谁可以告诉我，当年沃尔玛，尿布，啤酒的陈列案例，为什么这个案例能成功啊，各位大虾告诉我啊
IT技术有一个方向是数据挖掘，也就是使用技术手段，通过对数据的分析，来找到数据之间的关联关系。
沃尔玛通过对销售清单数据的分析发现，购买啤酒的人很多同时会购买尿布。
根据这个发现，对物品的摆放位置进行了调整，将二者放在相邻的位置。
从而取得很好的销售业绩。
你可以搜索一下商务智能BI，和数据挖掘来进一步的了解
北京的沃尔玛超市，尿布和啤酒是放在一起销售么
当然没有。
5．某超市研究销售纪录数据后发现，买啤酒的人很大概率也会购买尿布，这种属于数据挖掘的哪类问题_____
您好，您的问题没有明白呢，方便在描述一下吗，希望可以帮助到您、
大数据对品牌营销究竟有什么用
大数据营销的主要价值源于以下几个方面：第一，用户行为与特征分析显然，只要积累足够的用户数据，就能分析出用户的喜好与购买习惯，甚至做到“比用户更了解用户自己”。
有了这一点，才是许多大数据营销的前提与出发点。
无论如何，那些过去将“一切以客户为中心”作为口号的企业可以想想，过去你们真的能及时全面地了解客户的需求与所想吗
或许只有大数据时代这个问题的答案才更明确。
第二，精准营销信息推送支撑过去多少年了，精准营销总在被许多公司提及，但是真正做到的少之又少，反而是垃圾信息泛滥。
究其原因，主要就是过去名义上的精准营销并不怎么精准，因为其缺少用户特征数据支撑及详细准确的分析。
相对而言，现在的RTB广告等应用则向我们展示了比以前更好的精准性，而其背后靠的即是大数据支撑。
第三，引导产品及营销活动投用户所好如果能在产品生产之前了解潜在用户的主要特征，以及他们对产品的期待，那么你的产品生产即可投其所好。
例如，Netflix在近投拍《纸牌屋》之前，即通过大数据分析知道了潜在观众最喜欢的导演与演员，结果果然捕获了观众的心。
又比如，《小时代》在预告片投放后，即从微博上通过大数据分析得知其电影的主要观众群为90后女性，因此后续的营销活动则主要针对这些人群展开。
第四，竞争对手监测与品牌传播竞争对手在干什么是许多企业想了解的，即使对方不会告诉你，但你却可以通过大数据监测分析得知。
品牌传播的有效性亦可通过大数据分析找准方向。
例如，可以进行传播趋势分析、内容特征分析、互动用户分析、正负情绪分类、口碑品类分析、产品属性分布等，可以通过监测掌握竞争对手传播态势，并可以参考行业标杆用户策划，根据用户声音策划内容，甚至可以评估微博矩阵运营效果。
第五，品牌危机监测及管理支持新媒体时代，品牌危机使许多企业谈虎色变，然而大数据可以让企业提前有所洞悉。
在危机爆发过程中，最需要的是跟踪危机传播趋势，识别重要参与人员，方便快速应对。
大数据可以采集负面定义内容，及时启动危机跟踪和报警，按照人群社会属性分析，聚类事件过程中的观点，识别关键人物及传播路径，进而可以保护企业、产品的声誉，抓住源头和关键节点，快速有效地处理危机。
第六，企业重点客户筛选许多企业家纠结的事是：在企业的用户、好友与粉丝中，哪些是最有价值的用户
有了大数据，或许这一切都可以更加有事实支撑。
从用户访问的各种网站可判断其最近关心的东西是否与你的企业相关；从用户在社会化媒体上所发布的各类内容及与他人互动的内容中，可以找出千丝万缕的信息，利用某种规则关联及综合起来，就可以帮助企业筛选重点的目标用户。
第七，大数据用于改善用户体验要改善用户体验，关键在于真正了解用户及他们所使用的你的产品的状况，做最适时的提醒。
例如，在大数据时代或许你正驾驶的汽车可提前救你一命。
只要通过遍布全车的传感器收集车辆运行信息，在你的汽车关键部件发生问题之前，就会提前向你或4S店预警，这决不仅仅是节省金钱，而且对保护生命大有裨益。
事实上，美国的UPS快递公司早在2000年就利用这种基于大数据的预测性分析系统来检测全美60000辆车辆的实时车况，以便及时地进行防御性修理。
第八，SCRM中的客户分级管理支持面对日新月异的新媒体，许多企业想通过对粉丝的公开内容和互动记录分析，将粉丝转化为潜在用户，激活社会化资产价值，并对潜在用户进行多个维度的画像。
大数据应用可以分析活跃粉丝的互动内容，设定消费者画像各种规则，关联潜在用户与会员数据，关联潜在用户与客服数据，筛选目标群体做精准营销，进而可以使传统客户关系管理结合社会化数据，丰富用户不同维度的标签，并可动态更新消费者生命周期数据，保持信息新鲜有效。
第九，发现新市场与新趋势基于大数据的分析与预测，对于企业家提供洞察新市场与把握经济走向都是极大的支持。
例如，阿里巴巴从大量交易数据中更早地发现了国际金融危机的到来。
又如，在2012年美国总统选举中，微软研究院的David Rothschild就曾使用大数据模型，准确预测了美国50个州和哥伦比亚特区共计51个选区中50个地区的选举结果，准确性高于98%。
之后，他又通过大数据分析，对第85届届奥斯卡各奖项的归属进行了预测，除最佳导演外，其它各项奖预测全部命中。
第十，市场预测与决策分析支持对于数据对市场预测及决策分析的支持，过去早就在数据分析与数据挖掘盛行的年代被提出过。
沃尔玛著名的“啤酒与尿布”案例即是那时的杰作。
只是由于大数据时代上述Volume（规模大）及Variety（类型多）对数据分析与数据挖掘提出了新要求。
更全面、速度更及时的大数据，必然对市场预测及决策分析进一步上台阶提供更好的支撑。
要知道，似是而非或错误的、过时的数据对决策者而言简直就是灾难。
什么是交叉销售?
什么是交售
简单说来，就是向拥有本公司A产品的客户本公司B产品。
两大功能：其一，可以增强客户忠诚度。
如果客户购买本公司的产品和服务越多，客户流失的可能性就越小。
来自银行的数据显示：购买两种产品的客户的流失率是55%，而拥有4个或更多产品或服务的流失率几乎是0。
其二，交叉销售也可以增加利润。
实践证明，将一种产品和服务推销给一个现有客户的成本远低于吸收一个新客户的成本。
来自信用卡公司的数据显示：平均说信用卡客户要到第三年才能开始有利润。
由此可见，吸收新客户的成本是非常高的，而对现有客户进行交叉销售，也自然成为许多公司增加投资回报的捷径。
找产品如何有效地进行交叉销售
寻找合适的产品自然是第一步。
目前有两种方法：业务灵感和数据挖掘。
有些时候，业务灵感可以告诉公司，哪些产品需要进行交叉销售。
比如，房屋贷款自然是向抵押贷款者推销的下一个产品。
再比如，一个公司最近新开发了一个具有战略意义的产品，那么该产品本身就是一个交叉销售的好选择。
业务灵感的确是一个快速确定交叉销售产品的方法。
但是，仅仅依赖业务灵感可能会丧失许多商机，因为在某些情况下，一些好的交叉销售产品并不是直观可见的。
因此，如果要寻找那些潜在的交叉销售商机，有一个最好用的工具——数据挖掘。
链接分析是数据挖掘中的一种方法，它可以从历史数据中找到产品和产品之间的相关关系，从而产生出最恰当的交叉销售产品或服务。
但是，链接分析的结果必须依赖业务知识来审核其准确性和价值，因此，在实际应用中，又常常将业务灵感和数据挖掘结合起来，以确定合适的交叉销售产品。
寻下家一旦确定了要推销的产品，下面的问题是——推销给谁
数据挖掘有很多方法都能帮助解决这个问题。
而采用链接准则来进行客户定位，便是其中之一。
链接分析主要是了解不同产品之间同时或前后发生的购买关系，从而为捆绑销售或交叉销售提供有价值的建议。
链接分析起源于零售业，它的一个典型例子就是啤酒和尿布的故事。
数据挖掘人员通过对交易数据的分析，发现啤酒和尿布同时购买的相关程度很高。
再经进一步的调查发现，原来是有孩子的父亲在给自己购买啤酒时，也常会给自己刚出生不久的子女购买尿布。
根据以上信息，超市人员便及时调整了物品的摆放结构，从而让客户的购买更加方便。
目前，类似的数据挖掘技术也已在国外许多银行中广泛使用，针对既有客户推销不同的产品和服务。
一个链接准则通常包括“准则体”、“准则头”、“支持度”、“置信度”以及“提升度”。
下表便是一个采用IBM Intelligent Miner进行数据挖掘的案例：置信度(%)类型 提升度 准则体 准则头0.85 28.5 + 10.7 VISA金卡 = > 房屋贷款这个准则说明：有28.5%的VISA金卡用户购买了房屋贷款，它的购买率是平均的10.7倍。
这个准则的客户数目占总客户群的0.85%(关于准则的详细定义请参考IBM Intelligent Miner的说明书)。
根据这个准则我们可以知道，将房屋贷款交叉销售给VISA金卡用户是一个很好的选择。
第二种方法就是应用分类模型对所有客户购买该指定产品的可能性进行预测，从而发现谁最有可能购买该产品。
第三种方法可以结合链接分析和分类预测，对准则体所筛选出来的客户进行预测。
每一种数据挖掘方案都各有所长，至于什么方案最优，要根据实际应用和模型结果来确定。
销售过程通常来讲，如果具备客户的产品购买信息，就可以应用链接分析的方法来了解产品和产品之间的相关程度，从而确定交叉销售的对象。
链接分析将产生许多链接准则，如何从众多的准则中挑选出有意义的部分，这就需要业务知识和数据挖掘的结合。
从数据挖掘角度看，主要是选择那些提升度、置信度、和支持度都比较高的准则；从业务角度看，主要是对数据挖掘挑选出的准则进行评估，从而挑选出正确的和有价值的一些交叉销售链接准则。
在挑选完以后，那些在“准则体”中没有购买“准则头”的客户，就是潜在的客户。
接下来，可以选择全部的潜在客户进行交叉销售，也可以采用数据挖掘中分类的方法进行评分，以便找出购买性大的客户，从而进一步提高购买率。
但是在有些情况下，我们可能不用去关心产品和产品之间的相关程度，而只需要从现有的客户中找出最有可能购买某指定产品的客户，并不限定这些客户是什么产品的客户。
对于这种情形，我们直接应用分类模型就可以了。
对于指定产品A，我们将收集客户在购买A之前的背景信息和其它产品的交易数据。
对于购买A的客户，可以将其赋值为1，而没有买A的客户，则可以将其赋值为0。
赋值完后，还要生成一系列的“集”，如：用于建模的训练集、用于测试的测试集以及用于应用的应用集。
集合的生成可以采用时间窗口移动法或者随机采样法。
之后，便可以采用不同的分类方法(逻辑回归、神经网络、径向基函数、决策树等)进行建模，再由提升图来衡量模型的质量，最终来选择最佳预测模型进行实际应用。
在零售行业，因为利润和产品数量的密切相关，购买产品越多利润就越大，所以对于这类行业的交叉销售，只要采用上面的过程就可以了。
但是对于一些服务行业，比如银行业，由于有较大的日常维护和服务的开销，因此不是每个客户的每件产品都会有利润。
如果银行在实施交叉销售一些产品后导致该客户的利润减少，将是一件“吃力不讨好”的事。
如何避免这类事情的发生，一个好办法就是在挖掘过程中增加利润分析。
利润分析有很多思路。
对于采用链接分析的方案，可以采用统计的方法来比较在购买产品前、后的利润变化情况，去掉那些在购买新产品后出现利润下降的交叉销售模式。
对于分类模型，则可以在建模的时候只对那些购买了产品后出现利润增长的客户赋值为1，从而实现预测的目标导向有利润增长的交叉销售。
再或者，可以另外建立一个利润预测模型，并将购买该产品的可能性和利润结合起来，从而选择那些可能性和利润都高的客户进行交叉销售。
参见什么是交叉销售
简单说来，就是向拥有本公司A产品的客户推销本公司B产品。
它有两大功能：其一，可以增强客户忠诚度。
如果客户购买本公司的产品和服务越多，客户流失的可能性就越小。
来自银行的数据显示：购买两种产品的客户的流失率是55%，而拥有4个或更多产品或服务的流失率几乎是0。
其二，交叉销售也可以增加利润。
实践证明，将一种产品和服务推销给一个现有客户的成本远低于吸收一个新客户的成本。
来自信用卡公司的数据显示：平均说来，信用卡客户要到第三年才能开始有利润。
由此可见，吸收新客户的成本是非常高的，而对现有客户进行交叉销售，也自然成为许多公司增加投资回报的捷径。
找产品如何有效地进行交叉销售
寻找合适的产品自然是第一步。
目前有两种方法：业务灵感和数据挖掘。
有些时候，业务灵感可以告诉公司，哪些产品需要进行交叉销售。
比如，房屋贷款自然是向抵押贷款者推销的下一个产品。
再比如，一个公司最近新开发了一个具有战略意义的产品，那么该产品本身就是一个交叉销售的好选择。
业务灵感的确是一个快速确定交叉销售产品的方法。
但是，仅仅依赖业务灵感可能会丧失许多商机，因为在某些情况下，一些好的交叉销售产品并不是直观可见的。
因此，如果要寻找那些潜在的交叉销售商机，有一个最好用的工具——数据挖掘。
链接分析是数据挖掘中的一种方法，它可以从历史数据中找到产品和产品之间的相关关系，从而产生出最恰当的交叉销售产品或服务。
但是，链接分析的结果必须依赖业务知识来审核其准确性和价值，因此，在实际应用中，又常常将业务灵感和数据挖掘结合起来，以确定合适的交叉销售产品。
寻下家一旦确定了要推销的产品，下面的问题是——推销给谁
数据挖掘有很多方法都能帮助解决这个问题。
而采用链接准则来进行客户定位，便是其中之一。
链接分析主要是了解不同产品之间同时或前后发生的购买关系，从而为捆绑销售或交叉销售提供有价值的建议。
链接分析起源于零售业，它的一个典型例子就是啤酒和尿布的故事。
数据挖掘人员通过对交易数据的分析，发现啤酒和尿布同时购买的相关程度很高。
再经进一步的调查发现，原来是有孩子的父亲在给自己购买啤酒时，也常会给自己刚出生不久的子女购买尿布。
根据以上信息，超市人员便及时调整了物品的摆放结构，从而让客户的购买更加方便。
目前，类似的数据挖掘技术也已在国外许多银行中广泛使用，针对既有客户推销不同的产品和服务。
一个链接准则通常包括“准则体”、“准则头”、“支持度”、“置信度”以及“提升度”。
下表便是一个采用IBM Intelligent Miner进行数据挖掘的案例：置信度(%)类型 提升度 准则体 准则头0.85 28.5 + 10.7 VISA金卡 = > 房屋贷款这个准则说明：有28.5%的VISA金卡用户购买了房屋贷款，它的购买率是平均的10.7倍。
这个准则的客户数目占总客户群的0.85%(关于准则的详细定义请参考IBM Intelligent Miner的说明书)。
根据这个准则我们可以知道，将房屋贷款交叉销售给VISA金卡用户是一个很好的选择。
第二种方法就是应用分类模型对所有客户购买该指定产品的可能性进行预测，从而发现谁最有可能购买该产品。
第三种方法可以结合链接分析和分类预测，对准则体所筛选出来的客户进行预测。
每一种数据挖掘方案都各有所长，至于什么方案最优，要根据实际应用和模型结果来确定。
销售过程通常来讲，如果具备客户的产品购买信息，就可以应用链接分析的方法来了解产品和产品之间的相关程度，从而确定交叉销售的对象。
链接分析将产生许多链接准则，如何从众多的准则中挑选出有意义的部分，这就需要业务知识和数据挖掘的结合。
从数据挖掘角度看，主要是选择那些提升度、置信度、和支持度都比较高的准则；从业务角度看，主要是对数据挖掘挑选出的准则进行评估，从而挑选出正确的和有价值的一些交叉销售链接准则。
在挑选完以后，那些在“准则体”中没有购买“准则头”的客户，就是潜在的客户。
接下来，可以选择全部的潜在客户进行交叉销售，也可以采用数据挖掘中分类的方法进行评分，以便找出购买性大的客户，从而进一步提高购买率。
但是在有些情况下，我们可能不用去关心产品和产品之间的相关程度，而只需要从现有的客户中找出最有可能购买某指定产品的客户，并不限定这些客户是什么产品的客户。
对于这种情形，我们直接应用分类模型就可以了。
对于指定产品A，我们将收集客户在购买A之前的背景信息和其它产品的交易数据。
对于购买A的客户，可以将其赋值为1，而没有买A的客户，则可以将其赋值为0。
赋值完后，还要生成一系列的“集”，如：用于建模的训练集、用于测试的测试集以及用于应用的应用集。
集合的生成可以采用时间窗口移动法或者随机采样法。
之后，便可以采用不同的分类方法(逻辑回归、神经网络、径向基函数、决策树等)进行建模，再由提升图来衡量模型的质量，最终来选择最佳预测模型进行实际应用。
在零售行业，因为利润和产品数量的密切相关，购买产品越多利润就越大，所以对于这类行业的交叉销售，只要采用上面的过程就可以了。
但是对于一些服务行业，比如银行业，由于有较大的日常维护和服务的开销，因此不是每个客户的每件产品都会有利润。
如果银行在实施交叉销售一些产品后导致该客户的利润减少，将是一件“吃力不讨好”的事。
如何避免这类事情的发生，一个好办法就是在挖掘过程中增加利润分析。
利润分析有很多思路。
对于采用链接分析的方案，可以采用统计的方法来比较在购买产品前、后的利润变化情况，去掉那些在购买新产品后出现利润下降的交叉销售模式。
对于分类模型，则可以在建模的时候只对那些购买了产品后出现利润增长的客户赋值为1，从而实现预测的目标导向有利润增长的交叉销售。
再或者，可以另外建立一个利润预测模型，并将购买该产品的可能性和利润结合起来，从而选择那些可能性和利润都高的客户进行交叉销售。
什么是交叉销售
简单说来，就是向拥有本公司A产品的客户推销本公司B产品。
它有两大功能：其一，可以增强客户忠诚度。
如果客户购买本公司的产品和服务越多，客户流失的可能性就越小。
来自银行的数据显示：购买两种产品的客户的流失率是55%，而拥有4个或更多产品或服务的流失率几乎是0。
其二，交叉销售也可以增加利润。
实践证明，将一种产品和服务推销给一个现有客户的成本远低于吸收一个新客户的成本。
来自信用卡公司的数据显示：平均说来，信用卡客户要到第三年才能开始有利润。
由此可见，吸收新客户的成本是非常高的，而对现有客户进行交叉销售，也自然成为许多公司增加投资回报的捷径。
找产品如何有效地进行交叉销售
寻找合适的产品自然是第一步。
目前有两种方法：业务灵感和数据挖掘。
有些时候，业务灵感可以告诉公司，哪些产品需要进行交叉销售。
比如，房屋贷款自然是向抵押贷款者推销的下一个产品。
再比如，一个公司最近新开发了一个具有战略意义的产品，那么该产品本身就是一个交叉销售的好选择。
业务灵感的确是一个快速确定交叉销售产品的方法。
但是，仅仅依赖业务灵感可能会丧失许多商机，因为在某些情况下，一些好的交叉销售产品并不是直观可见的。
因此，如果要寻找那些潜在的交叉销售商机，有一个最好用的工具——数据挖掘。
链接分析是数据挖掘中的一种方法，它可以从历史数据中找到产品和产品之间的相关关系，从而产生出最恰当的交叉销售产品或服务。
但是，链接分析的结果必须依赖业务知识来审核其准确性和价值，因此，在实际应用中，又常常将业务灵感和数据挖掘结合起来，以确定合适的交叉销售产品。
寻下家一旦确定了要推销的产品，下面的问题是——推销给谁
数据挖掘有很多方法都能帮助解决这个问题。
而采用链接准则来进行客户定位，便是其中之一。
链接分析主要是了解不同产品之间同时或前后发生的购买关系，从而为捆绑销售或交叉销售提供有价值的建议。
链接分析起源于零售业，它的一个典型例子就是啤酒和尿布的故事。
数据挖掘人员通过对交易数据的分析，发现啤酒和尿布同时购买的相关程度很高。
再经进一步的调查发现，原来是有孩子的父亲在给自己购买啤酒时，也常会给自己刚出生不久的子女购买尿布。
根据以上信息，超市人员便及时调整了物品的摆放结构，从而让客户的购买更加方便。
目前，类似的数据挖掘技术也已在国外许多银行中广泛使用，针对既有客户推销不同的产品和服务。
一个链接准则通常包括“准则体”、“准则头”、“支持度”、“置信度”以及“提升度”。
下表便是一个采用IBM Intelligent Miner进行数据挖掘的案例：置信度(%)类型 提升度 准则体 准则头0.85 28.5 + 10.7 VISA金卡 = > 房屋贷款这个准则说明：有28.5%的VISA金卡用户购买了房屋贷款，它的购买率是平均的10.7倍。
这个准则的客户数目占总客户群的0.85%(关于准则的详细定义请参考IBM Intelligent Miner的说明书)。
根据这个准则我们可以知道，将房屋贷款交叉销售给VISA金卡用户是一个很好的选择。
第二种方法就是应用分类模型对所有客户购买该指定产品的可能性进行预测，从而发现谁最有可能购买该产品。
第三种方法可以结合链接分析和分类预测，对准则体所筛选出来的客户进行预测。
每一种数据挖掘方案都各有所长，至于什么方案最优，要根据实际应用和模型结果来确定。
销售过程通常来讲，如果具备客户的产品购买信息，就可以应用链接分析的方法来了解产品和产品之间的相关程度，从而确定交叉销售的对象。
链接分析将产生许多链接准则，如何从众多的准则中挑选出有意义的部分，这就需要业务知识和数据挖掘的结合。
从数据挖掘角度看，主要是选择那些提升度、置信度、和支持度都比较高的准则；从业务角度看，主要是对数据挖掘挑选出的准则进行评估，从而挑选出正确的和有价值的一些交叉销售链接准则。
在挑选完以后，那些在“准则体”中没有购买“准则头”的客户，就是潜在的客户。
接下来，可以选择全部的潜在客户进行交叉销售，也可以采用数据挖掘中分类的方法进行评分，以便找出购买性大的客户，从而进一步提高购买率。
但是在有些情况下，我们可能不用去关心产品和产品之间的相关程度，而只需要从现有的客户中找出最有可能购买某指定产品的客户，并不限定这些客户是什么产品的客户。
对于这种情形，我们直接应用分类模型就可以了。
对于指定产品A，我们将收集客户在购买A之前的背景信息和其它产品的交易数据。
对于购买A的客户，可以将其赋值为1，而没有买A的客户，则可以将其赋值为0。
赋值完后，还要生成一系列的“集”，如：用于建模的训练集、用于测试的测试集以及用于应用的应用集。
集合的生成可以采用时间窗口移动法或者随机采样法。
之后，便可以采用不同的分类方法(逻辑回归、神经网络、径向基函数、决策树等)进行建模，再由提升图来衡量模型的质量，最终来选择最佳预测模型进行实际应用。
在零售行业，因为利润和产品数量的密切相关，购买产品越多利润就越大，所以对于这类行业的交叉销售，只要采用上面的过程就可以了。
但是对于一些服务行业，比如银行业，由于有较大的日常维护和服务的开销，因此不是每个客户的每件产品都会有利润。
如果银行在实施交叉销售一些产品后导致该客户的利润减少，将是一件“吃力不讨好”的事。
如何避免这类事情的发生，一个好办法就是在挖掘过程中增加利润分析。
利润分析有很多思路。
对于采用链接分析的方案，可以采用统计的方法来比较在购买产品前、后的利润变化情况，去掉那些在购买新产品后出现利润下降的交叉销售模式。
对于分类模型，则可以在建模的时候只对那些购买了产品后出现利润增长的客户赋值为1，从而实现预测的目标导向有利润增长的交叉销售。
再或者，可以另外建立一个利润预测模型，并将购买该产品的可能性和利润结合起来，从而选择那些可能性和利润都高的客户进行交叉销售。
参见
