1、数据挖掘在B2B环境中没有真正工作
通常，经理人认为数据挖掘在business-to-business (B2B)环境中不能很好工作，因为商业模型中独特的区别，比如财务经理指定的账目，产品毛利润的大幅摆动，有时候又长又不频繁的购买周期，产品线详细目录的扩展。在成功的数据挖掘中 重要的是你正在打交道的数据，而不是商业的特性，尤其是产生于商品交易的数据更显著。这些数据包括了顾客购买什么，什么时间购买的，销售总额等等。长期的基础存档数据，总销售额，总利润等反映的数据给分析带来了巨大的价值。最后，销售的历史记录比如有效的目录总数和有效的邮件列表也能给分析带来很大的价值。借助于已经拥有的数据，数据挖掘能够很好的工作在B2B环境中。
2、没有充足数据为商业活动开发优秀的模型
有一种错误的理解：好的数据库营销需要分析数百万顾客。显然不是那样。开发好的模型更依赖于高质量的数据，而不是数据的数量。比如，如果你正在开发预测反应模型来测定谁最可能对公司的邮件目录有回应，关键的标准是最后发送的邮件目录有多少回应的人。如果有上千个回应的人，你就可以开发一个很好的预测模型。有些数据挖掘产品甚至只需要更少的数据。
3、有效的挖掘B2B数据需要更新和更好的技术
数据挖掘这门科学已经演化了很长时间，达到了成熟并且稳定的水平。许多有用的商业产品可以很好的分析B2B数据。区别是产品是否经过商业实际应用的提炼。供应商不断的升级他们的产品是为了吸引市场上的听众和经理们。比如，数据挖掘产品应该能够处理真实环境中的缺失数据和坏的数据，并且提供容易理解的和便于使用的输出结果。而且要关注你的数据挖掘软件供应商是否有重要的商业活动历史，如果是，那么这些厂商将会知道输入和输出的数据处理，对于在哪里数据挖掘能够提供最大的投资回报率，他们应该有丰富的经验。因此经过实际检验的产品就是合适的，不一定追求最新的数据挖掘工具。
4、需要一个统计学家来执行数据挖掘
许多软件和服务销售商把数据挖掘工具做得很复杂。了解构造神经网络，或者回归模型和相关分析之间的差别是有意义的，但不是产生正确结果必需的。在这个领域里许多产品用起来很复杂，有一些产品集中解决商业用户的需求，比如方便性和速度，能够提交非常有力的结果。举个例子，一些公司将产品中的数据挖掘与线性回归合神经网络自动融合，这种方法集中解决了避免用户与复杂的统计处理步骤交互。
5、相对于预期收益来说，花费太高了
你可能会对找出最小额的投资感到惊讶。在B2B的世界，客户的花费，整个生命周期的价值和产品利润通常比消费领域高。在成熟或者交叉销售成果中不需要过多的改进就能创造出可观的投资回报率。如果你很谨慎，可以采取小的步骤去证明商业活动中数据挖掘的工作。找一家有经验的销售商建立很少的预测模型去检验他们。通常，花费$10,000 - $15,000就能够完成检验工作，但是结果可能价值$100,000 或者更多。数据挖掘能很容易的产生5至10倍的回报。
如要转载，请注明来自 中国商业智能网 by 焦有章
