数据分析框架的主要事件

2017-07-27 12:58:10 来源: 未知
  主要事件事件描述分类根据业务的需要进行必要的分类,比如对客户评级的分类,AA等级或AAA等级估计根据业务数据判断的需要定义需要估计的数据和数据区间值,对业务进行补充和协助。

  例如根据客户储蓄和投资行为估计客户投资风格预测根据数据的变化趋势预测数据的发展方向;例如根据历史投资数据帮助客户预测投资行情等数据分组根据业务需要对数据进行分组;例如购买A类的客户通常也会购买B类,购买A的客户后有一个B周期会产生C行为聚类数据集合的逻辑关系,比如同时拥有A特征和B特征的数据,可以推断出其也拥有C特征描述描述性数据有助于提取关键要素进行数据归纳;例如从数据关键词中进行近似业务营销,备忘录等复杂数据挖掘例如Video,Audio,图形图像等等。

  1、分类(Classification)
  在业务构建中,最重要的分类一般是对客户数据的分类,主要用于精准营销。
  通常分类数据最大的问题在于分类区间的规划,例如分类区间的颗粒度以及分类区间的区间界限等,分类区间的规划需要根据业务流来设定,而业务流的设计必须以客户需要为核心,因此,觉得分类的核心思想在于能够完成满足客户需要的业务。
  由于市场需求是变化的,分类通常也是变化的,例如银行业务中VIP客户的储蓄区间。

  2、估计(Estimation)
  通常数据估计是互动营销的基础,基于客户行为进行数据估计为基础进行互动营销已经被证实具有较高的业务转化率,银行业中通常通过客户数据估计客户对金融产品的偏好,电信业务和互联网业务则通常通过客户数据估计客户需要的相关服务或者估计客户的生命周期。
  觉得数据估计必须基于数据的细分和数据逻辑关联性,数据估计需要有较高的数据挖掘和数据分析水平。

  3、预测(Prediction)
  根据数据变化趋势进行未来预测通常是非常有力的产品推广方式,例如证券业通常会推荐走势良好的股票,银行会根据客户的资本情况协助客户投资理财以达到某个未来预期,电信行业通常以服务使用的增长来判断业务扩张和收缩以及营销等。
  数据预测通常是多个变量的共同结果,每组变量之间一般会存在某个相互联系的数值,我们根据每个变量的关系通常可以计算出数据预测值,并以此作为业务决策的依据展开后续行动。

  4、数据分组(Affinity Grouping)
  数据分组是精准营销的基础,当数据分组以客户特征为主要维度时,通常可以用于估计下一次行为的基础,例如通过客户使用的服务特征的需要来营销配套服务和工具,购买了A类产品的客户一般会有B行为等等(具体可查看博客《如何通过数据来分析用户与产品的关系》的相关介绍)。
  在看来,数据分组的难点在于分组维度的合理性,通常其精确性取决于分组逻辑是否与客户行为特征一致。

  5、聚类(Clustering)
  数据聚类是数据分析的重点项目之一,例如在健康管理系统中通过症状组合可以大致估计病人的疾病,在电信行业产品创新中客户使用的业务组合通常是构成服务套餐的重要依据,在银行业产品创新中客户投资行为聚合也是其金融产品创新的重要依据。
  北京宏图远见数据分析提醒大家一点:数据聚类的要点在于聚类维度选取的正确性,需要不断的实践来验证其可行性。

  6、描述(Description)
  描述性数据的最大效用在于可以对事件进行详细归纳,通常很多细微的机会发现和灵感启迪来自于一些描述性的客户建议,同时客户更愿意通过描述性的方法来查询搜索等,这时就需要技术上通过较好的数据关联方法来协助客户。
  描述性数据的使用难点在于大数据量下数据要素提取和归类,其核心在于要素提取规则以及归类方法,要素提取和归类是其能够被使用的基础。

  7、复杂数据挖掘
  复杂数据挖掘比如Video,Audio等,其要素目前依然难以通过技术手段提取,但也可以从上下文与语境中提取一些要素帮助聚类,例如重要客户标记了高度重要性的Video一般优先权重也应该较高。

  复杂数据的挖掘目前处理的方式一般通过数据录入的标准化来解决,核心在于数据录入标准体系的规划,建议为了整理的方便,初期规划是尽可能考虑完善,不仅仅适用现在,而且可以适用于未来。