問模式，對產品的喜歡程度進行判斷，並設特定服務，取得了成功。

Reuteres是世界著名的金融信息服務公司，其利用的數據大都是外部的數據，這樣數據的質量就是公司生存的關鍵所在，必須從數據中檢測出錯誤的成分。Reuteres用SPSS的數據挖掘工具SPSS/Clementine，建立數據挖掘模型，極大地提高了錯誤的檢測，保證了信息的正確和權威性。

Bass Export是世界最大的啤酒進出口商之一，在海外80多個市場從事交易，每個星期傳送23000份定單，這就需要了解每個客戶的習慣，如品牌的喜好等，Bass Export用IBM的Intelligent Miner很好的解決了上述問題。

C. 說說數據挖掘在零售業的作用

介紹了數據挖掘技術在零售業的應用,並結合馬克威分析系統介紹了常用的案例 數據挖掘在零售業中的應用摘要：本文首先系統的介紹了零售業的功能，定位及要解決的問題，然後介紹了數據挖掘的定義、演算法及應用，最後結合「馬克威分析系統」，利用數據挖掘技術，以案例的形式解決了零售業領域的幾個典型應用。關鍵詞：數據挖掘，關聯分析，聚類，零售業 1 零售業定義：零售商業企業是指向批發商業企業或生產企業購進商品，再將商品直接出售給最終消費者的商業企業。其特徵是： ① 銷售對象是直接消費者，而不是那些進行轉賣或生產加工的使用者。 ② 零售商業企業的交易次數頗繁，平均每次交易額較小。 ③ 零售商業企業是商品流通的最終環節。零售企業的交易活動一旦成功、便意味著商品脫離了流通領域而進入消費領域，從而實現了商品價值和使用價值。 ④ 就商品而言，除了專業的特賣店，一般零售商所包含的商品品種巨大，零售商採取的商品銷售方式很多：經銷，代銷，聯銷等。隨著經濟、技術的不斷發展，零售業面臨著重大變革：日益成熟的電子商務；與關鍵客戶和供應商之間的聯盟；供應鏈整合、協同作業；全球化等等。為了適應環境的快速變化，因此具有競爭優勢的零售商不但要知道客戶是誰，買了什麼，還要能夠了解最適合的采購方式等。信息技術的發展推動著傳統商業的發展，利用現代信息技術，實現企業管理的自動化、現代化，充分把信息技術運用與經營中，以最低的成本、最優質的服務、最快速的管理反應進行運作。 2 數據挖掘技術數據挖掘（data mining,DM）是一個萃取（extracting）和展現（presenting）新知識的流程。通過分析具體數據，發現確定有效的、新穎的、有潛在使用價值的、以往不為人知的、最終可理解的信息，為企業良好運營和決策部門做出重要決策提供幫助。數據挖掘涉及的學科領域和方法很多。根據挖掘任務分可分為分類或預測模型發現、數據總結、聚類、關聯規則發現、序列模式發現、依賴關系或依賴模型發現、異常和趨勢發現等等；根據挖掘方法可分為:機器學習方法、統計方法、神經網路方法和資料庫方法。機器學習方法包括：歸納學習方法(決策樹、規則歸納等)、基於範例學習、遺傳演算法等；統計方法包括：回歸分析 (多元回歸、自回歸等)、判別分析(貝葉斯判別、費歇爾判別、非參數判別等)、聚類分析(系統聚類、動態聚類等)、探索性分析(主元分析法、相關分析法等)等；神經網路方法包括：前向神經網路(BP演算法等)、自組織神經網路(自組織特徵映射、競爭學習等)等；資料庫方法主要包括多維數據分析（OLAP）方法。 DM在很多行業都可以有較好的應用。如：國外DM已廣泛應用於銀行金融、製造、保險、公共設施、政府、教育、遠程通訊、軟體開發等領域。據報導，DM的投資回報率有達400%甚至10倍的事例。 3 零售業中的數據挖掘通過條形碼、編碼系統、銷售管理系統、客戶資料管理及其它業務數據中，可以收集到關於商品銷售、客戶信息、貨存單位及店鋪信息等信息資料。數據從各種應用系統中採集，經分類整理，放到數據倉庫里，允許高級管理人員、分析人員、采購人員、市場人員和廣告客戶訪問，利用DM工具對這些數據進行分析，為他們提供高效的科學決策工具。如對商品進行購物籃分析，分析那些商品顧客最有希望一起購買。如被業界廣為傳誦的 「啤酒和尿布」案例就是通過數據挖掘技術找出人與物間規律的典型。在零售業應用領域，利用數據挖掘技術在很多方面有卓越表現：

D. 如何通過數據挖掘母嬰零售店銷量

銷量這些應該是企業店面的商業隱私，肯定是不能被查到的，但是可以通過雲速數據挖掘查詢相關的臨街店鋪信息，行業信息等等

E. 誰能提供數據挖掘在零售業中的聚類演算法應用啊 最好有實際案例演算法分析

，是個好借口個，人口數空間

F. 數據挖掘的方法有哪些

利用數據挖掘進行數據分析常用的方法主要有分類、回歸分析、聚類、關聯規則、特徵、變化和偏差分析、Web頁挖掘等， 它們分別從不同的角度對數據進行挖掘。
1、分類
分類是找出資料庫中一組數據對象的共同特點並按照分類模式將其劃分為不同的類，其目的是通過分類模型，將資料庫中的數據項映射到某個給定的類別。它可以應用到客戶的分類、客戶的屬性和特徵分析、客戶滿意度分析、客戶的購買趨勢預測等，如一個汽車零售商將客戶按照對汽車的喜好劃分成不同的類，這樣營銷人員就可以將新型汽車的廣告手冊直接郵寄到有這種喜好的客戶手中，從而大大增加了商業機會。
2、回歸分析
回歸分析方法反映的是事務資料庫中屬性值在時間上的特徵，產生一個將數據項映射到一個實值預測變數的函數，發現變數或屬性間的依賴關系，其主要研究問題包括數據序列的趨勢特徵、數據序列的預測以及數據間的相關關系等。它可以應用到市場營銷的各個方面，如客戶尋求、保持和預防客戶流失活動、產品生命周期分析、銷售趨勢預測及有針對性的促銷活動等。
3、聚類
聚類分析是把一組數據按照相似性和差異性分為幾個類別，其目的是使得屬於同一類別的數據間的相似性盡可能大，不同類別中的數據間的相似性盡可能小。它可以應用到客戶群體的分類、客戶背景分析、客戶購買趨勢預測、市場的細分等。
4、關聯規則
關聯規則是描述資料庫中數據項之間所存在的關系的規則，即根據一個事務中某些項的出現可導出另一些項在同一事務中也出現，即隱藏在數據間的關聯或相互關系。在客戶關系管理中，通過對企業的客戶資料庫里的大量數據進行挖掘，可以從大量的記錄中發現有趣的關聯關系，找出影響市場營銷效果的關鍵因素，為產品定位、定價與定製客戶群，客戶尋求、細分與保持，市場營銷與推銷，營銷風險評估和詐騙預測等決策支持提供參考依據。
5、特徵
特徵分析是從資料庫中的一組數據中提取出關於這些數據的特徵式，這些特徵式表達了該數據集的總體特徵。如營銷人員通過對客戶流失因素的特徵提取，可以得到導致客戶流失的一系列原因和主要特徵，利用這些特徵可以有效地預防客戶的流失。
6、變化和偏差分析
偏差包括很大一類潛在有趣的知識，如分類中的反常實例，模式的例外，觀察結果對期望的偏差等，其目的是尋找觀察結果與參照量之間有意義的差別。在企業危機管理及其預警中，管理者更感興趣的是那些意外規則。意外規則的挖掘可以應用到各種異常信息的發現、分析、識別、評價和預警等方面。
7、Web頁挖掘
隨著Internet的迅速發展及Web 的全球普及， 使得Web上的信息量無比豐富，通過對Web的挖掘，可以利用Web 的海量數據進行分析，收集政治、經濟、政策、科技、金融、各種市場、競爭對手、供求信息、客戶等有關的信息，集中精力分析和處理那些對企業有重大或潛在重大影響的外部環境信息和內部經營信息，並根據分析結果找出企業管理過程中出現的各種問題和可能引起危機的先兆，對這些信息進行分析和處理，以便識別、分析、評價和管理危機。

G. 要做零售業的數據挖掘 去哪找數據

登錄中國零售網，但公開的數據你都可以找到，涉及商業機密你就看不到啦！畢竟商場如戰場！

H. 母嬰零售店如何通過數據挖掘把生意做得更強

咱們是自己的門店，是品牌還是代理，還是代購呢？
以前都是流量為王的時代，未來都將是精耕細作才能賺到錢