Leon's Blog

现在有这样一个需求，要推一个手机，定位是 年轻男性，我们希望在现在的客户数据库里寻找一下目标客户，并分析他们的行为。

我们寻找类似手机用户（针对 年轻男性）购买的情况，所以我们做一下数据分析：

在之前1年内，某几款（我们选出的样本）手机，岁数在18～28岁的男性，地域，手机价格、购买时间之间的关系。

其实我们分析的就是  产品、用户岁数、性别、价格、地域、时间 之间的 这几个数据之间的维度关系。最少需要3个维度。

数据挖掘强调的是工具。是数据的维度的灵活性，这样在做销售分析的时候，我可以做到多维度分析。

数据挖掘的需求应该是“我要什么样的数据”（客户地域/年龄/性别/订单数量/订单总额/下单频率/时间/…..) 这些数据之间的维度的关系，最起码是3个维度，能以什么形式展示（excel，图表…. ）, 我的每次一查询都可以当作一个模板来处理，在销售经理的使用过程中（或者是客户的需求过程中），将这些模板进行分类整理，这个就是销售分析能力的沉淀，今后维护这样的 模板 分类，就可以让一个并无太多经验的销售人员来做详细的数据挖掘和分析工作，从而低成本的复制经验。

数据挖掘项目的开发和实施必须实在业务专家的支持和参与下进行的，内部需要设置专门的数据分析岗位和职责。这个岗位应该是非理科专业特别是管理、营销等专业的毕业生。

同时数据挖掘结果要易于理解和接受，挖掘结果需要有好的展现方式，结果能够与业务流程紧密结合形成完整分析闭环，从而能够实时的进行预测和评价。

在数据挖掘项目中，实施的技术团队的关注点应该是解决数据挖掘中遇到的类似数据采集，大规模数据存储，数据挖掘的脚本（语言？）的易用和灵活性，数据的实时性等技术问题上，业务专家会在业务的实践过程中，不断提出新的业务需求。新的需求可以通过简单的拖拽和选择而不需要通过复杂的数据分析的语法或者脚本来实现，这个应该是数据挖掘技术部门需要考虑的重心。