數據挖掘技術成為商業營銷新寵兒

　將尿布與啤酒兩種看似不相干的商品擺放在一起，竟能大幅增加其銷售額。

　　沃爾瑪公司在對顧客的購物行為進行分析時發現，“跟尿布一起購買最多的商品竟是啤酒。”針對這一現象，沃爾瑪對消費數據進行了調查分析。分析的結果揭示了隱藏在“尿布與啤酒”背后的美國人的消費行為傾向——美國的太太們經常叮囑她們的丈夫為小孩買尿布，一些年輕的父親下班后到超市購買嬰兒尿布時，其中30%~40%的人同時也會為自己購買啤酒。既然尿布與啤酒放在一起會增加購買的機會，于是沃爾瑪開始將眾多門店的尿布與啤酒并排擺放，結果是兩類商品的銷售量均大大增長。

　　上面的例子，源于《財富》雜志報道的沃爾瑪案例，從這一例子中，人們看到了對消費者行為模式的準確把握。實際上，沃爾瑪能夠找到這樣的規律，是基于對原始交易數據進行深入分析的結果，而這都要歸功于一項特殊的工作——數據挖掘。

　　所謂數據挖掘，是指尋找隱藏在海量數據中有價值的信息，進而支持決策的過程。“挖掘”的目標包括趨勢、特征及相關性等多個方面的信息。

　　在計算機與信息技術普及的今天，人們的消費需求、行為和習慣都可以化為海量的用戶數據，進而被銀行、電信運營商、信用卡公司等機構進行“挖掘”。而這樣的數據挖掘成果，正逐步為公眾所分享。

　　例如，在網上購買一本小說時，不少網站都會自動推薦相關度極高的另一本書籍；查詢電話話費時，電信運營商也往往根據用戶通話數據，給出更省錢的套餐作為參考。這些都是數據挖掘呈現的效應，一方面給企業帶來了更好的營銷方式，另一方面也讓用戶享受到了便利。

　　商業支撐

　　除了較早介入該領域的電信運營商和銀行之外，數據挖掘正被應用在零售、金融服務、制造業、電話銷售、保險等更多行業中。

　　在商業領域，數據挖掘尤其具有巨大的潛在價值。通過分析用戶消費行為和交易紀錄，數據挖掘可用于幫助企業回答較為復雜的問題。比如大客戶的特征是什么？應該給這些客戶提供什么樣的促銷手段？客戶在1個月內再次購買的可能性有多大？什么樣的產品與花錢最多的客戶相聯系？

　　時下火爆的團購網站們，也將數據挖掘視為重要的運營支撐。團購網站的高管們常常把各種數據掛在嘴邊。在簡單同化的網站頁面背后，很多公司正在數據挖掘上暗自角力，以求通過更加科學有效的方式精準匹配消費需求，在眾多商家中遴選最合適的商品，進而更好地控制用戶粘性。

　　實際上，在互聯網領域，最早利用數據挖掘技術的是電子商務公司。尤其是B2C網站，比如，通過“啤酒-尿布”案例中體現的關聯性規則和相應算法，商家可向買過商品的用戶推薦第二件最可能消費的商品。

　　“目前國內數據挖掘做的比較好的是淘寶，這與公司的重視程度有很大關系。”劉毅向《財經國家周刊》記者說。

　　劉毅出身統計學專業，從事數據挖掘工作多年，早前曾在網絡游戲公司網龍從事數據挖掘工作，如今在艾瑞咨詢創新研發部進行數據產品研發。

　　“我看過淘寶數據魔方，個人認為，它展現出來的結果還是冰山一角，更多是一些報表分析。”劉毅表示，淘寶每日 把交易數據做成數據倉庫，并根據淘寶品類和關鍵詞設置等維度進行展現，但目前也僅限于這些。

　　據悉，淘寶網每日 產生約7000G容量的數據。3月31日，淘寶網對外宣布，面向全球開放淘寶數據，商家、企業及消費者將在未來分享到來自淘寶網的海量原始數據。

　　劉毅認為，對于像當當、卓越這樣的B2C網站來說，更需要深入進行數據挖掘工作。一個類似數據魔方的報表只限于日常運營的需要，想要更深入地了解客戶，使其獲得更好的體驗，或許還是自己做數據挖掘更有用。

　　數據挖掘流程

　　具體到數據挖掘的流程，大致可分為“總體規劃——數據倉庫——數據挖掘”的三個步驟。由于數據挖掘人員需要具有不同的知識結構，因此通常一個數據挖掘團隊在5人左右。

　　首先，由負責總體規劃的人員提出需求，即要做哪些方面的分析。接下來，有專門的人員負責收集來自不同數據源的海量數據，以統一的形式整合在數據倉庫里，同時設置多個維度，形成針對不同主題的結構化數據。

　　此時，數據挖掘人員才開始登場，根據對業務的深入理解，在不斷的測試和計算過程中，形成合理的挖掘模型。同時，對于挖掘得出的結果，還需要有對業務特別熟悉的人員反復驗證。幾次下來，數據模型基本固定，就可以按照例行的周期從數據倉庫提取分析數據，進行數據挖掘工作了。

　　例如游戲公司要預測哪些玩家會在下周流失，可在數據倉庫中設置在線情況、充值情況、活動參與情況等多個維度，通過相應算法進行挖掘工作。一旦發現玩家諸如上線時間變短，或者“打怪”不積極等行為，就會進行標記，同時了解他們對哪些類型的活動或任務感興趣。接下來，運營部門會根據標記向玩家發送相應活動信息等，以維持用戶粘性。

　　而在歐美銀行業的應用中，通常是從客戶的年齡、受教育程度、收入狀況、信用記錄等資料入手，“挖掘”出相應的社會、經濟和消費特征，進而對客戶進行分群和檔案管理，區分大眾消費群體和高端群體。具體到信用卡用戶分析，還會考量持卡人用款數量、用卡頻率、是否按時還款等因素，進而確定發放信用卡的人群、信用額度、風險及防范等問題。

　　另外，數據挖掘結果還可以整合成為營銷策略，在識別客戶行為優化服務，調整產品以符合客戶需求，以及尋找新客戶等方面，成為企業決策的好幫手。

　　多種技術的應用

　　上述三步流程是一個相對比較完整的數據挖掘過程，在要求不高、數據量不大的情況下，數據挖掘和數據分析的結果差別不是很大，很容易被混淆。

　　“現在數據挖掘的概念炒得很火，但是很多人做的只是針對數據的一個簡單統計分析，按照標準的數據挖掘流程去運行的公司仍是少數。”劉毅說。

　　當然，要更好地實現數據挖掘的效果，還需要數據統計團隊和調研團隊的進一步配合。在進行數據挖掘之前，先要統計分析具體情況。而數據挖掘的結果，有時候也無法回答“為什么”這樣的問題，解答這些問題還需要后續的調研工作作為補充。

　　比如要評價某個活動的效果，需要在做數據挖掘之前，先由統計人員分析市場參與度有多大，有怎樣的特征規律等。而在“挖掘”出不同群體的行為偏好，對應以不同營銷手段和個性化服務后，還要進行跟蹤調研，通過問卷形式了解活動效果，以及何種活動愿意參加等問題。

　　數據統計、數據挖掘、結果調研三者作用疊加，方能構成一個完整的市場調查鏈條。

　　在劉毅看來，數據挖掘是一種結合多種專業技術的應用，但其本身并不能提供因果關系，只是呈現出某個結果，告訴人們發生這個行為的概率是多少。

　　“數據挖掘不是一個無所不能的魔法。”劉毅表示，“你可以通過工具從數據中發掘出各種假設，但它并不幫你查證、確認這些假設，也不幫你判斷這些假設對你的價值。”

　　據了解，目前國內也有專門從事數據挖掘的第三方公司，例如華院分析技術(上海)有限公司、北京華通人商用信息有限公司等。不過有研究者認為，第三方公司存在對客戶業務理解不深入的問題，同時由于要抽取客戶自己的數據進行分析，涉及到公司運營機密問題，很難拿到合適的數據，所以很多項目到最后的效果并不好。