营销领域数据挖掘与市场细分的关系

Archana RajeM教授¹， R. K.斯里瓦斯塔瓦博士²

索麦亚研究所信息技术系助理教授管理研究与研究，Vidya Vihar，印度孟买
西德纳姆研究所教授管理学习，研究和创业教育，教堂门，孟买，印度

摘要

营销决策有时是基于直觉决策和过程，包括营销人员的判断呼叫。通过细分市场，营销人员可以更好地了解他们的客户，并以高效和有效的方式锁定他们。市场细分为战略决策提供了基础。数据挖掘将数据转换为有知识的、可操作的信息。数据挖掘可以利用过去的数据对未来进行预测和建模。因此，数据挖掘可以用来创建数据驱动的行为细分。对于营销人员来说，细分和数据挖掘都是重要和必要的。有必要了解市场营销中数据挖掘和细分之间的联系。本研究揭示了市场营销中数据挖掘和细分术语之间的联系。

关键字

数据挖掘，市场细分，聚类，目标定位

介绍

全球市场正在发生迅速的变化。日益激烈的竞争使其必须以具有成本效益的方式运作。因此，为了设计营销策略，研究人员和公司需要利用工具来了解客户的态度和行为。这些信息通常埋藏得太深，无法使用传统的分析工具提取。发现新信息的力量可以帮助企业决策者通过执行市场细分、客户分析、趋势预测、交叉销售和欺诈检测等任务来更多地了解客户。数据挖掘和分割可以作为决策的信息工具。数据分析的目的是发现以前未知的数据特征、关系、依赖关系或趋势。基于发现的模式，市场细分是可能的。与此相反，我们需要在市场细分的基础上发现隐藏的模式来设计营销策略。因此，数据挖掘可以创建数据驱动的行为细分。 Provided the data mining models are properly built, they can uncover groups with distinct profiles and characteristics and lead to rich segmentation schemes with business meaning and value [1]. Therefore, it suggests establishing the relationship between the data mining and market segmentation. This study unfolds the inter linkages of data mining and segmentation terms in marketing.

数据挖掘是从大型复杂数据库中提取以前未识别的和可操作的信息的过程。分割是数据挖掘的关键技术。细分市场是指对特定营销方法反应相似的一群消费者。所以分割的关键是决定如何分割数据库。

企业可以预先定义细分市场的特征，然后将客户分配给这些群体(这被称为先验细分)，也可以使用软件分析数据并识别自然发生的行为集群，然后形成细分市场的基础。不出所料，这就是数据挖掘的过程，即聚类。

相关工作

Wang W.和Fan S.[2]指出，在消费社会中，营销人员对主流消费者的行为感兴趣，但也会希望关注最有价值的客户。主流消费者欣赏和重视产品/服务，并将这些传达给不同的客户群体。根据作者的说法，这些细分市场的消费者对产品/服务的欣赏程度也不尽相同。其中一些是高价值的，对应的是有价值的客户。其中一些是低价值的，那些我们可以放弃的。这些细分市场的客户被进一步细分为更小的群体，直到增值和价值协调一致。为给定的产品/服务识别适当的细分市场和为相关细分市场改进产品/服务的相互作用是企业成功的一个重要因素。作者认为，数据挖掘工具可以预测未来的趋势和行为，允许企业做出积极主动的、知识驱动的决策。数据挖掘提供的自动化、前瞻性分析超越了决策支持系统典型的回顾性工具所提供的对过去事件的分析。根据作者TraMy Ngoc Do[3]的说法，市场细分对每个营销人员在设计和实施有效的目标营销策略的过程中变得非常熟悉和必要。 Therefore, the motivation for his thesis is to discover a segmentation based on this purchasing behavior among whole range of products, which is called purchasing pattern. The Purchasing pattern is interpreted by purchasing portfolios, which include list of categories that a certain customer purchases and also consumption behavior on these categories. In his study he acknowledged other related theories to design a theoretical model of market segmentation based on purchasing portfolios. Then, applied data mining techniques to process a practical database in order to test the theory’s hypotheses, as well as illustrate for the model. Finally concluded the results using data mining has shown four segments from the analysis of purchasing portfolios. Authors McCarty & Hastak [4] explained in there paper that direct marketing has become more efficient in recent years because of the use of data-mining techniques that allow marketers to better segment their customer databases.

Robert Groth[5]在他的书《Data Mining: A hand on approach for business professionals》中总结和解释了当前的数据挖掘领域，并谈到了一些市场上流行的工具，这些工具可能对任何正在考虑数据挖掘的人都有用。他分析了名为Knowledge Seeker的数据挖掘软件，该软件使用决策树方法进行数据挖掘，并得出结论，数据可以以最佳方式分组，如果你正在研究市场细分研究，这可能非常有用。在总结利用数据挖掘作为工具的典型行业时，作者指出，直邮和邮寄是数据挖掘被广泛应用的另一个领域，几乎所有类型的零售商都使用直邮营销，他们主要关注的是拥有客户细分的信息，这在数据挖掘中是一个聚类问题。

Tsai和Chiu[6]在他们的研究中指出，传统上，营销人员使用一般变量来划分市场，如客户人口统计数据和生活方式。然而，已经发现了几个问题，使分割结果不可靠。因此，他们开发了一种基于特定产品变量(如购买的物品和客户的关联货币交易历史)的新的市场细分方法。这确定了具有相似购买行为的客户群体，对营销计划的反应更加同质。该方法采用遗传算法，提高了聚类质量。这确保了同一集群中的客户具有非常相似的购买模式。

数据挖掘

数据挖掘(DM)作为一个交叉学科领域，吸取了统计分析、数据库系统、机器学习、模式识别、神经网络、模糊系统等软计算技术[7]。数据挖掘的目的是基于对过去活动[8]的分析，为估计未来的行为创建决策模型。数据挖掘是使用传统统计学、人工智能和计算机图形学技术的复杂混合来发现知识。与传统的决策支持工具相比，数据挖掘具有前瞻性。数据挖掘工具分析数据并发现隐藏在数据关系中的问题或机会。基于这些发现，人们可以设计计算机模型来预测需要最少终端用户干预的业务行为。最终用户获得的知识可能产生竞争优势。数据挖掘使用成熟的统计和机器学习技术来帮助营销专业人员提高他们对客户行为的理解。反过来，这种更好的理解使他们能够更准确地定位营销活动，并使活动与客户和潜在客户的需求、愿望和态度更紧密地结合起来。该技术通过自动化挖掘过程，将其与商业数据仓库集成，并以相关的方式为业务用户呈现，从而增强了该过程。 Data mining tools use advanced techniques from knowledge discovery, artificial intelligence, and other fields to obtain “knowledge” and apply it to business need. Knowledge is then used to make predictions of events or forecasts of values.

市场细分

市场细分是将市场划分为同质的客户群体，每个群体对促销、沟通、定价和其他营销组合变量的反应不同。市场细分的形成是为了显示每个细分市场中客户之间的差异。因此，每个细分市场都可以通过单独的目标营销组合来解决。

一个细分市场是由一群有着相似需求和愿望的顾客组成的。营销人员的任务是确定细分市场，并决定以谁为目标。利基营销是一种更狭义的客户群体，寻求独特的利益组合。营销人员通常通过将细分市场细分为细分市场来确定细分市场。细分市场的客户有一系列独特的需求，他们愿意为最能满足他们需求的公司支付溢价。这个利基市场不太可能吸引其他竞争者;它通过专业化获得一定的经济效益。利基市场总是有规模、利润和增长潜力。细分市场相当大，通常吸引许多竞争对手，而利基市场相当小，通常只吸引一两个竞争对手。草根营销或本地营销活动的重点是尽可能地与个人客户保持密切联系。 The ultimate level of segmentation leads to customized marketing or one-to-one marketing. However not every company will go for customization as it leads to raise the cost of product or service by more than the customer is willing to pay.

主要的细分变量是地理、人口、心理和行为。企业的首要任务可能是寻找新客户或留住现有客户或向现有客户进行交叉销售。不同的业务优先级会使细分的某些维度比其他维度更重要。

在市场营销中使用数据挖掘和细分

Peacock(1998)指出了数据挖掘在营销领域的几个潜在用途，包括客户获取、客户保留、客户放弃和市场篮分析[10]。因此，考虑到上述营销领域，本研究对数据挖掘和细分进行了比较。

客户获取:营销人员可以使用数据挖掘方法来发现可以预测客户对优惠和促销计划反应的属性。因此，通过匹配这些属性，将非客户转化为新的优惠和促销活动，就可以获得客户。然而，在分割中，通常人群具有相似的需求、特征或行为。因此，为了获得客户，需要针对类似类型的细分市场提供类似的优惠和促销计划。

客户保留:使用数据挖掘可以识别对公司销售贡献较小的客户，以及可能离开并转向竞争对手的客户。同样的原因可能有很多。因此，公司可以设计特殊的优惠和激励措施来留住满足这些要求的客户。在市场细分中，只要提供的服务适合特定的细分市场，就不会出现客户保留的问题。然而，在细分市场中，营销人员必须为满足额外要求的细分客户提供额外的优惠和激励措施。

客户放弃:数据挖掘可以用来发现客户是否对公司的底线有负面影响[11]。对于公司来说，拒绝这样的客户会带来不利的成本，而不是对增长有贡献。在分割的情况下，正常的目标是完成的。目标定位是指公司想要服务的细分市场的实际选择，他们的需求是专门设计来满足的。因此，在细分市场中，公司需要管理客户的满意程度，而不是拒绝他们。

购物篮分析:零售商和直销商可以利用数据挖掘的购物篮分析技术来发现产品的亲和性。通过识别销售点交易中产品购买之间的关联，零售商可以制定有针对性的促销策略。分割使用定位技术。定位是选择最适合目标细分市场的产品营销组合。定位就是让顾客在脑海中形成公司产品的心理形象，并将其与现有的其他产品联系起来。

结论

本研究的结论是，在市场营销中，细分位于价值创造链的开始，而数据挖掘位于价值链的另一端。

分割操作相当粗略，而数据挖掘技术对每个主题进行预测，允许非常精确地做出决策。通过研究了解了细分在市场营销中的现实意义。然而，数据挖掘技术可以作为一种工具，在营销中进行适当的细分。如果建立正确的数据挖掘模型，这些模型/技术可以发现具有不同轮廓和特征的细分市场，这将导致丰富的基于分析的细分方案，而不仅仅是基于行为的业务规则细分。这将增加细分市场的商业意义和价值。

参考文献

Tsiptsis k .和Chorianopoulos A.， 2009，客户关系管理中的数据挖掘技术:内部客户细分，John Wiley & Sons有限公司
王伟，范舒(2010,11月)。数据挖掘技术在航运企业客户细分中的应用。在数据库
技术与应用(DBTA)， 2010第二届国际研讨会(pp. 1-4)。IEEE。
我的作品，t. r. a .(2011)。将数据挖掘应用于基于购买组合的零售市场细分。
麦卡蒂，J. A. &哈斯塔克，M.(2007)。数据挖掘中的分割方法:RFM, CHAID和逻辑回归的比较。商业研究，60(6)，656-662.[5]Groth, R.(1998)。数据挖掘:一种实践方法。普伦蒂斯霍尔。
蔡春燕，赵春春(2004)。基于购买的市场细分方法。专家系统与应用，27(2)，265-276。
S. Velickov和D. Solomatine， Ã¢Â ' Â -预测数据挖掘:实用ExamplesÃ¢Â ' Â -，土木工程中的人工智能。第二届联合研讨会，科特布斯，德国。ISBN 3-934934-00- 5,2000年3月，第1-17页。
A.S. Koyuncugil, N. Ozgulbas， ÃⅰÂ ' Â(数据挖掘在医学中的应用)和HealthcareÃⅰÂ ' Â，信息技术学报，第2卷，第2期，2009,p.21-32。
Wledon, J. L. 1996，“数据挖掘与可视化”，数据库编程与设计9,5(5):21-24。
孔雀，P.R.冬，1998，数据挖掘在营销:第一部分营销管理。6(4)。
霍尔马齐·阿米尔;Giles Stacy 2004，数据挖掘:银行和零售行业的竞争武器，信息系统管理;2004年春季;21日,2;ABI/INFORM Global，第62页