数据挖掘技术研究及其在CRM中的应用

作者：

欢迎访问e展厅 展厅 1 企业资源计划ERP展厅 企业资源计划ERP, 供应链管理SCM, 客户关系管理CRM... 随着市场形态从卖方市场向买方市场的转变，客户的消费行为越来越成熟，期望也越来越高。因此，研究客户的需求和提升对客户的服务水平变得异常重要，客户价值的发展，保留和提升成为企业发展的核心。数据挖掘能够对海量的数据进行挖掘和深层次分析，从中发现有价值的客户，利用模式和知识对客户需求进行预测，为企业的经营决策提供帮助。 一、数据挖掘概述 (一)数据挖掘的概念 数据挖掘(data mining，DM)是从大量的、不完全的、有噪声的、模糊的、随机的数据集中识别有效的、新颖的、潜在有用的，以及最终可理解的模式的非平凡过程。它是一门涉及面很广的交叉学科，包括机器学习、数理统计、神经网络、数据库、模式识别、粗糙集、模糊数学等相关技术。 (二)数据挖掘的任务 数据挖掘的任务主要有以下几方面： 1、关联分析：其目的就是挖掘出隐藏在数据间的相互关系。例如，买电脑的顾客同时会买某种软件，这就是一条关联规则。通常关联规则具有：X=>Y形式，即“A1∧A2∧...∧Am→B1∧B2∧...∧Bn”；其中。Ai(i∈{1，...，m))和Bi(j∈{1，...，n))均为属性－值(属性=值)形式。关联规则X=>Y表示“满足X中条件的记录也一定满足Y中的条件”。 2、时序模式：通过时间序列搜索出重复发生概率较高的模式，这里强调时间序列的影响。例如，购买了激光打印机的人中，半年后80％的人会买新硒鼓。 3、分类：就是找出一组能够描述数据集合典型特征的模型(或函数)，以便能够分类识别未知数据的归属和类别。分类挖掘所获得的分类模型可以采用多种形式加以描述。其中主要的表示方法有：分类规则、决策树、数学公式和神经网络。 4、聚类：按一定规则将数据分为一系列有意义的子集。同一聚类中，个体之间的差距较小，不同聚类中，个体之间的距离偏大。 5、偏差分析：从数据库中找出异常数据。例如，金融欺诈，洗黑钱。 6、预测：利用历史数据找出规律，建立模型，并用此模型预测未来数据的种类、特征等。 (三)数据挖掘的技术 1、决策树方法：用树形结构来表示决策集合，这些决策集合通过对数据集的分类产生规则。比较典型的决策树方法有ID3算法和CART(分类回归树)算法等。 2、遗传算法：它是在生物进化的概念基础上设计的一种优化技术，它包括基因组合、交叉、变异和自然选择等一系列过程，通过这些过程已达到优化的目的。 3、人工神经网络：它从结构上模仿生物神经网络，是一种通过训练来学习的非线性预测模型，可以完成分类、聚类、特征挖掘等多种数据挖掘任务。 4、最近临技术：这种技术通过已辨别历史记录的组合来辨别新的记录，它可以用来作聚类和偏差分析。 5、规则归纳：通过统计方法来归纳、提取有价值的规则。规则归纳技术在数据挖掘中被广泛应用。典型的方法有集合论的粗集(rough set)方法和概念树方法等。 另外，还有可视化方法、公式发现方法等。 二、什么是CRM 目前，对于客户关系管理(customer relationship management，CRM)还没有一个统一的定义。许多研究机构，学者和行业组织从不同的角度阐述了自己对客户关系管理的理解。 最早提出CRM概念的Garnet Group认为，所谓的CRM是为企业提供全方位的管理视角，赋予企业更完善的客户交流能力，从而实现客户收益率的最大化。 德勤咨询有限公司认为，CRM是用来提高客户与公司之间的关系价值的一个旅程。客户关系管理的成果意味着客户对企业更有价值，企业对客户也更有价值。 综合各种观点，CRM的含义还可以从以下3方面进行理解： 1、CRM是一种现代经营管理理念。作为一种管理理念，CRM源于西方的市场营销理论。市场营销的理论和方法长期以来推动了西方国家工商业的发展，深刻地影响着企业的经营理念以及人们的生活方式。近年来，信息技术的快速发展为市场营销管理理念的创新开辟了广阔的空间。以客户为中心、重视客户为资源、通过客户关怀提高客户满意度等是这种新理念的核心。 2、CRM是一整套解决方案。作为解决方案，CRM集合了当今最新的信息技术，他们包括Internet和电子商务、多媒体技术、数据仓库和数据挖掘、专家系统和人工智能、呼叫中心以及相应的硬件环境，还包括与CRM相关的专业咨询等。 3、CRM是一种应用软件系统。作为应用软件系统，CRM凝聚了市场营销等管理科学的核心理念，销售管理、客户关怀、服务和支持构成了CRM软件模块的基石。 显然，客户关系管理实质上是一种“关系营销”。与以往只注重吸引新客户、达成一次性交易的“交易营销”相比，“关系营销”更注重保留客户，建立长期稳定的关系。将数据挖掘应用于CRM领域，可获得许多客户深层次的信息，从而达到获取客户、提升客户价值及保持客户的目的。 三、数据挖掘在CRM中的应用 (一)数据挖掘在CRM中的应用领域 数据挖掘技术帮助企业管理客户生命周期的各个阶段，它能够帮助企业确定客户的特点，使企业能够为客户提供有针对性的个性化服务，具体包括以下几个方面： 1、客户识别 客户识别就是通过一系列技术手段，根据大量客户的个性特征，购买记录等可得数据，事先确定出对企业有意义的客户，作为企业客户关系管理的实施对象，从而为企业成功实施CRM提供保障。它与传统营销理论中的客户细分与客户选择有着本质区别。传统营销理论是以选择目标市场为着眼点，对整个客户群体按照不同因素进行细分，最后选择企业的目标市场(客户)。而客户识别是在已经确定好目标市场的情况下，从目标市场的客户群体中识别出对企业有意义的客户。 (1)利用数据挖掘进行客户市场分割和客户盈利能力的分析。市场分割是将一个大的用户群体划分成多个小群体，每个小群体的客户具有相同的特征，不同群体之间的特征不同。决策树、聚类是市场分割的常用工具，例如：用聚类分析法把银行贷款客户分为A、B、C类．，其中客户分类标准有贷款数额、资信度、还款期限等，据此得出各类客户的特征，选择重点营销对象，并发掘潜在的客户。 (2)用数据挖掘建立客户利润回报预测模型。我们可以将客户进行分类，分为高价值客户、一般价值客户和低价值客户。对于高价值客户，可以采取不同的促销手段和优惠政策，保持客户对企业的忠诚度。从预测模型还可以找出客户回报大小的变化趋势。回报可能从低回报到高回报转变或从高回报到低回报滑落的趋势。据此，企业可以有针对性的采取相应的对策，促进好的转化，挽留或避免坏的转化。 2、获取新客户 获取新客户就是说服潜在的客户使用本企业的产品或服务。企业要想通过CRM有效获得新客户，首先必须明确不同客户的特性。即明确企业的目标市场、潜在客户、客户获取的难易程度等内容。其次，针对不同的客户采取不同的营销策略。最后，根据客户对营销努力的反映情况来调整目标客户和相应的营销策略。数据挖掘主要应用在对营销的反映情况的预测上。根据历史数据运用数据挖掘技术建立“客户行为反应”预测模型，对客户的未来行为进行预测。预测他们对企业产品的反应情况，可以分为“无反应”、“正反应”、“负反应”。无反应就是对产品的需求是可有可无的状态；正反应表示对产品感兴趣(但不表示一定购买)，负反应就是说明不感兴趣。据此分类，选择正反应的群体进行推销，从而达到获取新客户的目的。 3、提升客户价值 企业需要通过提升现有客户价值来实现企业效益的提高。一般来说，通可以过3种方法使之达到完善：①最长时间的保持这种关系；②最多次数的和客户交易；③最大数量的保证每次交易的利润。这些可以通过交叉销售和一对一营销来实现。交叉销售建立在“win-win”的原则之上，是指企业向原有客户销售新的产品/服务的过程。通过交叉销售，客户可得到更多更好的产品和服务，同时企业提高了销售额，降低了营销成本。另外，交叉销售还实现了企业客户在一种产品/服务上的生命周期向另外一种产品/服务的平稳转移，使企业和客户的关系进一步紧密。 数据挖掘在交叉销售中做的工作主要是分析出最优的、合理的销售匹配。通过对商品进行关联规则挖掘，可以发现商品间的相互关系，比如哪些商品同时经常被一起购买。利用序列模式挖掘，找出商品被购买的先后次序，比如在购买商品A后，一段时间里顾客会接着购买商品B，而后购买商品C。另外，利用聚类技术通过对客户进行细分，可以确定某一类客户经常购买的商品，并对没有购买的此类客户推销这些商品。所谓的一对一营销即给每位客户提供特色产品，服务，客户获得心理满足的同时企业获得较高收益。 4、保持客户 客户保持是留住可能流失的客户。获得新客户的成本逐年增加，老客户的流失率也很高，获得一个新客户的成本是保留一个老客户成木的5倍。因此保持原有客户，尤其是优质客户对企业来说显得越来越重要。客户保持的步骤：首先识别出客户的优劣；其次，挖掘出可能流失的优质客户；最后，分析出客户流失的原因，企业可以从管理、制度等方面做出相应的调整以预防客户流失，从而保持客户。解决客户流失问题，可以使用数据挖掘方法对已经流失客户进行分类，并对每类流失客户的特征进行描述。然后，使用关联、近邻等挖掘技术和方法对现有客户消费行为进行分析，以确定每类客户流失的可能性，其中着重于发现那些流失可能性大的优质客户。 (二)数据挖掘在CRM中的实施 要在CRM中成功的实施数据挖掘并不是一蹴而就的，而是一个循序渐进、循环反复、不断调整的过程。一般来说，CRM中的数据挖掘主要包括以下几个步骤： 1、确定分析和预测目标：CRM在进行数据挖掘时，首先需要明确商业目标，即想通过数据挖掘解决什么问题，达到什么目的。另外，还要将准备解决的问题转化为可以测量的目标，即数据挖掘的成功准则。另外，作为数据挖掘的第一个步骤，还必须考虑其它因素，如可用的技术、资金、人才和时间等资源。 2、数据选择：对基础数据进行了解和选择。比如，数据从哪里获得？数据仓库是否建立？内部数据是否可直接使用？数据哪些字段是必要的？通过数据选择可以对基础数据建立基本的可信度。 3、数据准备：对选择的数据进行必要的预处理、转换，以消除数据噪音，提高数据的完整性、准确性和可信度。 4、模型构造：这是数据挖掘的关键阶段，这一阶段的主要工作有：根据挖掘的商业目标，选择相应的数据挖掘技术，建立培训数据和测试数据，利用培训数据采用相应算法建立模型和模型解释。 5、模型评估和校验：使用测试数据对建立的模型进行测试，计算误差率，如未达到预期目标，则根据误差原因，重新回到模型构造或数据选择阶段，重复相关过程，直至找到满意的模型。如果是商业目标确定的不符合实际，就需要重新审视最初的商业目标定义。 6、部署和应用：建立满意的模型后，就可以在整个企业内部署和应用模型。另外，在应用的过程中还要不断的测试模型的成功概率，从而完善模型。 四、结论 数据挖掘技术在CRM中贯穿于客户生命周期的各个阶段，为企业的决策支持和商业智能发挥了核心作用。随着数据挖掘技术的进一步发展和深化，必然会带给CRM更为广泛的应用前景和市场。(end)

文章内容仅供参考 (投稿) (如果您是本文作者，请点击此处) (3/13/2012)