案例7-2 天津联通利用SAS数据挖掘技术实现精细营销

第一篇：案例7-2 天津联通利用SAS数据挖掘技术实现精细营销

案例7-2 天津联通利用SAS数据挖掘技术实现精细营销

啤酒和尿布，风马牛不相及，但细心的超市经营者发现，把这两件商品摆放在一起，比分置两处，更能提升两者的销售额——因为周末购物的父亲们会在买尿布的同时，习惯性地拿瓶啤酒。——挖掘数据，分析用户购买习惯，发现用户潜在的需求以做决策的依据，这就是BI的力量。

近四分之一个世纪以来，SAS始终致力于将原始数据转变成知识和洞察力，提供能够将数据仓库技术、分析方法论和传统的商业智能整合在一起的端到端的解决方案，以顶尖的技术和服务帮助客户全面提升管理水平和决策能力，其专业和经验获得了全球财富500强中94%的客户认可。同时，财富500强的经营智慧和他们对本行业的深刻洞察也帮助SAS获得了对客户所从事行业的宝贵经验。

电信业竞争日趋白热化，运营商们推出新业务的节奏越来越快，过于激烈的竞争使得决策不免仓促，缺乏扎实的市场依据，最后沦为“价格战”。信息产业部前部长、全国人大教科文卫委员会副主任委员吴基传最近对国内电信市场“价格战”的批评也正说明了问题的严重性。新的竞争环境下、中国联通香港上市后国际投资人对公司管理水平“国际化”和公司赢利能力水平的提升都提出了更高的要求，天津联通感受到需求的迫切，引进先进的软件和服务系统，成为提升其管理科学化的重要步骤。

在全球市场，SAS服务于众多大型电信运营商，SAS的产品功能模块建立在对这些电信运营商业务分析的基础之上，更具备行业通用性。同时，SAS也与上海、北京、浙江、河北等地的若干家电信运营商存在合作关系，对国内运营商个性化的业务需求非常了解。兼具国际化的背景和本地化的经验，是天津联通选择SAS的重要原因。同时，天津联通认为，商业智能软件不仅投入较大，而且涉及企业的关键业务数据，只有具备相当资质的大公司才值得信赖，而SAS的资质和实力无疑获得了天津联通的信任。

数据挖掘，帮助天津联通实现营销精细化

显然，在今天中国的电信市场上，粗放式的营销已经无法确保市场回报，营销精细化、科学化是运营商生存的唯一选择，而精细化、科学化的营销决策需要情报支持系统，电信运营商每天产生的业务数据不计其数，这些数据之间是否存在诸如“尿布与啤酒”这样的关系？这种关系又蕴涵着哪些潜藏的商机？仅凭直觉和观察，能经营小超市，但经营一家大型的电信企业，就需要专业的商业智能软件做决策支持，这正是SAS所擅长的。

天津联通根据其业务需要与企业的实际情况，选择了SAS电信业智能解决方案中的三个组成部分：客户挽留解决方案、电信业客户细分解决方案、电信业交叉销售和提升销售解决方案。这三个项目的实施，分别帮助天津联通解决三个决策的问题：

第一，是预测哪些客户最具有流失的倾向以及影响客户流失的关键因素，通过预制的分析模型提供“流失记分”帮助识别风险客户，在客户流失之前采取针对性措施来挽留他们。

第二，根据客户可能的行为和潜在的盈利性对客户进行分类，制定更准确的产品组合、更准确的产品介绍和产品捆绑服务。

第三，从现有客户中识别出有可能接受交叉销售和提升销售的客户人选，评估客户过去的购买模式，预测客户下一步可能购买什么。

通过运行该系统，并对业务数据进行分析，天津联通制订了更精细的营销策略，留住了利润贡献最高的客户，并开发了更有针对性的新业务，提高了每用户平均收入(ARPU-Average Revenue Per User)，增强了赢利能力。

天津联通的用户对变化也有直接感受，一位入网4年多，每月消费额在500元以上的老客户评价说，“天津联通推出的客户关怀活动让我们感受到了作为老客户的‘价值’，如果有人向我咨询，我会向他们推荐使用联通的服务。”

专业服务，授之以渔

尽管是一家国际型企业，但是SAS在与天津联通沟通过程中，服务团队还是让天津联通感觉到了沟通的融洽。从2000年到现在SAS一直致力于中国团队的建设，目前有两支团队已是相当成熟，一个是技术支持和本地化开发队伍，另外一个就是致力于客户关系管理、客户商务智能分析的销售队伍。

天津联通计费营帐中心数据挖掘项目经理田龙认为，SAS的技术人员非常专业，具备丰富的电信行业经验。“他们能从复杂的数据中找到有用的信息，用图表的方式提供给我们，这些信息很容易看懂，并可以依此形成决策。他们对项目的把控能力也是一流的，系统交割清楚有序，并对我们的业务人员进行了系统的培训。”在SAS的培训下，天津联通的业务分析人员已经能够熟练掌握系统的运行，独立操作，从数据中找到他们真正需要的东西，而这种“授之以渔”，融咨询、服务、培训为一体的模式，比单纯销售产品更加符合客户的长远利益。

同时，SAS有着电信行业特有的数据结构、电信领域的出色专家与业已证实的成功分析模型，这些都构成了天津联通智能化管理的基础。先进的数据挖掘方法论SEMMA帮助发掘真正的商业智能，为天津联通的市场决策做支持，而系统本身具有的智能应用、高可用性、高可靠性、高扩展性等特性也充分满足了客户在相当长一段时间内的需求。

提高决策成功率，降低总体拥有成本

越大的企业，决策的成本越高，一次错误的决策就可导致上千万乃至上亿的损失，减低决策风险，对于大企业有特别的重要的意义。而SAS的BI系统，不仅帮助客户提升了赢利能力，也通过变主观决策为数据决策，减低了决策失误的机率。SASBI系统不仅能满足客户当前的需求，也能满足当用户数量增加和业务规模扩大时的需求，具备高可扩展性，真正做到了总体拥有成本最低。

目前，这一智能解决方案的效果已经被证实十分明显，在新业务开发方面，天津联通原来每1000人的电话销售成功率是40人，而现在这一数字提高到了200人，也就是说成功率由原来的4%提高到了20%。

应用效果评价

目前电信业的竞争越来越激烈，迫使电信业必须从过去粗放式的营销模式转向精细化、科学化管理。决策层要想尽快掌握和调整市场方向，就必须从每天产生的不计其数的业务数据中寻找出准确、有效的数据。而SAS在数据挖掘领域技术不仅技术突出，而且其咨询和实施顾问，由于长期在电信行业摸爬滚打，有着丰富的行业经验。另外，其电信行业特有的数据结构，以及系统本身具有的高可用性和高可扩展性也满足了客户的需求。

值得一提的是，在项目实施期间SAS为用户提供的业务流程和数据规范建议和意见，以及“授之以渔”的实施方法也推动了用户对自身业务系统的优化和深入认识。天津联通计费营帐中心数据挖掘项目经理田龙也表示，“SAS 帮助我们发现隐藏在数据之后的问题与机会，我们的营销变得更有洞察力，准确而迅速。”

第二篇：企业战略-利用数据挖掘技术提高饭店竞争力

★★★文档资源★★★

内容摘要：在日益剧烈的业内竞争压力下，饭店是否能制定并执行切实可行的市场战略，关键取决于该饭店管理者对其顾客的偏好、以及影响顾客行为的因素了解得是否正确和全面。数据挖掘技术正可以为饭店管理者提供这样一个全面、深刻了解顾客行为的窗口。有效的运用数据挖掘工具，并将获得的信息转化为切实可行的措施，能够给我们的饭店带来优势明显的竞争力。

关键词：饭店业

数据挖掘

决策树

数据挖掘概述

数据挖掘是指从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。从商业角度，数据挖掘是一种新的商业信息处理技术，其主要特点是对商业数据库中的大量业务数据进行抽取、转换、分析和其他模型化处理，从中提取辅助商业决策的关键性数据。

据统计，数据开掘技术能够发现和跟踪数据集合中潜在的模式，因此，有人认为，在数据库中，处理隐藏的知识、不可意料的模式和新规那么的发现的所有方法中，数据挖掘是最有效的。如果没有数据挖掘技术，许多数据就很可能停留在未使用的阶段。正是数据挖掘为饭店管理者提供了全面、深入地分析和了解顾客及其行为特征的重要助臂；也正是由于其创造客户价值的能力，数据挖掘技术已经被国外一些饭店作为一个重要的竞争工具使用。比方：Hilton

Corporation在它的Beverly

Hills总部使用了E.piphany

E.4软件，Starwood

Corporation也引进了Unica

Corp的Affmium软件。

数据挖掘的研究方法和步骤

饭店生存与否的关键，是它是否有能力为顾客提供令其满意的效劳和设施，比方饭店的清洁状况、登记入住和结账是否方便快捷、饭店效劳员是否有礼貌、价格是否合理等等。

但是要把这些对顾客偏好的了解转化为有效的竞争力，饭店就需要挖掘有效的客户特征信息。而饭店是否能制定并执行切实可行的市场战略正是取决于饭店对客户偏好和行为特征的了解是否正确和全面。因此，我们首先需要利用数据挖掘技术开掘出详细有效的客户特征信息。

定义目标

开发任何数据挖掘模型，都应该遵守目标同样的规那么：明确的目标，恰当的数据准备，适宜的工具和技术，严格的处理和全面的验证。常常被忽略也最值得强调的是，数据挖掘模型之间最主要的区别是目标的区别。其处理步骤往往是相同的。所以，我们在具体实施中，不仅要从建模的角度强调定义目标的重要性，还需要从商业的角度强调清晰定义目标的重要性。

数据准备

数据准备是数据挖掘模型开发过程的第一个步骤，也是最重要的步骤之一。虽然数据挖掘的工具也很重要，但是数据是框架〔信息库〕，模型的质量与底层的数据密切相关。数据准备阶段包括这几个局部的工作——数据收集、数据清理、数据集成、数据转换和数据归约。

首先我们必须收集支持模型的有关数据。只有对目标主体和市场有非常透彻的理解，才可能为目标模型选择出最正确的数据。在有了建模所需的完整数据集以后，下一步需要对数据进行清理，即检查数据，找出错误、异常值和缺失值。数据清理是数据准备过程中最花费时间、最乏味，但也是最重要的步骤，因为后面挖掘工作的质量依赖于数据的精确性和正确性。为了使后面的挖掘工作易于进行，我们还需要进行数据集成，即将来自不同数据源的数据整合成一致的数据存储。在拥有明确的目标和干净、准确的数据之后，还需要进行数据转换〔将数据转换为适于挖掘的形式〕和数据归约，使数据能够发挥最正确效果。

选择数据挖掘工具和技术

数据挖掘工具有很多，比方：规那么归纳、聚类、决策树、遗传算法、神经网络等。每个工具都有它的优点和缺点，不能简单的说哪种工具好，哪种不好。我们需要针对具体的情况和饭店方案的目标来选择最适合的工具。

这个步骤包括定义模型结构〔是树、神经网络、还是规那么归纳？〕、搜索〔选择具体的算法〕和验证〔什么时候算法能够得到正确的模型并停止计算？〕。

处理、验证和实现模型

模型开发的一个重要准那么是：用模型开发过程中未使用过的数据来验证模型。这个准那么可以检验模型的健壮性。所以，在准备好数据、选择好适宜的数据挖掘工具后，需要进行的是模型处理之前最后一个步骤——将数据文件分割成建模数据集和验证数据集两个局部。然后，我们就可以用准备好的数据和数据挖掘工具处理模型了。而建立的模型是否健壮，就需要在验证数据集上检验模型。如果模型验证的结果不佳，可能是由于数据有问题、变量匹配差或建模使用的数据挖掘技术不合理等因素造成的，就需要使用适宜的验证技术使模型更加严格、有效。在成功地挖掘出有用的信息后，就可以利用这些信息来制定适宜的市场战略。通过这种方式，我们可以把数据挖掘技术挖掘出来的信息转化成为有效的企业竞争力。

数据挖掘技术在饭店业的应用

这里引用了一个基于韩国豪华饭店的实例研究，旨在说明数据挖掘技术在饭店业的有效性和实用性，并借此案例进一步说明在饭店业使用数据挖掘技术的具体实施过程。这个研究的目标是帮助饭店决策者建立饭店顾客的行为模式，并以此作为饭店制定可行市场战略的重要根底。

为了最大化地获取并反映饭店顾客的行为模式，研究者选择了韩国汉城在经营价格、地理位置等方面都相似的11家饭店，并在光临这11家饭店的顾客中精挑细选出281位顾客，对其进行了问卷调查。为了获得顾客情况的数据资料，研究者在问卷调查中通过设定的14个问题，主要考察了与之相关联的十多项数据。这十多项数据来自以下三个方面：顾客的人口统计学数据〔年龄、性别、国籍、职业〕；顾客的行为数据〔旅行的目的、过去光临饭店的频率、选择的饭店、楼层类型、房间类型、支付方式……〕；顾客的心理或态度数据〔对饭店效劳员的礼貌、快速/平滑处理顾客投诉、预订的便利性、前台效劳等方面的满意程度……〕。值得强调的是，研究者为模型选择的数据是基于对饭店业本身以及顾客、市场情况等方面透彻理解之上的，比方研究者所考察的顾客对于饭店提供的某些效劳的满意度数据，是从已经被证实与饭店效劳质量紧密相关的属性中挑选出来的。同时应指出，由于顾客满意度数据等是无法从饭店数据库得到的，所以研究者使用了问卷调查这一方式对建模数据进行了完善。

在获得了建模所需的数据之后，研究者首先对收集的数据进行了清理，即填写缺失值，平滑噪声数据，识别、删除孤立点，并纠正数据的不一致性。但仅仅有准确的数据是不够的，还需要对一些数据进行处理。在这个研究实例中，研究者主要是把对一些顾客属性数据〔包括饭店名称；顾客的性别、国籍、职业、支付方式、旅行目的、选择的房间和楼层类型；顾客对饭店预订房间的便利性、效劳员的礼貌情况、效劳质量、处理顾客投诉情况等方面的满意程度〕转化为了简单的、便于处理的数字。比方：把研究中的11家饭店名称用数字1-11表示；饭店把性别属性转化为0＝男性，1＝女性；把国籍属性转化为：1＝美国，2＝欧洲，3＝日本，4＝韩国，5＝除了日韩的亚洲；把顾客对各项指标的满意度属性都转化为：5=非常满意，4＝比拟满意，3＝一般，2＝比拟不满意，1＝完全不满意；把顾客支付方式转化为1＝旅行支票，2＝现金，3＝信用卡；把顾客旅游目的转化为1＝商务旅行，2＝旅游。然后，研究者把所有的数据都安排到一个Excel文件中，并将其转化为SPSS格式，使后面的工作便于展开。

针对这个研究的目标——预测顾客在饭店选择、房间类型选择、支付方式等问题上的顾客行为模式，我们需要挖掘顾客行为模式与其人口统计学资料〔年龄、性别、国籍、职业〕、对饭店各项效劳或设施的满意度情况之间的相互关系。而挖掘出的信息的商业价值在于为饭店经理人提供决策依据。所以，挖掘出的信息必须是饭店经理人容易理解的。这样，信息最终才能转化为饭店的优势竞争力。

正是由于上述各种原因，研究者在诸多数据挖掘技术中选择了结构和生成规那么易于理解的决策树。而在CART、C5.0、CHAID等多种建立决策树的算法中，研究者选择了C5.0，是由于其速度快、内存占用小、修剪能力和交互验证的特征能够使预测更精确。

为了能在具体实施中仅仅提炼出对饭店管理者设计有关战略有用的信息，而不是产生大量的规那么集，研究者对训练数据集设置了一个精确度为50％的阀值，而且只选择了预测精确性超过80％的规那么。研究者最终使用SPSS的数据挖掘应用工具Clementine还是挖掘出了50多条有关规那么。这50多条规那么从顾客的年龄、国籍、职业、性别、旅行目的、选择饭店、支付方式、光临频率、在饭店的停留时间等各个方面具体剖析了顾客的行为模式，揭示了导致或影响这些顾客行为的各种因素，其中一些能够为饭店管理者提供决策上的支持。

挖掘出的这50多条规那么中，有一些规那么是比拟明显的，是有经验的饭店管理者在管理工作中已经发现或是可以发觉的规那么；而另一些规那么却是潜在的、是饭店管理者不易发觉或无法发觉的。同时，挖掘出来的这50多条规那么并不一定都是有用的或是有意义的，在管理者具体把这些规那么用于管理实践中时，不同的战略目标往往需要不同的规那么作为根底。

比方，研究者挖掘出了如下有关顾客光临情况的规那么：假设顾客为30多岁的男性或30岁至40多岁的女性，并已经光临过某个饭店四次，那么这位顾客很有可能再光临这家饭店或与之类似的饭店；而40多岁的男性顾客已经光临过某家饭店四次，那么不太可能再次光临这家饭店或与之类似的饭店；光临过某家饭店多于五次的女性顾客很可能再光临这家饭店或与之类似的饭店十次以上；如果顾客已经光临过某家饭店两次，而且他住在饭店的标准层，又是直接在饭店预订房间的，同时他对于饭店房间的大小比拟满意，那么这位顾客很可能再光临这家饭店或与之类似的饭店五到九次。

上述有关顾客光临情况说明：这家饭店的管理者在对有价值顾客进行定位时，可以首先排除已经光临过本饭店四次的40多岁的男性顾客，并把已经光临过本饭店五次以上的女性顾客定位为最有价值顾客，同时把已经光临过本饭店四次的30多岁的男性和30至40多岁的女性定位为比拟有价值顾客。这样，管理者就可以通过诸如仅针对有价值顾客进行常客奖励方案，以保存核心顾客，培养其忠诚度；同时饭店还可以注意顾客预订房间的方式和选择的房间类型，并使饭店房间的布置更显宽敞来提高顾客满意度，着重对直接预订标准层房间，且已经光临过饭店两次的顾客进行顾客有效的保存措施。

当然，上面所提到的定位有价值顾客和顾客保存只是数据挖掘运用到饭店管理中的两个例子；在实际中，这些挖掘出来的规那么还可以运用于饭店市场拓展、市场细分、顾客需求分析、创立个性化效劳等很多方面。有效的运用数据挖掘工具，并将其转化为切实可行的措施，能够给我们的饭店带来极具竞争力的优势。特别是在数据挖掘技术在饭店业的应用还处于初始阶段的今天，早期有效采用数据挖掘技术能使其在饭店业中提升地位，更具竞争力。

参考资料：

1.刘静艳、颜亮，酒店常客奖励方案在我国的应用[J]，旅游科学，2002

2.吴东晓，基于顾客的饭店品牌价值影响因素的实证研究[J]，南开管理评论，2003

第三篇：联通中医院营销案例

安徽太和县中医院营销案例

中国联通安徽省太和县分公司 刘刚

摘要：在集团总部战略的牵引下，安徽联通太和县分公司充分发挥综合业务优势，立足于精细化管理、大力提倡以服务促发展，在太和县中医院创下一个成功的营销案例。为宣传推广太和县中医院的营销案例,太和县分公司对该次营销进行总结，旨探讨在新的市场环境下如何最大限度的发挥联通优势，如何在管理上、部门间、方案制定、维护服务在形成一个闭环的情况下，各部门团结协作，最终达到发展壮大的目的。

关键词：全业务；精细化管理；以服务促发展

一、案例背景

安徽联通太和县分公司，隶属南方公司，成立伊始，在当地的通信运营商中规模最小、影响力也最为薄弱。2009年，即原联通和原网通合并后的第一年，公司领导班子从扩大社会影响力、提升营销能力和发展需要方面考虑，经过多次研讨后，决定以全业务为契机发展一个具有社会影响力的集团单位，达到发展业务和锻炼队伍的双重目的。

二、案例描述

自2010年以来，太和县分公司深入市场，多次组织领导班子研讨，经过精心的对比和选排，选定太和县中医院为最终目标，并针对其制订了“以集团部为主，客服和维护为辅”的项目方案，方案实施实行3步走战略。

太和县中医院创建于1958年，经过几十年的发展，现已成为一所集医疗、急救、科研、教学、预防、康复为一体的国家三级甲等中医院，全国示范中医院、全国文明单位，医院占地已达127亩（其中中药饮片厂、中药制剂室占地40亩），医疗用房面积达9多万平方米；固定资产达2.6亿元,医疗设备总价值达8000多万元；现有职工730人，其中专业技术人员653人，高级职称47人，中级职称141人，硕士研究生25人（三年内可达80人）；年门诊病人36万多人次，出院病人2.8万人次，病人辐射到河南、山东、亳州等

周边十多个县市。

自把太和县中医院确定为目标单位起，太和县分公司通过多种渠道多种方式与其洽谈。

第一步：以晶宫集团为桥梁，与太和县中医院建立合作关系

太和县晶宫集团是我县一家龙头型房地产企业，联通太和县分公司在与其签下代理合作协议后，该企业270多名员工全部换用联通手机业务。晶宫集团持有太和县中医院部分股份，通过此关系，县分总经理亲自带队，多次与晶宫集团老总和中医院院长洽谈。最终，功夫不负有心人，太和县分公司成功与中医院建立合作关系。

在“以服务促发展”的方针指导下，太和县分公司针对医院室内信号较差的问题，经过多次实地考察，发现原因在于其扩建病房大楼、行政办公楼、专家公寓、老年公寓、中药饮片厂。太和县分公司在第一时间成立小组，小组在精确计算认真选址后，租用医院一个60多平米的房间，建设了固网机房和发射基站，并为该院敷设了室内信号放大器，极大的提高了该院的联通信号强度，使我公司用户和其他运营商用户在该院内的使用感知上产生了很大差异。

通过这些前期努力，太和县分公司使该院领导和职工对联通有了新的认识，服务工作获得很好的评价。

第二步：固网业务拉开合作的序幕

据了解，该院原固网业务使用的是电信24条中继线，自购了一个交换机，并聘请了三名专职技术人员负责运行维护，每年都需要一笔不小的开支。根据这些情况，联通太和县分公司为该院制订了一个的完善的固网解决方案，一切从医院角度考虑：

1、节省开支。为医院建立固话虚拟网，院方既可以甩掉交换机和三名聘请的技术员工资费用包袱，又可以享受虚拟网内通话无费用之优惠。

2、吸引和服务用户。让医院打出“每天只需一元钱，固定电话随意打”的口号。每天医院从住院费中扣取1元作为电话费，病人及家属可以随意打市话。这对医院对外的吸引力和服务上影响力的提高有很大的作用。（农村病人占大多数）一段时间后，医院方面发现实际所用话费远远达不到机房费用与聘请的3名技术人员工资的总和，医院还有些许盈余。

联通太和县分公司，为每个病房定制了内容为病房须知和电话使用方法的不干胶贴，为中医院免费做了一个星期的电视游动字幕广告。经过数次的洽谈论证，太和县分公司与医院签订了固网协议，分两次安装联通固话500余部，光纤3条，仅此一项年收入贡献在20多万元。

第三步：锲而不舍多方面合作

经过前两个阶段的努力，院方领导层到业务具办人员到普通职工，对联通的认识已经不是业务合作伙伴的关系，而是朋友关系。太和县分公司通过员工身体体检项目与中医院采取置换的办法，为该医院员工一次性换号60户。据悉，太和县中医院经济效益连年攀升，但上级主管部门对发放福利又管理的很严格。了解到这些信息后，联通太和分公司积极游说，让院方拿出一部分资金，一次性交付所有中层干部一年手机包月费用，签订2年使用协议，由院方担保赠送联通3G手机，累计发展135户。太和分公司主动赠送了该院1年企信通业务，手把手教会该院办公室和工会人员使用，所有通知、信息等都通过企信通发送至联通号码，等于间接地强制捆绑住这些用户。

三、案例思考题

通过中医院营销过程，有以下几个问题需要我们思考、关注。

1、怎样才能做到精细化管理？一次成功的营销，离不开各个部门的通力配合，任何一个环节一笔业务等等，都是如此。出现问题，都可能使前期的努力化为乌有，前功尽弃。集团单位的发展、大客户的维系，前台的每位营业员。

2、怎样制定方案和实施方案？方案的制定是营销成功的根本基础，在方案制定前需详细掌握以下信息：当前市场环境、对手竞争力（资费、人脉关系）、营销对象详细情况（该单位领导层分工、具体执行者、号码依赖度、未来需求方向等）。在方案实施时要灵活机动，做好情况有变时的预案。

3、全业务发展带来什么？全业务发展其实就是更好的捆绑用户，增加客户离网难度、增加竞争对手介入难度。

四、案例分析点评

在太和中医院这次营销过程中，最关键点就是介入前的准备功课做得很足，主要有两点：

1、对内预先把各部门负责人召集在一起，由集团部牵头，共同做好方案，从开始接触到每一步的实施，到设想遇到情况后的应变，都统一口径和做好预案，指定接口人。

2、对外详细了解竞争对手在该院业务发展情况、人脉资源。该院的业务使用情况、人事情况，研判未来需求方向，对竞争对手的不满之处在哪里。

用心工作，才能有所作为。

第四篇：C02 利用Python实现大数据分析与数据挖掘技术培训(5天)

Python实现大数据挖掘技术培训

【课程目标】

Python已经成为数据分析和数据挖掘的首选语言，作为除了Java、C/C++/C#外最受欢迎的语言。

本课程基于Python工具来实现大数据的数据分析和数据挖掘项目。基于业务问题，在数据挖掘标准过程指导下，采用Python分析工具，实现数据挖掘项目的每一步操作，从数据预处理、数据建模、数据可视化，到最终数据挖掘结束，帮助学员掌握Python用于数据挖掘，提升学员的数据化运营及数据挖掘的能力。

通过本课程的学习，达到如下目的：

1、全面掌握Python语言以及其编程思想。

2、掌握常用扩展库的使用，特别是数据挖掘相关库的使用。

3、学会使用Python完成数据挖掘项目整个过程。

4、掌握利用Python实现可视化呈现。

5、掌握数据挖掘常见算法在Python中的实现。【授课时间】

5天时间

（全部模块讲完需要5天时间，可以根据时间需求拆分内容模块）。【授课对象】

业务支持部、IT系统部、大数据系统开发部、大数据分析中心、网络运维部等相关技术人员。【学员要求】

课程为实战课程，要求：

1、每个学员自备一台便携机(必须)。

2、便携机中事先安装好Excel 2010版本及以上。

3、便携机中事先安装好Python 3.6版本及以上。

注：讲师现场提供开源的安装程序、扩展库，以及现场分析的数据源。

【授课方式】

语言基础 +挖掘模型 +案例演练+开发实践+可视化呈现

采用互动式教学，围绕业务问题，展开数据分析过程，全过程演练操作，让学员在分析、分享、讲授、总结、自我实践过程中获得能力提升。【课程大纲】

第一部分：Python语言基础

目的：掌握基本的Python编程思想与编程语句，熟悉常用数据结构的操作

1、Python简介

2、开发环境搭建  Python的安装  扩展库的安装

3、掌握Python的简单数据类型 

字符串的使用及操作  整数、浮点数

4、掌握基本语句：

 if、while、for、print等  基本运算：

 函数定义、参数传递、返回值

5、掌握复杂的数据类型：列表/元组

 列表操作：访问、添加、修改、删除、排序  列表切片、复制等  列表相关的函数、方法  元组的应用

6、复杂数据类型：字典  创建、访问、修改、删除、遍历  字典函数和方法

7、复杂数据类型：集合

8、掌握面向对象编程思想  创建类、继承类  模块

9、函数定义、参数传递、返回值10、11、标准库与扩展库的导入 异常处理:try-except块

演练：基本的Python编程语句

第二部分：Python语言与数据挖掘库

目的：掌握数据集结构及基本处理方法，进一步巩固Python语言

1、数据挖掘常用扩展库介绍  Numpy数组处理支持  Scipy矩阵计算模块

 Matplotlib数据可视化工具库  Pandas数据分析和探索工具  StatsModels统计建模库  Scikit-Learn机器学习库  Keras深度学习（神经网络）库  Gensim文本挖掘库

2、数据集读取与操作：读取、写入  读写文本文件  读写CSV文件  读写Excel文件  从数据库获取数据集

3、数据集的核心数据结构（Pandas数据结构） DataFrame对象及处理方法  Series对象及处理方法

演练：用Python实现数据的基本统计分析功能

第三部分：数据可视化处理

目的：掌握作图扩展库，实现数据可视化

1、常用的Python作图库  Matplotlib库  Pygal库

2、实现分类汇总

演练：按性别统计用户人数

演练：按产品+日期统计各产品销售金额

3、各种图形的画法  直方图  饼图  折线图  散点图

4、绘图的美化技巧

演练：用Python库作图来实现产品销量分析，并可视化

第四部分：数据挖掘基础 目的：掌握数据挖掘标准流程

1、数据挖掘概述

2、数据挖掘的标准流程（CRISP-DM） 商业理解  数据准备  数据理解  模型建立  模型评估  模型应用

3、数据挖掘常用任务与算法

案例：用大数据实现精准营销的项目过程

第五部分：数据理解和数据准备

目的：掌握数据预处理的基本环节，以及Python的实现

1、数据预处理

 异常值处理：3σ准则，IQR准则  缺失值插补：均值、拉格朗日插补  数据筛选/抽样  数据的离散化处理  变量变换、变量派生

2、数据的基本分析

 相关分析：原理、公式、应用  方差分析：原理、公式、应用  卡方分析：原理、公式、应用  主成分分析：降维

案例：用Python实现数据预处理及数据准备

第四部分：分类预测模型实战

1、常见分类预测的模型与算法

2、如何评估分类预测模型的质量  查准率  查全率  ROC曲线

3、逻辑回归分析模型  逻辑回归的原理  逻辑回归建模的步骤  逻辑回归结果解读

案例：用sklearn库实现银行贷款违约预测

4、决策树模型

 决策树分类的原理  决策树的三个关键问题  决策树算法与实现 案例：电力窃漏用户自动识别

5、人工神经网络模型（ANN） 神经网络概述  神经元工作原理

 常见神经网络算法（BP、LM、RBF、FNN等）案例：神经网络预测产品销量

6、支持向量机（SVM） SVM基本原理  维灾难与核心函数

案例：基于水质图像的水质评价

7、贝叶斯分析  条件概率  常见贝叶斯网络

第五部分：数值预测模型实战

1、常用数值预测的模型  通用预测模型：回归模型

 季节性预测模型：相加、相乘模型  新产品预测模型：珀尔曲线与龚铂兹曲线

2、回归分析概念

3、常见回归分析类别

第六部分：聚类分析（客户细分）实战

1、客户细分常用方法

2、聚类分析（Clustering） 聚类方法原理介绍及适用场景  常用聚类分析算法  聚类算法的评价

案例：使用SKLearn实现K均值聚类 案例：使用TSNE实现聚类可视化

3、RFM模型分析

 RFM模型，更深入了解你的客户价值  RFM模型与市场策略 案例：航空公司客户价值分析

第七部分：关联规则分析实战

1、关联规则概述

2、常用关联规则算法

3、时间序列分析

案例：使用apriori库实现关联分析 案例：中医证型关联规则挖掘

第八部分：案例实战（学员主导，老师现场指导）

1、电商用户行为分析及服务推荐

2、基于基站定位数据的商圈分析

结束：课程总结与问题答疑。

第五篇：大数据时代数据挖掘技术教学研究论文

摘要:随着大数据时代的到来，在大数据观念不断提出的今天，加强数据大数据挖掘及时的应用已成为大势所趋。那么在大数据教学过程中，我们必须掌握大数据与数据挖掘的内涵，并对数据挖掘技术进行分析，从而明确大数据时代下数据挖掘技术的应用领域，促进各项数据的处理，提高大数据处理能力。

关键词:大数据时代；数据挖掘技术；应用

大数据是对全球的数据量较大的一个概括，且每年的数据增长速度较快。而数据挖掘，主要是从多种模糊而又随机、大量而又复杂且不规则的数据中，获得有用的信息知识，从数据库中抽丝剥茧、转换分析，从而掌握其潜在价值与规律。所以大数据时代下的数据处理技术要求更高，要想确保数据处理成效得到提升，就必须切实加强数据挖掘技术教学工作的开展，才能更好地促进数据处理职能的转变，提高数据处理效率，优化学生的学习成效。以下就大数据时代下的数据挖掘技术教学做出如下分析。

1大数据时代下数据挖掘技术的基础教学方法分析

数据挖掘的过程实际就是对数据进行分析和处理，所以其基础就在于数据的分析方法。要想确保分析方法的科学性，就必须确保所采用算法的科学性和可靠性，获取数据潜在规律，并采取多元化的分析方法促进问题的解决和优化。以下就几种常见的数据分析教学方法做出简要的说明。一是归类法，主要是将没有指向和不确定且抽象的数据信息予以集中，并对集中后的数据实施分类整理和编辑处理，从而确保所形成的数据源具有特征一致、表现相同的特点，从而为加强对其的研究提供便利。所以这一分析方法能有效的满足各种数据信息处理。二是关联法，由于不同数据间存在的关联性较为隐蔽，采取人力往往难以找出其信息特征，所以需要预先结合信息关联的表现，对数据关联管理方案进行制定，从而完成基于某种目的的前提下对信息进行处理，所以其主要是在一些信息处理要求高和任务较为复杂的信息处理工作之中。三是特征法，由于数据资源的应用范围较广，所以需要对其特征进行挖掘。也就是采用某一种技术，将具有相同特征的数据进行集中。例如采用人工神经网络技术时，主要是对大批量复杂的数据分析，对非常复杂的模式进行抽取或者对其趋势进行分析。而采取遗传算法，则主要是对其他评估算法的适合度进行评估，并结合生物进化的原理，对信息数据的成长过程进行虚拟和假设，从而组建出半虚拟、半真实的信息资源。再如可视化技术则是为数据挖掘提供辅助，采取多种方式对数据的挖掘进行指导和表达[1]。

2大数据时代数据挖掘技术教学要点的分析

2.1数据挖掘技术流程分析

在数据挖掘教学过程中，其流程主要是以下几点：首先做好数据准备工作，主要是在挖掘数据之前，就引导学生对目标数据进行准确的定位，在寻找和挖掘数据之前，必须知道所需数据类型，才能避免数据挖掘的盲目性。在数据准备时，应根据系统的提示进行操作，在数据库中输入检索条件和目标，对数据信息资源进行分类和清理，以及编辑和预处理。其次是在数据挖掘过程中，由于目标数据信息已经被预处理，所以就需要在挖掘处理过程中将其高效正确的应用到管理机制之中，因而数据挖掘的过程十分重要，所以必须加强对其的处理。例如在数据挖掘中，引导学生结合数据挖掘目标要求，针对性的选取科学而又合适的计算和分析方法，对数据信息特征与应用价值等进行寻找和归纳。当然，也可以结合程序应用的需要，对数据区域进行固定，并在固定的数据区域内分类的挖掘数据，从而得到更具深度和内涵以及价值的数据信息资源，并就挖掘到的数据结果进行分析和解释，从结果中将具有使用价值和意义的规律进行提取，并还原成便于理解的数据语言。最后是切实加强管理和计算等专业知识的应用，将数据挖掘技术实施中进行的总结和提取所获得的数据信息与评估结果在现实之中应用，从而对某个思想、决策是否正确和科学进行判断，最终体现出数据挖掘及时的应用价值，在激发学生学习兴趣的同时促进教学成效的提升。

2.2挖掘后的数据信息资源分析

数据信息资源在挖掘后，其自身的职能作用将变得更加丰富，所以在信息技术环节下的数据挖掘技术随着限定条件的变化，而将数据挖掘信息应用于技术管理和决策管理之中，从而更好地彰显数据在经济活动中的物质性质与价值变化趋势，并结合数据变化特点和具体的表现规律，从而将数据信息的基本要素、质量特点、管理要求等展示出来，所以其表现的形式十分丰富。因而在数据挖掘之后的信息在职能范围和表现形式方式均得到了丰富和拓展，而这也在一定程度上体现了网络拟定目标服务具有较强的完整性，且属于特殊的个体物品，同时也是对传统数据挖掘技术的创新和发展，从而更好地满足当前大数据时代对信息进行数据化的处理，并对不同种类业务进行整合和优化，从而促进数据挖掘技术服务的一体化水平。

2.3大数据背景下的数据挖掘技术的应用必须注重信息失真的控制

数据挖掘技术的信息主要是源于大数据和社会，所以在当前数据挖掘技术需求不断加大的今天，为了更好地促进所挖掘数据信息的真实性，促进其个性化职能的发挥，必须在大数据背景下注重信息失真的控制，切实做好数据挖掘技术管理的各项工作。这就需要引导学生考虑如何确保数据挖掘技术在大数据背景下的职能得到有效的发挥，尽可能地促进数据挖掘技术信息资源的升级和转型，以大数据背景为载体，促进整个业务和技术操作流程的一体化，从而更好地将所有数据资源的消耗和变化以及管理的科学性和有效性，这样我们就能及时的找到资源的消耗源头，从而更好地对数据资源的消耗效益进行评价，最终促进业务流程的优化，并结合大数据背景对数据挖掘技术的职能进行拓展，促进其外部信息与内部信息的合作，对数据挖掘技术信息的职能进行有效的控制，才能更好地促进信息失真的控制[2]。

3数据挖掘技术在不同行业中的应用实践

学习的最终目的是为了更好的应用，随着时代的发展，数据挖掘技术将在越来越多的行业中得以应用。这就需要高校教师引导学生结合实际需要强化对其的应用。例如在市场营销行业中数据挖掘技术的应用这主要是因为数据挖掘能有效的解析消费者的消费行为和消费习惯，从而利用其将销售方式改进和优化，最终促进产品销量的提升。与此同时，通过对购物消费行为的分析，掌握客户的忠诚度和消费意识等，从而针对性的改变营销策略，同时还能找到更多潜在的客户。再如在制造业中数据挖掘技术的应用，其目的就在于对产品质量进行检验。引导学生深入某企业实际，对所制造产品的数据进行研究，从而找出其存在的规则，并对其生产流程进行分析之后，对其生产的过程进行分析，从而更好地对生产质量的影响因素进行分析，并促进其效率的提升。换言之，主要就是对各种生产数据进行筛选，从而得出有用的数据和知识，再采取决策树算法进行统计决策，并从中选取正确决策，从而更好地对产品在市场中的流行程度，决定生产和转型的方向。再如在教育行业中数据挖掘技术的应用，主要是为了更好地对学习情况、教学评估和心里动向等数据进行分类和筛选，从而为学校的教学改革提供参考和支持。比如为了更好地对教学质量进行评估，就需要对教学质量有关项目进行整合与存储，从而更好地促进其对教学质量的评估，而这一过程中，就需要采取数据挖掘技术对有关教学项目中的数据进行挖掘和处理，促进其应用成效的提升[3]。

4结语

综上所述，在大数据背景下，数据挖掘技术已经在各行各业中得到了广泛的应用，所以为了更好地满足应用的需要，在实际教学工作中，我们必须引导学生切实加强对其特点的分析，并结合实际需要，切实注重数据挖掘技术的应用，才能促进其应用成效的提升，最终达到学以致用的目的。

参考文献：

[1]李平荣.大数据时代的数据挖掘技术与应用[J].重庆三峡学院学报,2014,03:45-47.[2]欧阳柏成.大数据时代的数据挖掘技术探究[J].电脑知识与技术,2015,15:3-4+9.[3]孔志文.大数据时代的数据挖掘技术与应用[J].电子技术与软件工程,2015,23:195.