零售批发数据挖掘

A. 数据挖掘专业有哪些应用啊，这是个什么样的专业，发展前景怎样

数据挖掘是一门交叉学科，随着计算机技术和数据仓库的发展，在电信、银行、保险等许多商业行业得到广泛的应用，下面我说几个典型的应用，如
1、客户细分：人以类聚，客户细分或客户分群是现代营销的基础，通过聚类分析的方法，对客户进行划分，获得各个客户群不同的特征，从而对客户群进行针对性的营销，或者面向特定细分群开发特定产品，从而达到提高产品销量，提升客户忠诚度的目的。例如，银行业将客户分成不同的群体，向其提供不同的个性化投资产品。
2、客户流失预测：研究表明，保留老客户的成本远低于获取新客户的成本。但是，对所有的客户进行挽留营销不切实际并且非常昂贵，通过对客户行为模式的挖掘，客户流失预测仅找出那些可能会流失的客户，对这些客户进行针对性的挽留，可降低营销成本，提高产品收入，这对于有大量客户的电信、银行、保险等行业非常必要。
3、客户价值分析：客户对企业的贡献不同，一般来说遵循“20-80”原则，少数客户对企业的贡献占大都分比例，那么，哪些客户是企业最好的客户？仅仅是最近奉献收入最多的群体吗？哪些是潜在的好客户？通过客户价值分析，发现企业的最好客户，把有限的资源使用在能带来最大的价值客户的身上。
4、异常发现：通过对数据进行分析，找出其中的异常点，例如，信用卡是当今广泛使用的金融产品，随着竞争的加剧，各银行竞相大力推广信用卡，有少数不法分子趁机使用假资料申请信用卡，骗取钱财。通过数据挖掘对申请资料进行学习评分，可以发现信用欺诈的申请者，避免损失；通过对税务数据的分析，发现偷税漏税行为等。
5、交叉营销：通过对商品和服务组合营销模式的分析，能够发现商品之间的搭配销售模式。利用这些模式，能够设计交叉销售策略。例如，在零售业进行客户购物摇篮分析，根据结果对货架重新摆放，从而提高销售量；电台通过对馆长观看习惯的分析，重新编排节目，提高收视率；零售业巨头沃尔玛使用数据仓库和数据挖掘技术分析客户的购买模式，用于对库存的管理和销售机会的把握。
6、个性化服务：对每个人的消费进行分析，发现其余众不同的消费习惯，可有针对性地提供服务或进行促销。例如，在电子商务中，网站会根据过往购买记录项向客户推荐新到商品；根据大多数人购买商品的行为，向客户推荐当前所买商品的关联关系。
7、数据库直销：一般来说，向客户随机发出大量直销邮件，可能仅有不到5%的客户会做出响应。根据小规模邮件直销的结果反馈，数据挖掘建立一个模型，找出潜在最有可能做出响应的客户，将响应率提高到15%，从而削减了成本，提高了销量。
8、 改进工作效率：通过对日常工作或业务数据分析，找到优化的模式，从而改进工作效率或业务流程，例如，NBA使用一套数据挖掘工具，分析球员的运动，以帮助教练找到最优组织进攻和防守的方法；通过对制造厂商供应链日常活动的分析，找出供应链的最优运作方式；通过对生产计划及生产效率等数据的分析，找到最有效的排班方式；通过对生产工艺和质量数据的关系的分析，发现好的生产工艺流程等。
9、科学发现：通过对大量科学实验数据进行分析，发现其中隐藏的模式，可导致新的科学发现的产生。例如，通过对天文数据的数据挖掘分析，发现新的星体；通过对生物信息数据的分析，发现新的基因和蛋白质折叠；识别具有良好药物特性的分子，以用于制造新药；通过对医疗数据的分析，发现药物和疾病之间的关系等。
10、预警：通过对数据中趋势的分析，对将要可能发生的事件提出预警。例如，在电信行业，通过对以往预警数据的分析，发现有哪些常规报警可能是重大问题的前兆，并提出预警，阻止事故的发生；对工厂生产数据的分析，识别重大质量问题的前兆，已采取必要措施，避免产品质量试过的发生。

等等很多，是一门很有发展的学科。

B. 现在哪些行业真正用到数据挖掘

数据挖掘的应用非常广泛，只要该产业有分析价值与需求的数据库，皆可利用数据挖掘工具进行有目的的发掘分析。常见的应用案例多发生在零售业、制造业、财务金融保险、通讯及医疗服务：

(1)商场从顾客购买商品中发现一定的关联规则，提供打折、购物券等促销手段，提高销售额；

(2)保险公司通过数据挖掘建立预测模型，辨别出可能的欺诈行为，避免道德风险，减少成本，提高利润；

(3)在制造业中，半导体的生产和测试中都产生大量的数据，就必须对这些数据进行分析，找出存在的问题，提高质量；

(4)电子商务的作用越来越大，可以用数据挖掘对网站进行分析，识别用户的行为模式，保留客户，提供个性化服务，优化网站设计；

一些公司运用数据挖掘的成功案例，显示了数据挖掘的强大生命力：

美国AutoTrader是世界上最大的汽车销售站点，每天都会有大量的用户对网站上的信息点击，寻求信息，其运用了SAS软件进行数据挖掘，每天对数据进行分析，找出用户的访问模式，对产品的喜欢程度进行判断，并设特定服务，取得了成功。

Reuteres是世界著名的金融信息服务公司，其利用的数据大都是外部的数据，这样数据的质量就是公司生存的关键所在，必须从数据中检测出错误的成分。Reuteres用SPSS的数据挖掘工具SPSS/Clementine，建立数据挖掘模型，极大地提高了错误的检测，保证了信息的正确和权威性。

Bass Export是世界最大的啤酒进出口商之一，在海外80多个市场从事交易，每个星期传送23000份定单，这就需要了解每个客户的习惯，如品牌的喜好等，Bass Export用IBM的Intelligent Miner很好的解决了上述问题。

C. 说说数据挖掘在零售业的作用

介绍了数据挖掘技术在零售业的应用,并结合马克威分析系统介绍了常用的案例 数据挖掘在零售业中的应用摘要：本文首先系统的介绍了零售业的功能，定位及要解决的问题，然后介绍了数据挖掘的定义、算法及应用，最后结合“马克威分析系统”，利用数据挖掘技术，以案例的形式解决了零售业领域的几个典型应用。关键词：数据挖掘，关联分析，聚类，零售业 1 零售业定义：零售商业企业是指向批发商业企业或生产企业购进商品，再将商品直接出售给最终消费者的商业企业。其特征是： ① 销售对象是直接消费者，而不是那些进行转卖或生产加工的使用者。 ② 零售商业企业的交易次数颇繁，平均每次交易额较小。 ③ 零售商业企业是商品流通的最终环节。零售企业的交易活动一旦成功、便意味着商品脱离了流通领域而进入消费领域，从而实现了商品价值和使用价值。 ④ 就商品而言，除了专业的特卖店，一般零售商所包含的商品品种巨大，零售商采取的商品销售方式很多：经销，代销，联销等。随着经济、技术的不断发展，零售业面临着重大变革：日益成熟的电子商务；与关键客户和供应商之间的联盟；供应链整合、协同作业；全球化等等。为了适应环境的快速变化，因此具有竞争优势的零售商不但要知道客户是谁，买了什么，还要能够了解最适合的采购方式等。信息技术的发展推动着传统商业的发展，利用现代信息技术，实现企业管理的自动化、现代化，充分把信息技术运用与经营中，以最低的成本、最优质的服务、最快速的管理反应进行运作。 2 数据挖掘技术数据挖掘（data mining,DM）是一个萃取（extracting）和展现（presenting）新知识的流程。通过分析具体数据，发现确定有效的、新颖的、有潜在使用价值的、以往不为人知的、最终可理解的信息，为企业良好运营和决策部门做出重要决策提供帮助。数据挖掘涉及的学科领域和方法很多。根据挖掘任务分可分为分类或预测模型发现、数据总结、聚类、关联规则发现、序列模式发现、依赖关系或依赖模型发现、异常和趋势发现等等；根据挖掘方法可分为:机器学习方法、统计方法、神经网络方法和数据库方法。机器学习方法包括：归纳学习方法(决策树、规则归纳等)、基于范例学习、遗传算法等；统计方法包括：回归分析 (多元回归、自回归等)、判别分析(贝叶斯判别、费歇尔判别、非参数判别等)、聚类分析(系统聚类、动态聚类等)、探索性分析(主元分析法、相关分析法等)等；神经网络方法包括：前向神经网络(BP算法等)、自组织神经网络(自组织特征映射、竞争学习等)等；数据库方法主要包括多维数据分析（OLAP）方法。 DM在很多行业都可以有较好的应用。如：国外DM已广泛应用于银行金融、制造、保险、公共设施、政府、教育、远程通讯、软件开发等领域。据报导，DM的投资回报率有达400%甚至10倍的事例。 3 零售业中的数据挖掘通过条形码、编码系统、销售管理系统、客户资料管理及其它业务数据中，可以收集到关于商品销售、客户信息、货存单位及店铺信息等信息资料。数据从各种应用系统中采集，经分类整理，放到数据仓库里，允许高级管理人员、分析人员、采购人员、市场人员和广告客户访问，利用DM工具对这些数据进行分析，为他们提供高效的科学决策工具。如对商品进行购物篮分析，分析那些商品顾客最有希望一起购买。如被业界广为传诵的 “啤酒和尿布”案例就是通过数据挖掘技术找出人与物间规律的典型。在零售业应用领域，利用数据挖掘技术在很多方面有卓越表现：

D. 如何通过数据挖掘母婴零售店销量

销量这些应该是企业店面的商业隐私，肯定是不能被查到的，但是可以通过云速数据挖掘查询相关的临街店铺信息，行业信息等等

E. 谁能提供数据挖掘在零售业中的聚类算法应用啊 最好有实际案例算法分析

，是个好借口个，人口数空间

F. 数据挖掘的方法有哪些

利用数据挖掘进行数据分析常用的方法主要有分类、回归分析、聚类、关联规则、特征、变化和偏差分析、Web页挖掘等， 它们分别从不同的角度对数据进行挖掘。
1、分类
分类是找出数据库中一组数据对象的共同特点并按照分类模式将其划分为不同的类，其目的是通过分类模型，将数据库中的数据项映射到某个给定的类别。它可以应用到客户的分类、客户的属性和特征分析、客户满意度分析、客户的购买趋势预测等，如一个汽车零售商将客户按照对汽车的喜好划分成不同的类，这样营销人员就可以将新型汽车的广告手册直接邮寄到有这种喜好的客户手中，从而大大增加了商业机会。
2、回归分析
回归分析方法反映的是事务数据库中属性值在时间上的特征，产生一个将数据项映射到一个实值预测变量的函数，发现变量或属性间的依赖关系，其主要研究问题包括数据序列的趋势特征、数据序列的预测以及数据间的相关关系等。它可以应用到市场营销的各个方面，如客户寻求、保持和预防客户流失活动、产品生命周期分析、销售趋势预测及有针对性的促销活动等。
3、聚类
聚类分析是把一组数据按照相似性和差异性分为几个类别，其目的是使得属于同一类别的数据间的相似性尽可能大，不同类别中的数据间的相似性尽可能小。它可以应用到客户群体的分类、客户背景分析、客户购买趋势预测、市场的细分等。
4、关联规则
关联规则是描述数据库中数据项之间所存在的关系的规则，即根据一个事务中某些项的出现可导出另一些项在同一事务中也出现，即隐藏在数据间的关联或相互关系。在客户关系管理中，通过对企业的客户数据库里的大量数据进行挖掘，可以从大量的记录中发现有趣的关联关系，找出影响市场营销效果的关键因素，为产品定位、定价与定制客户群，客户寻求、细分与保持，市场营销与推销，营销风险评估和诈骗预测等决策支持提供参考依据。
5、特征
特征分析是从数据库中的一组数据中提取出关于这些数据的特征式，这些特征式表达了该数据集的总体特征。如营销人员通过对客户流失因素的特征提取，可以得到导致客户流失的一系列原因和主要特征，利用这些特征可以有效地预防客户的流失。
6、变化和偏差分析
偏差包括很大一类潜在有趣的知识，如分类中的反常实例，模式的例外，观察结果对期望的偏差等，其目的是寻找观察结果与参照量之间有意义的差别。在企业危机管理及其预警中，管理者更感兴趣的是那些意外规则。意外规则的挖掘可以应用到各种异常信息的发现、分析、识别、评价和预警等方面。
7、Web页挖掘
随着Internet的迅速发展及Web 的全球普及， 使得Web上的信息量无比丰富，通过对Web的挖掘，可以利用Web 的海量数据进行分析，收集政治、经济、政策、科技、金融、各种市场、竞争对手、供求信息、客户等有关的信息，集中精力分析和处理那些对企业有重大或潜在重大影响的外部环境信息和内部经营信息，并根据分析结果找出企业管理过程中出现的各种问题和可能引起危机的先兆，对这些信息进行分析和处理，以便识别、分析、评价和管理危机。

G. 要做零售业的数据挖掘 去哪找数据

登录中国零售网，但公开的数据你都可以找到，涉及商业机密你就看不到啦！毕竟商场如战场！

H. 母婴零售店如何通过数据挖掘把生意做得更强

咱们是自己的门店，是品牌还是代理，还是代购呢？
以前都是流量为王的时代，未来都将是精耕细作才能赚到钱