第一篇：數(shù)據(jù)挖掘在保險(xiǎn)精準(zhǔn)營(yíng)銷中的應(yīng)用-開(kāi)題報(bào)告

全日制工學(xué)（工程）碩士學(xué)位論文開(kāi)題報(bào)告

課題來(lái)源及研究的目的和意義

1.1 課題來(lái)源

自選課題

1.2 選題價(jià)值及意義

大型的保險(xiǎn)公司已將數(shù)據(jù)挖掘應(yīng)用到保險(xiǎn)業(yè)務(wù)中，但由于應(yīng)用在保險(xiǎn)行業(yè)的分析模型不是很健全，目前在實(shí)際操作中一般都采用套用現(xiàn)成算法的方式，導(dǎo)致其結(jié)果不是特別的理想。數(shù)據(jù)挖掘不只是數(shù)據(jù)的組織和呈現(xiàn)，而是一個(gè)從理解業(yè)務(wù)需求，尋求解決方案到接受實(shí)踐檢驗(yàn)的完整過(guò)程，過(guò)程中的每個(gè)階段都需要建立科學(xué)的方法。數(shù)據(jù)挖掘是精準(zhǔn)營(yíng)銷創(chuàng)造商業(yè)價(jià)值的關(guān)鍵，也應(yīng)該是精準(zhǔn)營(yíng)銷重要組成部分。

在保險(xiǎn)企業(yè)中,應(yīng)用數(shù)據(jù)挖掘有以下好處:從業(yè)務(wù)數(shù)據(jù)方面看,利用企業(yè)經(jīng)營(yíng)積累起來(lái)的海量數(shù)據(jù),經(jīng)過(guò)數(shù)據(jù)預(yù)處理等操作后,并最終挖掘出有用的信息、規(guī)則,用來(lái)幫助企業(yè)的管理者進(jìn)行正確的決策。站在未來(lái)的角度上看,數(shù)據(jù)挖掘通過(guò)對(duì)業(yè)務(wù)數(shù)據(jù)進(jìn)行研究與分析,可以預(yù)測(cè)出企業(yè)相關(guān)經(jīng)營(yíng)方面未來(lái)的發(fā)展趨勢(shì),基于對(duì)客戶群體進(jìn)行分類,推出滿足客戶需求的相關(guān)商業(yè)產(chǎn)品,并挖掘出潛在客戶群體等。另外,從目前的發(fā)展和運(yùn)用現(xiàn)狀來(lái)看,數(shù)據(jù)挖掘技術(shù)未來(lái)發(fā)展市場(chǎng)十分廣闊。而且數(shù)據(jù)挖掘技術(shù)與保險(xiǎn)企業(yè)商業(yè)問(wèn)題的結(jié)合也應(yīng)當(dāng)是一個(gè)必然的過(guò)程。隨著保險(xiǎn)企業(yè)自身經(jīng)營(yíng)管理的不斷完善,從海量的業(yè)務(wù)數(shù)據(jù)中,獲取有價(jià)值的信息和知識(shí),分析并研究客戶喜好及消費(fèi)行為特征,并推出適合客戶需求的產(chǎn)品,針對(duì)客戶進(jìn)行具體的營(yíng)銷,贏得市場(chǎng)地位,對(duì)于保險(xiǎn)企業(yè)來(lái)說(shuō),是未來(lái)快速發(fā)展、贏得企業(yè)生存的關(guān)鍵。因此,學(xué)習(xí)與運(yùn)用數(shù)據(jù)挖掘技術(shù),也是保險(xiǎn)企業(yè)未來(lái)人才培養(yǎng)的一個(gè)重要方面。

2.國(guó)內(nèi)外在該方向的研究現(xiàn)狀及分析

2.1 精準(zhǔn)營(yíng)銷國(guó)內(nèi)外現(xiàn)狀

精準(zhǔn)營(yíng)銷在國(guó)外發(fā)達(dá)國(guó)家已經(jīng)有幾十年的歷史,己經(jīng)成為各類型企業(yè)的常規(guī)營(yíng)銷方式。杰羅姆·麥卡錫（E.Jerome McCarthy）于1960年在其《基礎(chǔ)營(yíng)銷》（Basic Marketing）一書中第一次將企業(yè)的營(yíng)銷要素歸結(jié)四個(gè)基本策略的組合，即著名的“4P’s”理論：產(chǎn)品（Product）、價(jià)格（Price）、渠道（Place）、促銷（Promotion），由于這四個(gè)詞的英文字頭都是P，再加上策略（Strategy），所以簡(jiǎn)稱為“4P’s”。在1976年，“現(xiàn)在營(yíng)銷學(xué)之父” 菲利普·科特勒在其代表作《營(yíng)銷管理》進(jìn)一步確認(rèn)了以4P為核心的營(yíng)銷組合方法論。

全日制工學(xué)（工程）碩士學(xué)位論文開(kāi)題報(bào)告

1990年，美國(guó)學(xué)者羅伯特·勞朋特（RobertLauterborn）教授提出了與傳統(tǒng)營(yíng)銷的4P相對(duì)應(yīng)的4C營(yíng)銷理論。4C（Customer、Cost、Convenience、Communication）營(yíng)銷理論以消費(fèi)者需求為導(dǎo)向，重新設(shè)定了市場(chǎng)營(yíng)銷組合的四個(gè)基本要素：瞄準(zhǔn)消費(fèi)者的需求和期望（Customer）。首先要了解、研究、分析消費(fèi)者的需要與欲求，而不是先考慮企業(yè)能生產(chǎn)什么產(chǎn)品；消費(fèi)者所愿意支付的成本（Cost）?？偟膩?lái)說(shuō)，4C理論認(rèn)為,對(duì)現(xiàn)代企業(yè)來(lái)講,重視產(chǎn)品,更要重視顧客;追求成本,更要追求價(jià)格;提供消費(fèi)者的便利比營(yíng)銷渠道更重要;營(yíng)銷活動(dòng)不單純是在促銷,而是與客戶有效的溝通。4C理論以顧客的便利與滿意為企業(yè)營(yíng)銷的根基,企業(yè)必須從消費(fèi)者的角度出發(fā),為消費(fèi)者提供滿意的產(chǎn)品和服務(wù),才能在競(jìng)爭(zhēng)中立于不敗之地。

目前，最為流行的營(yíng)銷模式是3P3C，Probability（概率）：營(yíng)銷、運(yùn)營(yíng)活動(dòng)以概率為核心，追求精細(xì)化和精準(zhǔn)率。Product（產(chǎn)品）：注重產(chǎn)品功能，強(qiáng)調(diào)產(chǎn)品賣點(diǎn)。Prospects（消費(fèi)者，目標(biāo)用戶）。Creative（創(chuàng)意，包括文案、活動(dòng)等）。Channel（渠道）。Cost/Price（成本/價(jià)格）。而在這其中，以數(shù)據(jù)分析挖掘所支撐的目標(biāo)響應(yīng)概率（Probability）是核心，在此基礎(chǔ)上將會(huì)圍繞產(chǎn)品功能優(yōu)化，目標(biāo)用戶細(xì)分，活動(dòng)創(chuàng)意，渠道優(yōu)化，成本的調(diào)整等重要環(huán)節(jié)和要素，共同促進(jìn)數(shù)據(jù)化運(yùn)營(yíng)持續(xù)完善，甚至成功。

相對(duì)于發(fā)達(dá)國(guó)家,精準(zhǔn)營(yíng)銷在中國(guó)的發(fā)展起步較晚,但是發(fā)展速度非常快。三十年改革開(kāi)放,中國(guó)營(yíng)銷經(jīng)歷了一個(gè)從“無(wú)到有”從“有到強(qiáng)”的過(guò)程;三十年市場(chǎng)營(yíng)銷的實(shí)踐磨練,中國(guó)企業(yè)積累了很多營(yíng)銷經(jīng)驗(yàn)、也培養(yǎng)了很多營(yíng)銷人才、形成了較為系統(tǒng)的營(yíng)銷理論,從整個(gè)大的層面還是積極的、卓有成效的。但是真正意義上的精準(zhǔn)營(yíng)銷在國(guó)內(nèi)的發(fā)展起步比較晚,中國(guó)企業(yè)對(duì)于數(shù)據(jù)庫(kù)營(yíng)銷的核心,包括“客戶識(shí)別”“客戶分析”“客戶互動(dòng)”“客戶體驗(yàn)”的數(shù)據(jù)庫(kù)營(yíng)銷專業(yè)領(lǐng)域,往往知之甚少,因此中國(guó)企業(yè)普遍較為缺少精準(zhǔn)營(yíng)銷的意識(shí),與這種現(xiàn)象在一定程度上也體現(xiàn)了精準(zhǔn)營(yíng)銷在中國(guó)發(fā)展的不成熟。2.2 數(shù)據(jù)挖掘國(guó)內(nèi)外現(xiàn)狀

在保險(xiǎn)業(yè)中,美國(guó)進(jìn)行數(shù)據(jù)挖掘系統(tǒng)研究最為著名的公司是艾克國(guó)際科技有限公司(AkuP),其研發(fā)的數(shù)據(jù)挖掘系統(tǒng)能夠提供前后端分析的完整功能,且可以做到對(duì)保險(xiǎn)客戶進(jìn)行一對(duì)一行銷(One to One Mar-keting)?？傮w上,其主要功能涵蓋了策略層、戰(zhàn)術(shù)層、執(zhí)行層,詳細(xì)包括保險(xiǎn)客戶的組成、成長(zhǎng)潛力、穩(wěn)定度,防患客戶流失、進(jìn)行客戶風(fēng)險(xiǎn)管理,幫助業(yè)務(wù)人員掌握客戶信息等。根據(jù)國(guó)外相關(guān)研究報(bào)告的數(shù)據(jù)顯示,數(shù)據(jù)挖掘在國(guó)際市場(chǎng)上的營(yíng)業(yè)份額已經(jīng)遠(yuǎn)遠(yuǎn)超過(guò)了數(shù)百億美元。在國(guó)外,保險(xiǎn)、零售、銀行等企業(yè)引入數(shù)據(jù)挖掘系統(tǒng)相關(guān)工具所占的比例最高,這些企業(yè)在成功引進(jìn)數(shù)據(jù)挖掘

全日制工學(xué)（工程）碩士學(xué)位論文開(kāi)題報(bào)告

工具以后,銷售營(yíng)業(yè)額、市場(chǎng)份額等相比以前都有大幅提升。因此,基于數(shù)據(jù)挖掘的應(yīng)用系統(tǒng)與工具也相繼延伸到國(guó)外各行各業(yè)的相關(guān)領(lǐng)域,發(fā)揮著其作用。

20世紀(jì)末,數(shù)據(jù)挖掘在進(jìn)入中國(guó)后,起先在證券業(yè)、銀行業(yè)得到廣泛的應(yīng)用與實(shí)踐,而保險(xiǎn)業(yè)是繼前二者之后,才逐漸引入數(shù)據(jù)挖掘進(jìn)行海量數(shù)據(jù)的分析與研究,隨后,采用信息化技術(shù)來(lái)提高各保險(xiǎn)公司的競(jìng)爭(zhēng)力也成為共識(shí)。國(guó)內(nèi)的多數(shù)企業(yè),為了追上這股浪潮,緊跟信息化革命的步伐,也投入了相當(dāng)大的人力、物力、財(cái)力等來(lái)引進(jìn)數(shù)據(jù)挖掘技術(shù)。特別是在我國(guó)的許多大型國(guó)有企業(yè)中,比如保險(xiǎn)、銀行、證券、電信等,這些企業(yè)都擁有海量的數(shù)據(jù)資源,且企業(yè)經(jīng)濟(jì)實(shí)力強(qiáng)大,行業(yè)規(guī)模擴(kuò)展快速等特點(diǎn),其在數(shù)據(jù)挖掘系統(tǒng)應(yīng)用方面已經(jīng)邁出了堅(jiān)實(shí)的一步.2.3數(shù)據(jù)挖掘在保險(xiǎn)精準(zhǔn)營(yíng)銷中的應(yīng)用

保險(xiǎn)領(lǐng)域的數(shù)據(jù)挖掘就是從保險(xiǎn)行業(yè)所積累的大量數(shù)據(jù)信息中，通過(guò)知識(shí)發(fā)現(xiàn)技術(shù)，發(fā)掘感興趣的模式或知識(shí)，來(lái)滿足保險(xiǎn)行業(yè)和監(jiān)管部門的應(yīng)用要求。數(shù)據(jù)挖掘技術(shù)在保險(xiǎn)精準(zhǔn)營(yíng)銷系統(tǒng)中所發(fā)揮的重要作用己經(jīng)逐漸被認(rèn)同。數(shù)據(jù)挖掘一開(kāi)始就是面向應(yīng)用而誕生的,所要涉及到的挖掘問(wèn)題主要分為以下倆類：

1.關(guān)聯(lián)問(wèn)題。關(guān)聯(lián)規(guī)則研究主要有兩個(gè)方向:一是在研究的問(wèn)題中,假定用戶購(gòu)買的所有產(chǎn)品是同時(shí)一次性購(gòu)買的,分析的重點(diǎn)就是所有用戶購(gòu)買的產(chǎn)品之間關(guān)聯(lián)性;二是序列問(wèn)題,即假定一個(gè)用戶購(gòu)買的產(chǎn)品的時(shí)間是不同的,而且分析時(shí)需要突出時(shí)間先后上的關(guān)聯(lián),這是關(guān)聯(lián)問(wèn)題的一種特殊情況。

2.分類問(wèn)題。分類問(wèn)題屬于預(yù)測(cè)性的問(wèn)題,但又區(qū)別于普通的預(yù)測(cè)問(wèn)題,其預(yù)測(cè)的結(jié)果是類別而不是具體的數(shù)值。例如：對(duì)客戶進(jìn)行分層，基于一個(gè)客戶的相關(guān)信息，判斷出他屬于哪一層的客戶，未來(lái)一段時(shí)間是否會(huì)購(gòu)買某類保險(xiǎn)？將來(lái)是否會(huì)成為保險(xiǎn)公司的高價(jià)值客戶？

圍繞保險(xiǎn)領(lǐng)域的不同需求，可將其歸納為：保險(xiǎn)產(chǎn)品的設(shè)計(jì)、營(yíng)銷方式創(chuàng)新。1.保險(xiǎn)產(chǎn)品設(shè)計(jì)。從保險(xiǎn)產(chǎn)品設(shè)計(jì)與開(kāi)發(fā)的角度出發(fā),分析對(duì)于保險(xiǎn)條款、保險(xiǎn)費(fèi)率具有重大影響的產(chǎn)品結(jié)構(gòu)、技術(shù)結(jié)構(gòu)及所有者結(jié)構(gòu)等因素,滿足市場(chǎng)的實(shí)際需要。在研制開(kāi)發(fā)保險(xiǎn)產(chǎn)品的過(guò)程中,需要充分注意適應(yīng)這些因素的變化,積極開(kāi)發(fā)各種保險(xiǎn)產(chǎn)品;通過(guò)分析已購(gòu)買某種保險(xiǎn)的人是否同時(shí)購(gòu)買另一種保險(xiǎn),從而可以推進(jìn)保險(xiǎn)產(chǎn)品的創(chuàng)新,行交叉銷售和增量銷售,提高客戶滿意度。未來(lái)的保險(xiǎn)市場(chǎng)必將是保險(xiǎn)產(chǎn)品不斷得到創(chuàng)新的市場(chǎng)。

2.營(yíng)銷方式創(chuàng)新。通過(guò)對(duì)客戶信息的挖掘來(lái)支持目標(biāo)市場(chǎng)的細(xì)分和目標(biāo)客戶群的

全日制工學(xué)（工程）碩士學(xué)位論文開(kāi)題報(bào)告

定位,制定有針對(duì)性的營(yíng)銷措施,包括保險(xiǎn)公司的專職人員、代理人員等傳統(tǒng)渠道以及經(jīng)紀(jì)人、電話、計(jì)算機(jī)網(wǎng)絡(luò)和銀行等輔助渠道,提高客戶響應(yīng)統(tǒng)率,降低營(yíng)銷成本。

3.主要研究?jī)?nèi)容

3.1 技術(shù)方案

保險(xiǎn)行業(yè)在海量數(shù)據(jù)信息的時(shí)代，傳統(tǒng)的營(yíng)銷模式缺乏針對(duì)性。當(dāng)客戶數(shù)量提高、相應(yīng)的信息量增多、所需保險(xiǎn)種類復(fù)雜化，如果只依靠傳統(tǒng)的營(yíng)銷模式來(lái)解決問(wèn)題，那必定帶來(lái)很大的人力和財(cái)力的損傷，同時(shí)會(huì)降低工作效率。如此下去，隨著需求的不斷增加或變更，傳統(tǒng)的營(yíng)銷模式?jīng)]有從根本上解決海量信息帶來(lái)的挑戰(zhàn)，甚至?xí)魇б徊糠值目蛻簟ａ槍?duì)精準(zhǔn)營(yíng)銷的主要研究?jī)?nèi)容如下： 3.1.1 ETL數(shù)據(jù)預(yù)處理

我們要對(duì)保險(xiǎn)公司提供的原始數(shù)據(jù)進(jìn)行預(yù)處理后，在可以加載到我們的處理平臺(tái)上，這個(gè)過(guò)程，我們需要做到以下幾部：

（1）數(shù)據(jù)清洗。數(shù)據(jù)清洗主要處理空缺值、噪聲數(shù)據(jù)。針對(duì)于空缺值的處理，我們可以采用回歸、貝葉斯形式化方法工具或判定樹(shù)歸納等確定空缺值。依靠現(xiàn)有的數(shù)據(jù)信息來(lái)推測(cè)空缺值，使空缺值有很大的機(jī)會(huì)保持與其他屬性之間的聯(lián)系。還可以用全部變量來(lái)替換空缺值、或是用平均值來(lái)填充。針對(duì)于噪聲數(shù)據(jù)，我們可以采用分相或是回歸的辦法來(lái)處理。

（2）數(shù)據(jù)集成。我們從保險(xiǎn)公司拿回來(lái)的數(shù)據(jù)，不可能是統(tǒng)一的格式，針對(duì)于不同來(lái)源的數(shù)據(jù)，我們要把它合成同一的模式。首先要做到模式集成，即把不同信息源中的實(shí)體匹配來(lái)進(jìn)行模式集成。在集成過(guò)程，會(huì)出現(xiàn)一個(gè)屬性多次出現(xiàn)或一個(gè)屬性命名不一致的問(wèn)題，針對(duì)屬性冗余的問(wèn)題，可以用相關(guān)分析監(jiān)測(cè)，然后刪除冗余的屬性。

（3）數(shù)據(jù)轉(zhuǎn)換。數(shù)據(jù)轉(zhuǎn)換的目的就是把數(shù)據(jù)轉(zhuǎn)換成有利于進(jìn)行數(shù)據(jù)挖掘的形式。針對(duì)于數(shù)據(jù)屬性，我們可以刪除一些無(wú)關(guān)的屬性、也可以把一些屬性進(jìn)行維歸約，甚至針對(duì)于一些關(guān)鍵性的屬性，我們可以細(xì)化它的屬性。

3.1.2 并行數(shù)據(jù)庫(kù)運(yùn)算環(huán)境下，提出客戶精確分類和客戶與產(chǎn)品關(guān)聯(lián)分析組合算法

本文的目的是尋找一種適合保險(xiǎn)營(yíng)銷的算法，來(lái)解決目前營(yíng)銷的困難，營(yíng)銷的最大的困難就是客戶以及針對(duì)于客戶的產(chǎn)品設(shè)計(jì)。針對(duì)于客戶的管理，我們要做到對(duì)客戶的分層，分類管理，把客戶按照現(xiàn)居住地，性別，家庭狀況，以及收入情況等屬性進(jìn)行細(xì)分。針對(duì)以購(gòu)買保險(xiǎn)的客戶，關(guān)聯(lián)出已購(gòu)買的保險(xiǎn)種類與細(xì)分的屬性之間的

全日制工學(xué)（工程）碩士學(xué)位論文開(kāi)題報(bào)告

關(guān)系，將關(guān)聯(lián)出的關(guān)系應(yīng)用到潛在客戶，替潛在客戶找到適合自己的產(chǎn)品；根據(jù)客戶的生活狀態(tài)、家庭狀態(tài)，找出適合客戶的隱藏產(chǎn)品，實(shí)現(xiàn)針對(duì)性、交叉性銷售。3.1.3對(duì)挖掘出的結(jié)果進(jìn)行驗(yàn)證

數(shù)據(jù)挖掘的模型，是要經(jīng)過(guò)驗(yàn)證，一般的情況下，置信度在80%以上就可以投入應(yīng)用中。挖掘結(jié)果驗(yàn)證的方法有兩個(gè)，一是對(duì)現(xiàn)有數(shù)據(jù)進(jìn)行抽樣觀察，用具體的結(jié)果支持我們的計(jì)算結(jié)果，這個(gè)是驗(yàn)證；另一個(gè)更重要和更有價(jià)值，需要保險(xiǎn)公司的業(yè)務(wù)部門根據(jù)我們計(jì)算的結(jié)果，對(duì)客戶進(jìn)行深入的精準(zhǔn)營(yíng)銷作業(yè)，然后搜集指導(dǎo)作業(yè)的結(jié)果，分析精準(zhǔn)定向銷售的成功率的提升情況，用實(shí)際業(yè)績(jī)的數(shù)據(jù)來(lái)驗(yàn)證我們的研究成果。

3.2 關(guān)鍵技術(shù)方法

關(guān)鍵問(wèn)題一：產(chǎn)品分類、客戶分層，客戶分類。特別是客戶分類是精準(zhǔn)營(yíng)銷的前提。當(dāng)前壽險(xiǎn)行業(yè)（我們目前能拿到主要就是壽險(xiǎn)企業(yè)數(shù)據(jù)）的客戶的分類，一般是基于下面幾個(gè)分類模式的：地理變量、人口統(tǒng)計(jì)變量、心理變量、行為變量。由于是本地保險(xiǎn)企業(yè)某個(gè)范圍內(nèi)的數(shù)據(jù)，地理變量的影響很小，人口統(tǒng)計(jì)變量對(duì)壽險(xiǎn)的影響特別大，是本課題的研究重點(diǎn)。中國(guó)人對(duì)保險(xiǎn)產(chǎn)品的認(rèn)知和偏好，明顯與西方不同，而保險(xiǎn)行業(yè)在中國(guó)的真正的發(fā)展時(shí)間還很短，很多與中國(guó)國(guó)情和文化有關(guān)聯(lián)的問(wèn)題都沒(méi)有得到比較深入的研究。比如，提出兩個(gè)有關(guān)客戶分類的問(wèn)題，一是“代溝”，二是“家庭關(guān)系”。代溝問(wèn)題是大家常談的社會(huì)問(wèn)題，中國(guó)最近30年發(fā)生劇烈的社會(huì)變革，年齡跨度幾年的人，其對(duì)社會(huì)的認(rèn)知模式和消費(fèi)習(xí)慣就可能有重大的區(qū)別，必然影響保險(xiǎn)產(chǎn)品的銷售趨向，那么如何在保險(xiǎn)客戶數(shù)據(jù)中，找到并比較準(zhǔn)確的“代溝分類閾值”？另一個(gè)“家庭關(guān)系”，建立穩(wěn)定家庭的客戶顯然是購(gòu)買人壽類保險(xiǎn)產(chǎn)品的主力，而購(gòu)買保險(xiǎn)產(chǎn)品的過(guò)程中，中國(guó)體現(xiàn)了很強(qiáng)的“家主決策權(quán)”，在客戶分類的過(guò)程中，家庭關(guān)系作為一個(gè)特殊的、多指向的、數(shù)據(jù)元內(nèi)部有交叉關(guān)系的變量組，必然會(huì)深刻影響客戶的分類方法，以及在后面依附于分類計(jì)算結(jié)果之上的關(guān)聯(lián)計(jì)算方法和計(jì)算結(jié)果。這是本課題研究的另一個(gè)重要問(wèn)題。本課題對(duì)保險(xiǎn)用戶的分類方法雖然還屬于當(dāng)前流行的大類分析方法中的類型，但相比一般粗糙的分類方式，我們采用了更精細(xì)、更深入的分類方法，當(dāng)然對(duì)分類算法就需要進(jìn)行深入的定制、優(yōu)化研究。

關(guān)鍵問(wèn)題二：根據(jù)前面對(duì)客戶分類的設(shè)想，在分類中出現(xiàn)用關(guān)系表來(lái)描述的客戶種類屬性的情況下，客戶屬性要體現(xiàn)“家庭單位和成員關(guān)系的客戶分類屬性”，本身可能是一個(gè)多維表，那么當(dāng)下普遍采用的關(guān)聯(lián)關(guān)系的二維計(jì)算方法都是用來(lái)分析兩個(gè)一

全日制工學(xué)（工程）碩士學(xué)位論文開(kāi)題報(bào)告

維數(shù)據(jù)屬性之間的關(guān)系，比如當(dāng)前主流的Apriori算法。當(dāng)前通用的算法如果不進(jìn)行改進(jìn)和局部的特殊設(shè)計(jì)，顯然不能滿足對(duì)本課題對(duì)應(yīng)的保險(xiǎn)客戶數(shù)據(jù)屬性表與產(chǎn)品表之間進(jìn)行關(guān)聯(lián)分析的運(yùn)算要求。這就要求我們對(duì)關(guān)聯(lián)算法的具體定制和完善，進(jìn)行研究和創(chuàng)新。3.3技術(shù)、實(shí)驗(yàn)條件

如果采用傳統(tǒng)的數(shù)據(jù)庫(kù)進(jìn)行海量數(shù)據(jù)的存儲(chǔ)、并在其基礎(chǔ)上進(jìn)行查詢分析操作時(shí)，會(huì)出現(xiàn)檢索速度慢以及不易擴(kuò)展的問(wèn)題，提出基于GP的分布式存儲(chǔ)模型（如圖所示）。

Segment hostSegment hostSegment hostSegment hostETLSegment hostSegment hostLANSQL MapReduce外部數(shù)據(jù)源并行裝載或?qū)С鯩aster 節(jié)點(diǎn)Network Interconnect

圖1.1 GP的系統(tǒng)結(jié)構(gòu)

采用成熟的商用并行數(shù)據(jù)庫(kù)平臺(tái)Greenplum作為本項(xiàng)目的主要數(shù)據(jù)庫(kù)和分析挖掘運(yùn)算環(huán)境。該系統(tǒng)是基于postgreSQL發(fā)展的商業(yè)系統(tǒng)，特點(diǎn)是采用一組分布式多節(jié)點(diǎn)服務(wù)器組成并行運(yùn)算結(jié)構(gòu)，特別適合進(jìn)行頻繁的高密度表關(guān)聯(lián)計(jì)算。

系統(tǒng)平臺(tái)的基本配置是一個(gè)核心管理服務(wù)器管理一組運(yùn)算節(jié)點(diǎn)單元服務(wù)器，運(yùn)算節(jié)點(diǎn)單元服務(wù)器可以根據(jù)數(shù)據(jù)量和運(yùn)算要求的增長(zhǎng)擴(kuò)容。目前實(shí)驗(yàn)室提供的環(huán)境可以存儲(chǔ)大約2億條數(shù)據(jù)，由于運(yùn)算過(guò)程中需要產(chǎn)生大量的中間結(jié)果，因此推測(cè)可以對(duì)大約100萬(wàn)條保險(xiǎn)客戶和業(yè)務(wù)數(shù)據(jù)進(jìn)行分析。3.4 預(yù)計(jì)目標(biāo)

(1)適用于本地壽險(xiǎn)行業(yè)的精準(zhǔn)營(yíng)銷分析方法，能夠用一種以上方法對(duì)客戶進(jìn)行精確分類，并根據(jù)分類屬性確定保險(xiǎn)產(chǎn)品的關(guān)聯(lián)選擇度，以指導(dǎo)保險(xiǎn)行業(yè)提升客戶價(jià)值； 基于保險(xiǎn)數(shù)據(jù)的挖掘處理方法以及增量挖掘問(wèn)題的處理方法

(2)在核心期刊上發(fā)表1-2篇論文

全日制工學(xué)（工程）碩士學(xué)位論文開(kāi)題報(bào)告

4研究方案及進(jìn)度安排，預(yù)期達(dá)到的目標(biāo)

2014年 9月 1日——2014年10月30日：調(diào)研、準(zhǔn)備開(kāi)題

2014年11月1日——2014年11月30日：去保險(xiǎn)企業(yè)搜集數(shù)據(jù)，分析其數(shù)據(jù)特點(diǎn)，實(shí)驗(yàn)方案再論證

2014年12月1日——2015年1月15日：建立模型與建立實(shí)驗(yàn)環(huán)境

2015年2月10日——2015年5月30日：編碼、收集與分析實(shí)驗(yàn)數(shù)據(jù)，完成一篇論文 2015年 6月1日——2015年 9月10日：進(jìn)一步的對(duì)精準(zhǔn)營(yíng)銷系統(tǒng)進(jìn)行優(yōu)化 2015年 9月11日——2015年11月30日：碩士論文編寫 2015年12月1日——2015年 12月31日：碩士論文答辯

第二篇：數(shù)據(jù)挖掘在房地產(chǎn)營(yíng)銷中的應(yīng)用

文章摘要：信息資源的分析、整合在房地產(chǎn)行業(yè)的競(jìng)爭(zhēng)中起著越來(lái)越重要的作用。數(shù)據(jù)挖掘作為一種系統(tǒng)地檢查和理解大量數(shù)據(jù)的工具，能有效地幫助房地產(chǎn)企業(yè)從不斷積累與更新的數(shù)據(jù)中提取有價(jià)值的信息。因此，數(shù)據(jù)挖掘被引入到房地產(chǎn)市場(chǎng)研究領(lǐng)域，并日益受到重視。本文從數(shù)據(jù)挖掘在房地產(chǎn)行業(yè)中的市場(chǎng)研究?jī)r(jià)值入手，分析了數(shù)據(jù)挖掘在房地產(chǎn)市場(chǎng)研究尤其是客戶信息中的應(yīng)用，并加以舉例說(shuō)明。關(guān)鍵詞：數(shù)據(jù)挖掘 關(guān)聯(lián)分析 分類

一、房地產(chǎn)行業(yè)需要數(shù)據(jù)挖掘技術(shù)的支持

隨著房地產(chǎn)行業(yè)競(jìng)爭(zhēng)的加劇，房地產(chǎn)企業(yè)要想在競(jìng)爭(zhēng)中制勝，必然需要充分的信息支持和準(zhǔn)確的市場(chǎng)判斷。房地產(chǎn)行業(yè)擁有大量的數(shù)據(jù)積累，包括行業(yè)信息、經(jīng)濟(jì)環(huán)境信息、客戶信息等。這些數(shù)據(jù)是房地產(chǎn)企業(yè)市場(chǎng)運(yùn)作的重要參考。面對(duì)快速增長(zhǎng)的海量數(shù)據(jù)收集，企業(yè)需要有力的數(shù)據(jù)分析工具將“豐富的數(shù)據(jù)”轉(zhuǎn)換成“有價(jià)值的知識(shí)”，否則大量的數(shù)據(jù)將成為“數(shù)據(jù)豐富，但信息貧乏”的“數(shù)據(jù)墳?zāi)埂薄?/p>

數(shù)據(jù)挖掘（Data Mining）是從大量數(shù)據(jù)中發(fā)現(xiàn)潛在關(guān)聯(lián)、模式，做出預(yù)測(cè)性分析的有效工具，它是現(xiàn)有的一些人工智能、統(tǒng)計(jì)學(xué)等技術(shù)在數(shù)據(jù)庫(kù)領(lǐng)域中的應(yīng)用。應(yīng)用數(shù)據(jù)挖掘有助于發(fā)現(xiàn)業(yè)務(wù)發(fā)展的趨勢(shì)，揭示已知的事實(shí)，預(yù)測(cè)未知的結(jié)果，并幫助企業(yè)分析出解決問(wèn)題所需要的關(guān)鍵因素，使企業(yè)處于更有利的競(jìng)爭(zhēng)位置。

二、數(shù)據(jù)挖掘在房地產(chǎn)行業(yè)的應(yīng)用

1．?dāng)?shù)據(jù)挖掘的概念

對(duì)于企業(yè)的海量信息存儲(chǔ)，數(shù)據(jù)挖掘是一種系統(tǒng)地檢查和理解大量數(shù)據(jù)的工具。數(shù)據(jù)挖掘根據(jù)預(yù)定義的商業(yè)目標(biāo)，對(duì)大量的企業(yè)數(shù)據(jù)進(jìn)行探索和分析，揭示其中隱含的商業(yè)規(guī)律，并進(jìn)一步生成相應(yīng)的分析、預(yù)測(cè)模型。

數(shù)據(jù)挖掘發(fā)現(xiàn)的是以前未知的、可理解的、可執(zhí)行的信息，所以也被稱為“知識(shí)發(fā)現(xiàn)”(Knowledge Discovery in Databases)。與統(tǒng)計(jì)分析技術(shù)相比，數(shù)據(jù)挖掘技術(shù)能很好地和數(shù)據(jù)庫(kù)技術(shù)相結(jié)合，而且數(shù)據(jù)挖掘工具用以發(fā)現(xiàn)數(shù)據(jù)中隱含的商業(yè)規(guī)律的方法已不局限于統(tǒng)計(jì)技術(shù)，還包括神經(jīng)網(wǎng)絡(luò)、遺傳算法、自組織圖、神經(jīng)模糊系統(tǒng)等統(tǒng)計(jì)學(xué)科以外的方法。數(shù)據(jù)挖掘發(fā)現(xiàn)的“知識(shí)”一方面可以用于構(gòu)建預(yù)測(cè)模型，另一方面可以被用于豐富統(tǒng)計(jì)分析師的背景知識(shí)，再被統(tǒng)計(jì)分析師應(yīng)用到數(shù)據(jù)分析中。

數(shù)據(jù)挖掘任務(wù)一般可以分兩類：描述和預(yù)測(cè)。描述性挖掘任務(wù)刻劃數(shù)據(jù)庫(kù)中數(shù)據(jù)的一般特性。預(yù)測(cè)性挖掘任務(wù)在當(dāng)前數(shù)據(jù)上進(jìn)行推斷，以進(jìn)行預(yù)測(cè)。具體來(lái)講，數(shù)據(jù)挖掘主要用于解決以下幾種不同事情：

（1）關(guān)聯(lián)分析（Association analysis），是尋找屬性間的相關(guān)性。兩種常用的技術(shù)是關(guān)聯(lián)規(guī)則和序列模式。關(guān)聯(lián)規(guī)則是尋找在同一事件中出現(xiàn)的不同項(xiàng)的相關(guān)性，比如某個(gè)住宅項(xiàng)目的目標(biāo)客戶對(duì)該項(xiàng)目各方面評(píng)價(jià)之間的相關(guān)性序列分析尋找的是事件之間時(shí)間上的相關(guān)性，如對(duì)股票漲跌、房地產(chǎn)周期的分析。

（2）分類（Classification）和預(yù)測(cè)（Prediction）。分類根據(jù)某種標(biāo)準(zhǔn)將數(shù)據(jù)庫(kù)記錄分類到許多預(yù)先定義好的類別中。例如，將房地產(chǎn)企業(yè)客戶根據(jù)消費(fèi)決策模式進(jìn)行分類；同時(shí)可以建立預(yù)測(cè)模型，給定潛在客戶的收入、職業(yè)、家庭構(gòu)成等個(gè)人屬性，預(yù)測(cè)他們?cè)谫?gòu)房支出；如將房地產(chǎn)企業(yè)客戶分為潛在客戶、購(gòu)買者和實(shí)際客戶。分類系統(tǒng)可以產(chǎn)生這樣的規(guī)則：“如果客戶可以并且愿意承擔(dān)每月2000元的月供，計(jì)劃在1年內(nèi)在某地區(qū)買房，那么他/她是一個(gè)潛在客戶；如果客戶至少進(jìn)行過(guò)一次業(yè)務(wù)訪問(wèn)，那么他/她是一個(gè)購(gòu)買者?！?/p>

（3）聚類（Clustering）是把整個(gè)數(shù)據(jù)庫(kù)分成不同的群組。它的目的是要群與群之間差別明顯，而同一群之間的數(shù)據(jù)盡量相似。聚類與分類不同：分類之前已經(jīng)知道要把數(shù)據(jù)分成哪幾類，每個(gè)類的性質(zhì)是什么；聚類則恰恰相反。

（4）演變分析（evolution analysis）描述行為隨時(shí)間變化的對(duì)象的規(guī)律或趨勢(shì)，并對(duì)其建模。例如，結(jié)合人口構(gòu)成變動(dòng)趨勢(shì)、教育水平發(fā)展趨勢(shì)、社會(huì)經(jīng)濟(jì)發(fā)展趨勢(shì)進(jìn)行房地產(chǎn)消費(fèi)趨向的分析。

（5）描述和可視化（Description and Visualization），對(duì)數(shù)據(jù)進(jìn)行歸約、概化或圖形描述等。例如，通過(guò)空間聚集和近似計(jì)算對(duì)一些具體的地理位置概化聚類，形成對(duì)某區(qū)域的形象化描述。

2．?dāng)?shù)據(jù)挖掘的市場(chǎng)研究?jī)r(jià)值

數(shù)據(jù)挖掘技術(shù)在商業(yè)上實(shí)際應(yīng)用十分豐富。應(yīng)用數(shù)據(jù)挖掘技術(shù)，可以幫助房地產(chǎn)行業(yè)找出有價(jià)值的信息，十分有助于企業(yè)發(fā)現(xiàn)商機(jī)、制定開(kāi)發(fā)計(jì)劃與營(yíng)銷策略。對(duì)于房地產(chǎn)市場(chǎng)研究，數(shù)據(jù)挖掘可以應(yīng)用于宏觀經(jīng)濟(jì)形勢(shì)研究、市場(chǎng)發(fā)展趨勢(shì)研究、樓盤供應(yīng)研究、競(jìng)爭(zhēng)對(duì)手研究、客戶研究。包括但不局限于以下幾個(gè)方面：

（1）宏觀經(jīng)濟(jì)形勢(shì)研究——1）房地產(chǎn)周期時(shí)序分析中的相似搜索：可找出已有房地產(chǎn)周期數(shù)據(jù)庫(kù)中與給定查詢序列最接近的數(shù)據(jù)序列。比較識(shí)別兩個(gè)相似時(shí)間段間數(shù)據(jù)系列的主要差異，對(duì)房地產(chǎn)市場(chǎng)的宏觀分析很有參考價(jià)值。2）宏觀經(jīng)濟(jì)形勢(shì)研究——房地產(chǎn)周期一般性因素關(guān)聯(lián)分析：一般而言，房地產(chǎn)周期是影響不動(dòng)產(chǎn)收益的一系列因素組成的總體概念。各因素均會(huì)對(duì)總體房地產(chǎn)周期起決定作用。關(guān)聯(lián)分析方法可用于幫助發(fā)現(xiàn)各因素和房地產(chǎn)周期間的交叉與聯(lián)系。

（2）市場(chǎng)發(fā)展趨勢(shì)研究——1）銷售量的增長(zhǎng)與人均可支配收入的回歸分析；2）個(gè)人購(gòu)買與集團(tuán)購(gòu)買房地產(chǎn)比重的擬合與分析；3）對(duì)房地產(chǎn)銷售波動(dòng)率的回歸分析。通過(guò)對(duì)市場(chǎng)總體狀況、市場(chǎng)占有率、發(fā)展水平等動(dòng)態(tài)的分析、總結(jié)和評(píng)價(jià)，及時(shí)獲得準(zhǔn)確數(shù)據(jù)，輔助經(jīng)營(yíng)決策。

（3）樓盤供應(yīng)研究——地理發(fā)展空間的多維分析：綜合人口住房條件及分布、土地利用現(xiàn)狀及政府規(guī)劃、交通現(xiàn)狀分布信息，通過(guò)聚集及層次化描述，發(fā)掘區(qū)域內(nèi)需建立的高檔別墅、高、中、低檔公寓的數(shù)量及各自的地理位置和發(fā)展計(jì)劃。

（4）客戶研究——客戶信息的多維關(guān)聯(lián)和序列模式分析：關(guān)聯(lián)分析可在客戶信息中發(fā)現(xiàn)客戶的消費(fèi)行為模式，幫助營(yíng)銷人員找出影響消費(fèi)者的機(jī)會(huì)與方式。

目前，專業(yè)市場(chǎng)研究公司對(duì)房地產(chǎn)行業(yè)的調(diào)研主要集中在客戶需求分析方面，并積累了一定的經(jīng)驗(yàn)，因此，本文主要探討房地產(chǎn)客戶信息的數(shù)據(jù)挖掘。

3．?dāng)?shù)據(jù)挖掘在房地產(chǎn)客戶研究中有著廣泛的應(yīng)用

房地產(chǎn)行業(yè)的客戶信息有許多特點(diǎn)，如下圖所示，一方面房地產(chǎn)行業(yè)面對(duì)的客戶群廣泛，而且客戶的特征描述的結(jié)構(gòu)復(fù)雜，另一方面房地產(chǎn)客戶需求的層次不一，且易受外界因素影響，具有多層次性和多變性。

對(duì)于復(fù)雜、多樣而且擅變的客戶信息，房地產(chǎn)行業(yè)客戶信息的數(shù)據(jù)挖掘有助于識(shí)別客戶購(gòu)買行為，發(fā)現(xiàn)客戶購(gòu)買模式和趨勢(shì)。從而，幫助房地產(chǎn)企業(yè)改進(jìn)服務(wù)質(zhì)量，取得更好的客戶關(guān)系和滿意程度，設(shè)計(jì)更好的營(yíng)銷方案，減少商業(yè)成本。根據(jù)已有的數(shù)據(jù)挖掘經(jīng)驗(yàn)，數(shù)據(jù)挖掘在房地產(chǎn)行業(yè)的應(yīng)用可以歸納成以下幾個(gè)方面：

4．明確商業(yè)目標(biāo)

三、如何在房地產(chǎn)行業(yè)應(yīng)用數(shù)據(jù)挖掘技術(shù)

應(yīng)用數(shù)據(jù)挖掘的首要任務(wù)就是明確需要達(dá)到什么樣的商業(yè)目標(biāo)，并描述出需要解決的問(wèn)題。目標(biāo)的描述應(yīng)該細(xì)化、清楚，以便于選擇合適的挖掘方法，也方便檢測(cè)數(shù)據(jù)挖掘效果，判斷建立的模型的有效性。例如，下列目標(biāo)是大而空的目標(biāo)：獲得客戶行為的了解；在數(shù)據(jù)中發(fā)現(xiàn)有用的模型；發(fā)現(xiàn)一些有意思得東西。而另外一些目標(biāo)有較強(qiáng)操作性：發(fā)現(xiàn)哪些客戶不受某種促銷手段的影響；找出項(xiàng)目封頂時(shí)哪類客戶成交率增加。

5．?dāng)?shù)據(jù)準(zhǔn)備

基于數(shù)據(jù)挖掘的商業(yè)目標(biāo)，提取所需要的數(shù)據(jù)。為了保證數(shù)據(jù)的質(zhì)量，除了對(duì)數(shù)據(jù)進(jìn)行必要地檢查和修正外，還需要考慮不同源之間數(shù)據(jù)的一致性問(wèn)題。

如果數(shù)據(jù)集包含過(guò)多的字段，需采用一定的方法找到對(duì)模型輸出影響最大的字段，適當(dāng)?shù)臏p少輸入的字段。常用的方法包括：“描述型數(shù)據(jù)挖掘”、連結(jié)分析等。

很多變量如果組合起來(lái)（加、減、比率等）會(huì)比這些變量自身影響力更大。一些變量如果擴(kuò)大它的范圍會(huì)成為一個(gè)非常好的預(yù)測(cè)變量，比如用一段時(shí)間內(nèi)收入變化情況代替一個(gè)單一的收入數(shù)據(jù)。因此，在數(shù)據(jù)準(zhǔn)備階段需考慮是否創(chuàng)建一些新的變量。

處理缺失數(shù)據(jù)也是數(shù)據(jù)準(zhǔn)備階段的一個(gè)重要工作。有些缺值本身就非常有意義。例如：富有的顧客會(huì)忽略“收入”，或者不在乎價(jià)格的影響。

6．建立模型

建立模型是一個(gè)反復(fù)的過(guò)程。首先需要選擇適合解決當(dāng)前問(wèn)題的模型。對(duì)模型的選擇過(guò)程可能會(huì)啟發(fā)對(duì)數(shù)據(jù)的理解并加以修改，甚至改變最初對(duì)問(wèn)題的定義。

一旦選擇了模型的類型及應(yīng)用的方法，所選擇的模型將決定對(duì)數(shù)據(jù)的預(yù)處理工作。例如，神經(jīng)網(wǎng)絡(luò)需要做數(shù)據(jù)轉(zhuǎn)換，有些數(shù)據(jù)挖掘工具可能對(duì)輸入數(shù)據(jù)的格式有特定的限制等。

接下來(lái)是建立模型的工作。對(duì)于通過(guò)數(shù)據(jù)挖掘建立的模型需要有一定的數(shù)據(jù)來(lái)測(cè)試和驗(yàn)證。對(duì)于預(yù)測(cè)性任務(wù)，需通過(guò)反復(fù)的測(cè)試、驗(yàn)證、訓(xùn)練，才能不斷提高模型的準(zhǔn)確率。

大部分?jǐn)?shù)據(jù)挖掘模型不是專為解決某個(gè)問(wèn)題而特制的，模型之間也并不相互排斥。不能說(shuō)一個(gè)問(wèn)題一定要采用某種模型，別的就不行。例如：Cart決策樹(shù)算法、神經(jīng)網(wǎng)絡(luò)既可以用于建立分類樹(shù)，也可建立回歸樹(shù)。

7．輸出結(jié)果的評(píng)價(jià)和解釋

模型建立好之后，必須評(píng)價(jià)其結(jié)果，解釋其價(jià)值。在實(shí)際應(yīng)用中，模型的準(zhǔn)確率會(huì)隨著應(yīng)用數(shù)據(jù)的不同發(fā)生變化。但準(zhǔn)確度自身并不一定是選擇模型的正確評(píng)價(jià)方法。對(duì)輸出結(jié)果的理解需要進(jìn)一步了解錯(cuò)誤的類型和由此帶來(lái)的相關(guān)費(fèi)用的多少。如果模型每個(gè)不同的預(yù)測(cè)錯(cuò)誤所需付出的代價(jià)（費(fèi)用）也不同的話，代價(jià)最小的模型（而不一定是錯(cuò)誤率最小的模型）將是較好的選擇。

直接在現(xiàn)實(shí)世界中測(cè)試模型很重要。先在小范圍內(nèi)應(yīng)用，取得測(cè)試數(shù)據(jù)，覺(jué)得滿意后再向大范圍推廣。

8．實(shí)施

模型在建立并經(jīng)驗(yàn)證之后，可以有兩種主要的使用方法。一種是提供給分析人員做參考，由他通過(guò)查看和分析這個(gè)模型輸出，并做出解釋和方案建議；另一種是把模型應(yīng)用到不同的數(shù)據(jù)集上。模型可以用來(lái)標(biāo)示一個(gè)事例的類別，給一類客戶打分等，還可以用模型在數(shù)據(jù)庫(kù)中選擇符合特定要求的記錄，以用其他工具做進(jìn)一步分析。

在應(yīng)用模型之后，還要不斷監(jiān)控模型的效果。即使模型的運(yùn)用很成功，也不能放棄監(jiān)控。因?yàn)槭挛镌诓粩喟l(fā)展變化，很可能過(guò)一段時(shí)間之后，隨著購(gòu)買方式、消費(fèi)觀點(diǎn)的變化，模型就不再起作用。因此隨著模型使用時(shí)間的增加，要不斷的對(duì)模型做重新測(cè)試，有時(shí)甚至需要更新建立模型。

四、應(yīng)用舉例：基于客戶分類的關(guān)聯(lián)分析

1．商業(yè)目標(biāo)

為了更詳盡地了解客戶的消費(fèi)決策，本案例設(shè)計(jì)的問(wèn)題是：“給客戶分類，并了解不同類的客戶有什么特點(diǎn)？”針對(duì)此類問(wèn)題挖掘出的結(jié)果可以被用于預(yù)測(cè)性分析，例如預(yù)測(cè)客戶最傾向于做出哪種購(gòu)買行為。２．?dāng)?shù)據(jù)準(zhǔn)備

本案例中采用某一時(shí)點(diǎn)上的房地產(chǎn)消費(fèi)者需求抽樣調(diào)查，取出描述消費(fèi)者個(gè)人屬性和消費(fèi)特點(diǎn)的字段。

３．建立模型

（1）對(duì)數(shù)據(jù)進(jìn)行分類

本案例中由購(gòu)房者選擇最多五個(gè)自己在購(gòu)房決策過(guò)程中比較看重的因素，并以總評(píng)分100分為前提給出每個(gè)因素的看重程度的評(píng)分。

案例得到的抽樣數(shù)據(jù)顯示，盡管地理位置是影響一個(gè)房地產(chǎn)項(xiàng)目定位的重要因素，人們對(duì)地理位置的看重程度仍有較大的差異。因此，以客戶對(duì)地理位置的關(guān)注程度為分類標(biāo)準(zhǔn)，構(gòu)建了一個(gè)簡(jiǎn)單的決策樹(shù)。決策樹(shù)中根據(jù)購(gòu)房者對(duì)地理位置的看重程度，將購(gòu)房者分為：地理位置決定型、地理位置重要參考型、地理位置參考型、地理位置不重要型、地理位置無(wú)關(guān)型五種類型。下表是應(yīng)用決策樹(shù)得到的客戶分類結(jié)果。從各客戶群評(píng)分的均值和標(biāo)準(zhǔn)差可以看出，各客戶群具有較好的組內(nèi)相似性和組間差異性，說(shuō)明所構(gòu)建的決策樹(shù)的分類結(jié)果比較理想，可用于進(jìn)一步的分析。

（2）關(guān)聯(lián)分析運(yùn)用關(guān)聯(lián)分析的目的是尋找數(shù)據(jù)庫(kù)中值的相關(guān)性。本例采用基于興趣度的關(guān)聯(lián)規(guī)則挖掘算法，挖掘每類客戶不同屬性間的相關(guān)性。經(jīng)過(guò)挖掘，發(fā)現(xiàn)一些值得深入探討的關(guān)聯(lián)，見(jiàn)下表：

注：a)支持率反映了關(guān)聯(lián)是否是普遍存在的規(guī)律。例如：支持率=5%，表示在1000個(gè)客戶中有50個(gè)客戶符合關(guān)聯(lián)規(guī)則描述。

b)可信度反映了關(guān)聯(lián)規(guī)則前提成立的條件下結(jié)果成例的概率。本例中，可信度=15%可以解釋為，對(duì)應(yīng)的客戶群中有15個(gè)人符合關(guān)聯(lián)規(guī)則的描述。

c)興趣度反映了關(guān)聯(lián)規(guī)則中元素的關(guān)系的密切程度。興趣度越大于1說(shuō)明該規(guī)則中的元素的關(guān)系越密切，該規(guī)則的實(shí)際利用價(jià)值越大。

d)最小支持度閾值、最小可信度和最小興趣度的閾值可以由用戶和領(lǐng)域?qū)＜以O(shè)定。此例中以支持度>3.5%，可信度>15%，興趣度>2為閾值。

上表中列出的關(guān)聯(lián)規(guī)則均有較高的支持率、可信度和興趣度。為了更加準(zhǔn)確地挖掘關(guān)聯(lián)規(guī)則。對(duì)挖掘出的關(guān)聯(lián)規(guī)則更換因果關(guān)系，形成新的關(guān)聯(lián)規(guī)則與之進(jìn)行對(duì)比。如下例：

關(guān)聯(lián)規(guī)則A1：地理位置無(wú)關(guān)型客戶＝≥重視物業(yè)管理

支持率=9.7% 可信度=30.3% 興趣度=2.4與

關(guān)聯(lián)規(guī)則B1：重視物業(yè)管理 ＝≥地理位置無(wú)關(guān)型客戶

支持率=9.7% 可信度=76.9% 興趣度=2.4

對(duì)比兩個(gè)關(guān)聯(lián)規(guī)則將發(fā)現(xiàn)，“重視物業(yè)管理的人不關(guān)心地理位置”的可能性（76.9%）高于“不關(guān)心地理位置的人重視物業(yè)管理”的可能性（30.3%）。說(shuō)明關(guān)聯(lián)規(guī)則B1：重視物業(yè)管理＝≥地理位置無(wú)關(guān)型客戶是一條更有意義的關(guān)聯(lián)規(guī)則。

其他被發(fā)掘的關(guān)聯(lián)也可以通過(guò)類似的比較，進(jìn)行深一步的挖掘。在此不再全部做出詳細(xì)分析。從本例挖掘出的信息可以看到，如果僅依賴于已有行業(yè)經(jīng)驗(yàn)進(jìn)行統(tǒng)計(jì)分析，往往會(huì)因?yàn)榉治鋈藛T的主觀性或者數(shù)據(jù)量太大難以實(shí)施而存在信息提取的局限性。而通過(guò)數(shù)據(jù)挖掘得到的信息，一方面能彌補(bǔ)直接應(yīng)用統(tǒng)計(jì)分析時(shí)的局限性，開(kāi)拓分析人員的思維，豐富分析人員的行業(yè)背景知識(shí)；另一方面可以通過(guò)反復(fù)的驗(yàn)證、機(jī)器學(xué)習(xí)建立模型，直接成為分析人員的分析、預(yù)測(cè)的工具。

需要說(shuō)明：

a)本案例的目的在于說(shuō)明數(shù)據(jù)挖掘算法的應(yīng)用價(jià)值，得到的結(jié)果僅供參考，并不作為定論，而且數(shù)據(jù)挖掘的結(jié)果需要由行業(yè)內(nèi)的商業(yè)分析人員判斷：是否真的具有意義，是否有進(jìn)一步分析、探討的價(jià)值。也就是說(shuō)數(shù)據(jù)挖掘作為信息提取的工具，其輸出是決策分析的參考，不能代替行業(yè)內(nèi)商業(yè)分析人員的分析工作。

b)案例中的數(shù)據(jù)挖掘作為方法應(yīng)用的探討，如要生成一個(gè)可操作的模型工具還需足夠的數(shù)據(jù)集支持進(jìn)行測(cè)試、驗(yàn)證、訓(xùn)練才能不斷提高模型的準(zhǔn)確率。

c)本案例中解決問(wèn)題的方法不是唯一的，可能應(yīng)用其他的分類手段、分類標(biāo)準(zhǔn)能得到更好的結(jié)果。具體方法的應(yīng)用要取決于實(shí)施人員的建模能力、行業(yè)經(jīng)驗(yàn)。也就是說(shuō)，數(shù)據(jù)挖掘?qū)θ藛T有較高的要求。數(shù)據(jù)挖掘的人員不僅要有良好的統(tǒng)計(jì)概念、建模能力，還要懂得基本的商業(yè)和行業(yè)概念。

五、房地產(chǎn)行業(yè)數(shù)據(jù)挖掘的應(yīng)用前景

隨著IT/Internet等新技術(shù)發(fā)展，市場(chǎng)研究在房地產(chǎn)行業(yè)的應(yīng)用已經(jīng)不再局限于數(shù)據(jù)采集和簡(jiǎn)單的歸納、數(shù)據(jù)分析。更高的決策服務(wù)是建立在更大量的“數(shù)據(jù)——信息——知識(shí)”的基礎(chǔ)上的，因此數(shù)據(jù)挖掘、商業(yè)智能等概念與技術(shù)的引入促進(jìn)了數(shù)據(jù)挖掘在房地產(chǎn)行業(yè)的應(yīng)用。與此同時(shí)，隨著房地產(chǎn)企業(yè)數(shù)據(jù)挖掘應(yīng)用的深入，數(shù)據(jù)、數(shù)據(jù)挖掘的任務(wù)和數(shù)據(jù)挖掘方法的多樣性將給數(shù)據(jù)挖掘提出了許多挑戰(zhàn)性的課題。例如：

1、應(yīng)用地理信息系統(tǒng)(GIS)尋求數(shù)據(jù)挖掘過(guò)程中的可視化方法，使得知識(shí)發(fā)現(xiàn)的過(guò)程能夠被用戶理解，也便于在知識(shí)發(fā)現(xiàn)過(guò)程中的人機(jī)交互。

2、web挖掘：由于web上存在大量信息，隨著web的發(fā)展，有關(guān)web內(nèi)容挖掘、web日志挖掘等網(wǎng)絡(luò)上的數(shù)據(jù)挖掘?qū)⒊蔀閿?shù)據(jù)挖掘中一個(gè)最為重要和繁榮的應(yīng)用領(lǐng)域。房地產(chǎn)公司的企業(yè)形象宣傳、營(yíng)銷、客戶維護(hù)等工作都將離不開(kāi)網(wǎng)絡(luò)，也必然將需要web挖掘數(shù)據(jù)支持。

第三篇：外呼銷售精準(zhǔn)營(yíng)銷數(shù)據(jù)挖掘模型

? OB實(shí)現(xiàn)精準(zhǔn)營(yíng)銷需要建立的數(shù)據(jù)挖掘模型

第一：模型橫向

1、會(huì)員定性：通過(guò)對(duì)會(huì)員姓名，性別，年齡，購(gòu)買商品，購(gòu)買時(shí)間，購(gòu)買金額，商品品類等數(shù)據(jù)。得出客戶的購(gòu)買習(xí)慣，購(gòu)買能力，會(huì)員粘稠度。得出會(huì)員屬性列表。

2、商品定位：通過(guò)同緯度得出商品銷售生命周期，商品毛利，商品消費(fèi)群等。通過(guò)此信息策劃OB商品。建立商品地圖。

3、行銷：根據(jù)現(xiàn)有銷售數(shù)據(jù)庫(kù)，分析各維度數(shù)據(jù)。得出針對(duì)不同時(shí)間，客戶，商品使用不同行銷活動(dòng)對(duì)營(yíng)銷的影響，參考此模型制定行銷策略并預(yù)估營(yíng)銷效果。

第二：縱向：

1、業(yè)務(wù)需求分析：分析客戶購(gòu)買特性和購(gòu)買記錄，支撐營(yíng)銷策劃。根據(jù)現(xiàn)有公司銷售要求，針對(duì)什么客戶進(jìn)行營(yíng)銷。包括“促銷方案分析及評(píng)估”，“個(gè)性化商品”，“營(yíng)銷方案及有效化”，“促銷敏感性和目標(biāo)”等

2、數(shù)據(jù)準(zhǔn)備和轉(zhuǎn)化：為支撐相關(guān)業(yè)務(wù)要求，銷售和客戶數(shù)據(jù)能準(zhǔn)確，全面精準(zhǔn)與業(yè)務(wù)匹配；另外能將相關(guān)數(shù)據(jù)按照數(shù)據(jù)庫(kù)要求及時(shí)歸類。

3、會(huì)員屬性選擇：根據(jù)業(yè)務(wù)要求能精準(zhǔn)找到會(huì)員屬性。符合相關(guān)方案要求。

4、建立會(huì)員模型：按照會(huì)員姓名，性別，年齡，購(gòu)買商品，購(gòu)買時(shí)間，購(gòu)買金額，商品品類，行銷活動(dòng)使用等數(shù)據(jù)等維度建立會(huì)員模型。包括客戶模型，客單模型，積分模型，銷售明細(xì)模型，商品模型，付款模型。

5、模型評(píng)估：在建立會(huì)員模型之后需要測(cè)試業(yè)務(wù)需求分析，數(shù)據(jù)轉(zhuǎn)化，會(huì)員屬性定義，商品和行銷模型匹配。能進(jìn)行精準(zhǔn)的市場(chǎng)定位,包括“客戶價(jià)值及趨勢(shì)”，“客戶潛在價(jià)值及忠誠(chéng)度”，“客戶流失傾向”，“行銷活動(dòng)敏感度”，“客戶消費(fèi)傾向及消費(fèi)周期”，“客戶基本信息”評(píng)估。

第三：數(shù)據(jù)挖掘邏輯

1、分類問(wèn)題：對(duì)數(shù)據(jù)進(jìn)行分類，預(yù)測(cè)問(wèn)題類別。通過(guò)對(duì)多個(gè)數(shù)據(jù)源進(jìn)行分類，能夠?qū)?shù)據(jù)進(jìn)行歸類，并能通過(guò)數(shù)據(jù)分析發(fā)現(xiàn)問(wèn)題同時(shí)對(duì)問(wèn)題也能進(jìn)行分類。

2、聚類問(wèn)題：解決一群對(duì)象劃分不同類別的問(wèn)題。通過(guò)對(duì)不同的類型數(shù)據(jù)能統(tǒng)一和整理成一個(gè)類別。這是分總概念，通過(guò)匯總不同類別數(shù)據(jù)和問(wèn)題找到集中式解決方案。

3、關(guān)聯(lián)性問(wèn)題：upsell中的upsell和cross-sell。通過(guò)模型分析，幫助客戶尋找商品，為商品尋找合適客戶。分析出客戶的購(gòu)買周期和購(gòu)買特點(diǎn)找出客戶潛在需求針對(duì)性做關(guān)聯(lián)銷售和交叉銷售。

4、預(yù)測(cè)問(wèn)題：預(yù)測(cè)變量數(shù)據(jù)是否為連續(xù)型的情況。通過(guò)分類和聚類，能將數(shù)據(jù)模型中的數(shù)據(jù)和相關(guān)問(wèn)題進(jìn)行串聯(lián)。找到問(wèn)題的發(fā)展和變化趨勢(shì)，預(yù)測(cè)問(wèn)題以幫助改進(jìn)銷售方案最終實(shí)現(xiàn)精準(zhǔn)營(yíng)銷。

OB-TEAM

第四篇：保險(xiǎn)營(yíng)銷開(kāi)題報(bào)告

保險(xiǎn)營(yíng)銷開(kāi)題報(bào)告

保險(xiǎn)是我們?nèi)粘Ｉ畛Ｓ新?tīng)見(jiàn)的詞匯，那么關(guān)于保險(xiǎn)的營(yíng)銷又該如何去設(shè)計(jì)相應(yīng)的開(kāi)題報(bào)告呢?

保險(xiǎn)營(yíng)銷開(kāi)題報(bào)告篇一

工作單位 中國(guó)人壽財(cái)產(chǎn)股份有限公司電銷中心

畢業(yè)設(shè)計(jì)題目 中國(guó)人壽電銷車險(xiǎn)產(chǎn)品設(shè)計(jì)

選題背景和意義

根據(jù)在中國(guó)人壽財(cái)產(chǎn)股份有限公司電銷中心實(shí)習(xí)中學(xué)習(xí)到的知識(shí)使我對(duì)電銷車險(xiǎn)產(chǎn)品設(shè)計(jì)產(chǎn)生了濃厚的興趣。讓我了解到在電銷上車險(xiǎn)是很劃算的，它要比市面上的價(jià)格優(yōu)惠百分之十五，使很多消費(fèi)者有購(gòu)買的欲望。再加上電銷擁有獨(dú)特的便捷優(yōu)點(diǎn)，利用網(wǎng)絡(luò)可以銷售保險(xiǎn)，節(jié)省了很多顧客的寶貴時(shí)間。因此選了這個(gè)作為畢業(yè)設(shè)計(jì)的題目，向廣大消費(fèi)者們推薦電銷車險(xiǎn)產(chǎn)品，讓更多的客戶了解電銷產(chǎn)品。

設(shè)計(jì)主要內(nèi)容

一、電銷車險(xiǎn)產(chǎn)品設(shè)計(jì)背景

二、電銷車險(xiǎn)產(chǎn)品設(shè)計(jì)針對(duì)的目標(biāo)客戶群

2.1 電銷車險(xiǎn)市場(chǎng)客戶的特點(diǎn)

2.2客戶需求分析及電銷車險(xiǎn)產(chǎn)品的策略

三、電銷車險(xiǎn)產(chǎn)品設(shè)計(jì)的市場(chǎng)調(diào)研過(guò)程與調(diào)研結(jié)論

3.1 電銷車險(xiǎn)產(chǎn)品設(shè)計(jì)的市場(chǎng)調(diào)研過(guò)程分析

3,2 電銷車險(xiǎn)產(chǎn)品設(shè)計(jì)的調(diào)研結(jié)論

四、電銷車險(xiǎn)產(chǎn)品的設(shè)計(jì)涵蓋范圍與產(chǎn)品條款

4.1電銷車險(xiǎn)設(shè)計(jì)的涵蓋范圍

4.2 電銷車險(xiǎn)產(chǎn)品的條款

五、電銷車險(xiǎn)產(chǎn)品的銷售預(yù)案、結(jié)論與建議

5.1電銷產(chǎn)品的銷售方案

5,2對(duì)于電銷車險(xiǎn)產(chǎn)品的銷售建議

主要設(shè)計(jì)方法

通過(guò)在保險(xiǎn)公司實(shí)習(xí)，在線上操作與客戶交流溝通深入了解電銷機(jī)動(dòng)車輛保險(xiǎn)產(chǎn)品的意義種類，結(jié)合所學(xué)的車險(xiǎn)知識(shí)真正了解了機(jī)動(dòng)車輛保險(xiǎn)的意義與企業(yè)的發(fā)展。

保險(xiǎn)營(yíng)銷開(kāi)題報(bào)告篇二

學(xué)生姓名 陳xx

學(xué)號(hào) XX100xxx

專業(yè)及班級(jí) 金融保險(xiǎn)客戶管理與服務(wù)

指導(dǎo)教師 劉xx

職稱 保險(xiǎn)學(xué)院副教授

工作單位 保險(xiǎn)學(xué)院

畢業(yè)設(shè)計(jì)題目 人保養(yǎng)老保險(xiǎn)營(yíng)銷策劃方案

選題

背景和

意義 背景：

早在1999年，中國(guó)就已步入了老齡化社會(huì)，但十年來(lái)所采取的應(yīng)對(duì)措施與老齡化發(fā)展速度相比幾可忽略不計(jì)。盡管近年來(lái)中國(guó)的經(jīng)濟(jì)增長(zhǎng)速度驚人，依然難以消化如此迅速的老齡化對(duì)經(jīng)濟(jì)、社會(huì)、政治、文化以及制度等諸多方面所形成的重大沖擊。中國(guó)的人口紅利將在XX年耗盡，此后中國(guó)適齡勞動(dòng)力人口將開(kāi)始出現(xiàn)負(fù)增長(zhǎng)。2020年則是中國(guó)進(jìn)入重型老齡化的臨界點(diǎn)，此后中國(guó)將開(kāi)始長(zhǎng)達(dá)30年的飛速老齡化，總?cè)丝谝仓饾u開(kāi)始負(fù)增長(zhǎng)。2050年之后，中國(guó)將進(jìn)入穩(wěn)定的重度老齡化階段，屆時(shí)中國(guó)老年人口規(guī)模將達(dá)到峰值4.37億，約為少兒人口數(shù)量的2倍。所以，發(fā)展商業(yè)養(yǎng)老保險(xiǎn)，刻不容緩。

意義：

養(yǎng)老保險(xiǎn)為老年人提供了基本生活保障，使老年人老有所養(yǎng)。隨著人口老齡化的到來(lái)，老年人口的比例越來(lái)越大，人數(shù)也越來(lái)越多，養(yǎng)老保險(xiǎn)保障了老年勞動(dòng)者的基本生活，等于保障了社會(huì)相當(dāng)部分人口的基本生活。對(duì)于在職勞動(dòng)者而言，參加養(yǎng)老保險(xiǎn)，意味著對(duì)個(gè)人養(yǎng)老保險(xiǎn)將來(lái)年老后的生活有了預(yù)期，免除了后顧之憂，從社會(huì)心態(tài)來(lái)說(shuō)，人們多了些穩(wěn)定、少了些浮躁，這有利于社會(huì)的穩(wěn)定。

各國(guó)設(shè)計(jì)養(yǎng)老保險(xiǎn)制度多將公平與效率掛鉤，尤其是部分積累和完全積累的養(yǎng)老金籌集模式。勞動(dòng)者退休后領(lǐng)取養(yǎng)老金的數(shù)額，與其在職勞動(dòng)期間的工資收入、繳費(fèi)多少有直接的聯(lián)系，這無(wú)疑能夠產(chǎn)生一種繳勵(lì)勞動(dòng)者的職期間積極勞動(dòng)，提高效率。

設(shè)計(jì)

主要

內(nèi)容 隨著經(jīng)濟(jì)的不斷地發(fā)展，人們的生活不斷提高，人們的風(fēng)險(xiǎn)防范意識(shí)越來(lái)越高。保險(xiǎn)公司的數(shù)量越來(lái)越多，保險(xiǎn)業(yè)的競(jìng)爭(zhēng)壓力越來(lái)越大。壽險(xiǎn)的的競(jìng)爭(zhēng)壓力更加的大。同時(shí)保險(xiǎn)業(yè)管理體系的不完善，使得保險(xiǎn)業(yè)的發(fā)展極其的困難。要在保險(xiǎn)業(yè)中立于不敗之地，我們就必須要有好的營(yíng)銷策略，要不斷的擴(kuò)大產(chǎn)品的認(rèn)知度，擴(kuò)大產(chǎn)品的市場(chǎng)份額，提高保險(xiǎn)企業(yè)在市場(chǎng)上的地位或占有率，在社會(huì)上樹(shù)立良好的信譽(yù)。我們只要堅(jiān)持顧客至上的原則，只有這樣我們才能獲得成功。本文通過(guò)人保養(yǎng)老保險(xiǎn)產(chǎn)品一系列的分析、提出了人保養(yǎng)老保險(xiǎn)產(chǎn)品的營(yíng)銷策劃方案。

主要

設(shè)計(jì)

方法

1、市場(chǎng)調(diào)查法和資料收集法。通過(guò)查閱大量的期刊雜志和調(diào)查分析，對(duì)收集的資料進(jìn)行總結(jié)歸納，去尋求論文的主導(dǎo)思路，為論文研究做鋪墊。

2、案例分析法。通過(guò)人保險(xiǎn)養(yǎng)老保險(xiǎn)產(chǎn)品的分析，提出了養(yǎng)老保險(xiǎn)產(chǎn)品營(yíng)銷策劃。

第五篇：大數(shù)據(jù)技術(shù)在精準(zhǔn)營(yíng)銷中的應(yīng)用

大數(shù)據(jù)技術(shù)在精準(zhǔn)營(yíng)銷中的應(yīng)用

大數(shù)據(jù)時(shí)代，數(shù)據(jù)已經(jīng)滲透到當(dāng)今每一個(gè)行業(yè)和業(yè)務(wù)職能領(lǐng)域，成為重要的生產(chǎn)因素。對(duì)于海量數(shù)據(jù)數(shù)據(jù)的挖掘和運(yùn)用，預(yù)示著新一波生產(chǎn)率增長(zhǎng)和消費(fèi)者盈余浪潮的到來(lái)?；仡櫧鼉赡陮?duì)大數(shù)據(jù)的探索歷程，某基礎(chǔ)運(yùn)營(yíng)商一方面順應(yīng)大勢(shì)，牢牢把握大數(shù)據(jù)技術(shù)快速發(fā)展的機(jī)遇，另一方面應(yīng)勢(shì)而動(dòng)，充分釋放前期IT集中化、一體化的紅利，鑒定推進(jìn)數(shù)據(jù)集中。先后經(jīng)歷了數(shù)據(jù)集中采集的積淀、初試大數(shù)據(jù)平臺(tái)、傳統(tǒng)數(shù)據(jù)庫(kù)與sefve(四方傳媒)獲客云混搭架構(gòu)的大數(shù)據(jù)平臺(tái)創(chuàng)建，以及目前朝開(kāi)放式大數(shù)據(jù)服務(wù)平臺(tái)邁進(jìn)四個(gè)階段。

sefve獲客云擁有著精準(zhǔn)化營(yíng)銷與維系系統(tǒng)，依托大數(shù)據(jù)精準(zhǔn)定位支撐端到端多維度系體系，構(gòu)建在大數(shù)據(jù)平臺(tái)之上，面向客戶、面向服務(wù)、面向管理，深化數(shù)據(jù)分析、數(shù)據(jù)挖掘能力、洞察客戶、透視企業(yè)，是將大數(shù)據(jù)轉(zhuǎn)化為實(shí)際生產(chǎn)力的重要云化應(yīng)用之一。

大數(shù)據(jù)技術(shù)架構(gòu)

MPP數(shù)據(jù)庫(kù)

MPP（Massively Parallel Processing，大規(guī)模并行處理系統(tǒng)）由多個(gè)SMP（SymmetricMultiProcessing，對(duì)稱多處理系統(tǒng)）服務(wù)器通過(guò)一定的節(jié)點(diǎn)互聯(lián)網(wǎng)絡(luò)進(jìn)行連接，協(xié)同工作，完成相同的任務(wù)，從用戶的角度看它是一個(gè)服務(wù)器系統(tǒng)。其基本特征是由多個(gè)SMP服務(wù)器（每個(gè)SMP服務(wù)器稱為一個(gè)節(jié)點(diǎn)）通過(guò)節(jié)點(diǎn)互聯(lián)網(wǎng)絡(luò)連接而成，每個(gè)節(jié)點(diǎn)只訪問(wèn)自己的本地資源（內(nèi)存、存儲(chǔ)等），節(jié)點(diǎn)之間的信息交互是通過(guò)節(jié)點(diǎn)互聯(lián)網(wǎng)絡(luò)實(shí)現(xiàn)的。目前的技術(shù)可實(shí)現(xiàn)512個(gè)節(jié)點(diǎn)互聯(lián)。MMP數(shù)據(jù)庫(kù)有以下特點(diǎn)。

①一般存儲(chǔ)為結(jié)構(gòu)化數(shù)據(jù)，有明顯的星型或雪花型結(jié)構(gòu)，適用于大數(shù)據(jù)分析的應(yīng)用；

②每個(gè)服務(wù)器都有自己獨(dú)立的存儲(chǔ)、內(nèi)存和CPU，允許動(dòng)態(tài)地增加或刪除節(jié)點(diǎn)； ③數(shù)據(jù)分區(qū)劃分到不同的物理節(jié)點(diǎn)上，通過(guò)分布式查詢優(yōu)化來(lái)提高系統(tǒng)整體性能；

④主要用在數(shù)據(jù)倉(cāng)庫(kù)和大規(guī)模的分析處理應(yīng)用中。ETL技術(shù)

ETL是指將數(shù)據(jù)從源端經(jīng)過(guò)抽取（Extract）、轉(zhuǎn)換（Transform）、加載（Load）至目的端的過(guò)程，該部分在數(shù)據(jù)挖掘和分析過(guò)程中為最基礎(chǔ)的一部分。一個(gè)良好的ETL系統(tǒng)應(yīng)該有以下幾個(gè)功能。①消除數(shù)據(jù)錯(cuò)誤并糾正缺失數(shù)據(jù)；

②對(duì)于數(shù)據(jù)可信度的評(píng)估提供文檔化衡量； ③獲取相互作用的數(shù)據(jù)流程來(lái)保護(hù)數(shù)據(jù)； ④整合多個(gè)源數(shù)據(jù)；

⑤將數(shù)據(jù)進(jìn)行結(jié)構(gòu)化供最終用戶使用。