數(shù)據(jù)挖掘技術(shù)在客戶關(guān)系管理中的應(yīng)用

隨著計(jì)算機(jī)技術(shù)、網(wǎng)絡(luò)技術(shù)、通訊技術(shù)和Internet技術(shù)的發(fā)展，電子商務(wù)中 企業(yè)內(nèi)部會(huì)產(chǎn)生了大量業(yè)務(wù)數(shù)據(jù)，如何從豐富的客戶數(shù)據(jù)中挖掘有價(jià)值的信息，為企業(yè)管理者提供有效的輔助決策，是企業(yè)真正關(guān)心的問(wèn)題。其中，客戶分類是分析 型客戶關(guān)系管理的重要功能之一。通過(guò)客戶分類，區(qū)分客戶的霞要程度，并針對(duì)不同霞要級(jí)別的客戶制定專門的營(yíng)銷方案和客戶關(guān)系管理策略，可以幫助企業(yè)降低營(yíng) 銷成本，提高利潤(rùn)和企業(yè)競(jìng)爭(zhēng)力?？蛻粢部蓮氖硺I(yè)制定的專門的營(yíng)銷方案和客戶關(guān)系管理策略中獲得適合的交易體驗(yàn)。數(shù)據(jù)挖掘是分析型CRM實(shí)現(xiàn)其“分析”功能 的必要手段，也是實(shí)現(xiàn)客戶分類的有效工具。

1 客戶關(guān)系管理(CRM)

CRM(Customer Relation Managemen)是一種旨在改善企業(yè)與客戶之間關(guān)系的新型管理機(jī)制，它實(shí)施于企業(yè)的市場(chǎng)營(yíng)銷、銷售、服務(wù)與技術(shù)支持等領(lǐng)域，它的目標(biāo)是提供更優(yōu)質(zhì)、更快捷的服務(wù)吸引并保持客戶，通過(guò)業(yè)務(wù)流程的全面管理降低倉(cāng)業(yè)成本。

在電子商務(wù)環(huán) 境下，CRM使網(wǎng)站企業(yè)在所有的業(yè)務(wù)環(huán)節(jié)下更好地滿足客戶需求以及提供更優(yōu)質(zhì)的服務(wù)，從而使站點(diǎn)企業(yè)在這種不存在時(shí)空差異的新型商務(wù)環(huán)境中保留現(xiàn)有客戶和 發(fā)掘潛在客戶。以提高市場(chǎng)競(jìng)爭(zhēng)力。同時(shí)CRM又可以提供客戶需求、市場(chǎng)分布、回饋信息等重要信息，為企業(yè)和經(jīng)營(yíng)活動(dòng)提供智能化分析的依據(jù)，因此，CRM為 企業(yè)帶來(lái)了成功實(shí)現(xiàn)電子商務(wù)的基礎(chǔ)。

個(gè)性化服務(wù)是增強(qiáng)競(jìng)爭(zhēng)力的有力武器，CRM就是以客戶為中心并為客戶提供最合適的服務(wù)?；ヂ?lián)網(wǎng)成為 實(shí)施客戶關(guān)系管理應(yīng)用的理想渠道，記住顧客的名字及他們的偏好，根據(jù)顧客的不同而提供不同內(nèi)容，顧客再次光顧的可能性會(huì)大大增加。CRM可以增加客戶忠誠(chéng) 度，提高購(gòu)買比率，使每個(gè)顧客產(chǎn)生更多的購(gòu)買需求，及更長(zhǎng)時(shí)間的需求，并提高顧客滿意度。

2 數(shù)據(jù)挖掘技術(shù)

如何對(duì)這些海量的數(shù)據(jù)進(jìn)行分析發(fā)現(xiàn)，為商業(yè)決策提供有價(jià)值的信息，使企業(yè)獲得利潤(rùn)，強(qiáng)有力的工具就是數(shù)據(jù)挖掘。

在分析型CRM系統(tǒng)中，數(shù)據(jù)挖掘是其中的核心技術(shù)，數(shù)據(jù)挖掘是從大量的數(shù)據(jù)中，抽取出潛在的、有價(jià)值的知識(shí)、模型或規(guī)則的過(guò)程。對(duì)于企業(yè)而言，數(shù)據(jù)挖掘 可以有助于發(fā)現(xiàn)業(yè)務(wù)發(fā)展的趨勢(shì)，揭示已知的事實(shí)，預(yù)測(cè)未知的結(jié)果，并幫助企業(yè)分析出完成任務(wù)所需的關(guān)鍵因素，以達(dá)到增加收入、降低成本，使企業(yè)處于更有利 的競(jìng)爭(zhēng)位置的目的。

2.1 數(shù)據(jù)挖掘常用的算法

(1)決策樹(decision tree)決策算法。決策樹是一個(gè)類似于流程圖的樹結(jié)構(gòu)。其中每個(gè)內(nèi)部節(jié)點(diǎn)表示在一個(gè)屬性上的測(cè)試，每個(gè)分枝代表一個(gè)測(cè)試輸出，而每個(gè)樹葉節(jié)點(diǎn)代表類或類 分布。決策樹算法包括樹的構(gòu)造和樹的剪枝，有兩種常用的剪枝方法：先剪枝和后剪枝。

(2)神經(jīng)網(wǎng)絡(luò)(Neural Network)。神經(jīng)網(wǎng)絡(luò)是一組連接的輸入，輸出單元，其中每個(gè)連接都與一個(gè)權(quán)相連，在學(xué)習(xí)階段，通過(guò)調(diào)整神經(jīng)網(wǎng)絡(luò)的權(quán)，使得能夠預(yù)測(cè)輸入樣本的正確類標(biāo)號(hào)來(lái)學(xué)習(xí)。

(3)遺傳算法(Genetic Algorithms)。遺傳算法根據(jù)適者生存的原則，形成由當(dāng)前群體巾最適合的規(guī)則組成新的群體，以及這些規(guī)則的后代。遺傳算法用于分類和其他優(yōu)化問(wèn)題。

(4)粗糙集方法。粗糙集方法基于給定訓(xùn)練數(shù)據(jù)內(nèi)部的等價(jià)類的建立。它將知識(shí)理解為對(duì)數(shù)據(jù)的劃分，每一被劃分的集合稱為概念，利用已知的知識(shí)庫(kù)來(lái)處理或刻臧不精確或不確定的知識(shí)。粗糙集用于特征歸約和相關(guān)分析。

(5)模糊集方法?；谝?guī)則的分類系統(tǒng)有一個(gè)缺點(diǎn)：對(duì)于連續(xù)屬性，他們有陡峭的截?cái)?。將模糊邏輯引入，允許定義“模糊”邊界，提供了在高抽象層處理的便利。

其它還有貝葉斯網(wǎng)絡(luò)、可視化技術(shù)、臨近搜索方法和公式發(fā)現(xiàn)等方法。

2.2 數(shù)據(jù)挖掘常用的分析方法

(1)分類和預(yù)測(cè)。主要用于客戶細(xì)分(分群)處理，如價(jià)值客戶群的分級(jí)，分類和預(yù)測(cè)是兩種數(shù)據(jù)分析形式，可以用于提取描述重要數(shù)據(jù)類的模型或預(yù)測(cè)未來(lái)的 數(shù)姑趨勢(shì)。數(shù)據(jù)分類(data elassfication)是一個(gè)兩步過(guò)程，第一步，建立一個(gè)模型，描述預(yù)定的數(shù)據(jù)類集或概念集，通過(guò)分析有屬性描述的數(shù)據(jù)庫(kù)元組來(lái)構(gòu)造模型。第二步， 使用模型進(jìn)行分類。首先評(píng)估模犁的預(yù)測(cè)準(zhǔn)確率，如果認(rèn)為模型的準(zhǔn)確率可以接受，就可以用來(lái)對(duì)類標(biāo)號(hào)未知的數(shù)據(jù)遠(yuǎn)祖或?qū)ο筮M(jìn)行分類。

預(yù)測(cè) 技術(shù)，主要用于對(duì)客戶未來(lái)行為的發(fā)現(xiàn)，如客戶流失分析中，用神經(jīng)元網(wǎng)絡(luò)方法學(xué)習(xí)各種客戶流失前的行為變化，進(jìn)而預(yù)測(cè)(預(yù)警)可能出現(xiàn)的存價(jià)值客戶的流失。 預(yù)測(cè)足構(gòu)造和使用模型評(píng)估無(wú)標(biāo)號(hào)樣本類，或評(píng)估給定樣本可能具有的屬性值或值區(qū)間。分類和預(yù)測(cè)具有廣泛的應(yīng)用，如信譽(yù)證實(shí)、醫(yī)療診斷、性能預(yù)測(cè)和選擇購(gòu) 物。分類和預(yù)測(cè)常用的算法包括決策樹歸納、貝葉斯分類、貝葉斯網(wǎng)絡(luò)、神經(jīng)網(wǎng)絡(luò)、K-最臨近分類、遺傳算法、粗糙集和模糊集技術(shù)。

(2) 聚類分析。聚類是將數(shù)據(jù)對(duì)象分組成為多個(gè)類或簇(cluster)，在同一個(gè)簇中的對(duì)象之同具有較高的相似度，而不周簇中的對(duì)象差別較大。作為統(tǒng)計(jì)學(xué)的一 個(gè)分支，聚類分析已被廣泛的研究了許多年，現(xiàn)在主要集中在基于距離的聚類分析，基于k-means(k-平均值)、k-medoids(k-中心點(diǎn))和其 他的一些聚類分析工具也有不少的應(yīng)用。

(3)關(guān)聯(lián)規(guī)則。關(guān)聯(lián)規(guī)則挖掘給定數(shù)據(jù)集中項(xiàng)之間的有趣聯(lián)系。設(shè)I＝{i1，i2，…im}是項(xiàng) 的集合，任務(wù)相關(guān)的數(shù)據(jù)D是數(shù)據(jù)庫(kù)事務(wù)的集合，其中每個(gè)事務(wù)T是項(xiàng)的集合，使得T包含于I。關(guān)聯(lián)規(guī)則是形如A=>B的蘊(yùn)涵式，其中A∈I，B∈I， 并且A∩B為空。關(guān)聯(lián)規(guī)則的挖掘分成兩步：①找出所有頻繁項(xiàng)集，這些項(xiàng)集出現(xiàn)的頻繁性至少和預(yù)定義的最小支持計(jì)數(shù)一樣。②由頻繁項(xiàng)集產(chǎn)生強(qiáng)關(guān)聯(lián)規(guī)則。這些 規(guī)則必須滿足最小支持度和最小置信度。

(4)序列模式。序列模式分析和關(guān)聯(lián)規(guī)則分析類似，也是為了挖掘數(shù)據(jù)項(xiàng)之間的聯(lián)系，不過(guò)序列模式分析的是數(shù)據(jù)項(xiàng)在時(shí)間維上的先后序列關(guān)系，如一個(gè)顧客在購(gòu)買了計(jì)算機(jī)半年后可能再購(gòu)買財(cái)務(wù)分析軟件。

(5)孤立點(diǎn)分析。孤立點(diǎn)是度量錯(cuò)誤或固有的數(shù)據(jù)變異性的結(jié)果。許多數(shù)據(jù)挖掘算法都試圖使孤立點(diǎn)的影響最小，或排除它們。一個(gè)人的噪聲可能是另一個(gè)人的 信號(hào)，在有些時(shí)候。孤立點(diǎn)是非常有用的。孤立點(diǎn)挖掘可以描述如下：給定一個(gè)n個(gè)數(shù)據(jù)點(diǎn)或?qū)ο蟮募?，以及預(yù)期的孤立點(diǎn)的數(shù)目k，發(fā)現(xiàn)與剩余的數(shù)據(jù)相比是顯 著相異的或不一致的頭k個(gè)對(duì)象。孤立點(diǎn)探測(cè)方法可分為三類：統(tǒng)計(jì)學(xué)方法，基于距離的方法和基于偏移的方法。

3 應(yīng)用方法

3.1 了解業(yè)務(wù)

最初的階段，著眼于了解業(yè)務(wù)特點(diǎn)，并把它還原成為數(shù)據(jù)分析的條件和參數(shù)。例如：在零售行業(yè)中，我們的第一個(gè)步驟是了解客戶購(gòu)買的頻率，購(gòu)買頻率和每次消費(fèi)金額之間是否有明顯的相關(guān)關(guān)系。

3.2 分析數(shù)據(jù)

這個(gè)階段著眼于對(duì)現(xiàn)有的數(shù)據(jù)進(jìn)行規(guī)整。我們發(fā)現(xiàn)，在不少行業(yè)中，可分析的數(shù)據(jù)和前面提出的分析目標(biāo)是不匹配的。例如：消費(fèi)者的月收入水平可能與許多購(gòu)買 行為相關(guān)，但是，原始的數(shù)據(jù)積累中卻不一定具備這螳數(shù)據(jù)。對(duì)這一問(wèn)題的解決方法是從其它的相關(guān)數(shù)據(jù)中進(jìn)行推理，例如，通過(guò)抽樣調(diào)查，我們發(fā)現(xiàn)，一次性購(gòu)買 大量衛(wèi)生紙的客戶，其月收入水平集中在1000-3000RMB的檔次，如果這一結(jié)論基本成立。我們可以從消費(fèi)習(xí)慣中推理出現(xiàn)有客戶有多大的百分比是月收 入水平在這個(gè)檔次中的；另外，可以根據(jù)抽樣調(diào)查的方法。在問(wèn)卷調(diào)查的基礎(chǔ)上推理整個(gè)樣本人群的收入水平曲線。

3.3 數(shù)據(jù)準(zhǔn)備

這個(gè)階段的著眼點(diǎn)是轉(zhuǎn)換、清理和導(dǎo)入數(shù)據(jù)，可能從多個(gè)數(shù)據(jù)源抽取并加以組合，以形成data cube。對(duì)于缺失的少量數(shù)據(jù)，是用均值補(bǔ)齊，還是忽略，還是按照現(xiàn)有樣本分配，這是在這個(gè)階段需要處理的問(wèn)題之一。

3.4 建模

現(xiàn)在已經(jīng)有各種各樣的模型方法可以利用。讓最好的一種應(yīng)用于我們要著眼的主要問(wèn)題中。是這個(gè)階段的主要任務(wù)。例如，對(duì)于利潤(rùn)的預(yù)測(cè)是否應(yīng)當(dāng)采用回歸方式預(yù)測(cè)，預(yù)測(cè)的基礎(chǔ)是什么等，這些問(wèn)題需要行業(yè)專家和數(shù)據(jù)分析專家協(xié)商并達(dá)成共識(shí)。

3.5 評(píng)估與應(yīng)用

優(yōu)秀的評(píng)估方法是利用不同的時(shí)間段，讓系統(tǒng)對(duì)已經(jīng)發(fā)生的消費(fèi)情況進(jìn)行預(yù)測(cè)，然后比較預(yù)測(cè)結(jié)果和實(shí)際狀況，這樣模型的評(píng)估就容易進(jìn)行了。完成了上述的步驟 之后，多數(shù)的分析工具都支持保存并重復(fù)應(yīng)用已經(jīng)建立起來(lái)的模型。更為重要的是，在這個(gè)過(guò)程中，對(duì)數(shù)據(jù)分析的方法和知識(shí)應(yīng)當(dāng)已經(jīng)由客戶方的市場(chǎng)分析人員或決 策者所了解，我們提供的，不僅僅是最終結(jié)果，而且是獲得這一結(jié)果的方法?！耙呀疳樁扰c人”正是TurboCRM咨詢服務(wù)不同于單純的軟件提供商的區(qū)別所 在。

最后，在軟件架構(gòu)方面，分析數(shù)據(jù)庫(kù)與運(yùn)營(yíng)數(shù)據(jù)庫(kù)應(yīng)當(dāng)是分離的，避免影響運(yùn)營(yíng)數(shù)據(jù)庫(kù)在操作方面的的實(shí)時(shí)響應(yīng)速度。

4 結(jié)束語(yǔ)

數(shù)據(jù)挖掘可以把大量的客戶分成不同的類，在每個(gè)類里的客戶擁有相似的屬性，而不同類里的客戶的屬性也不同，可以給這兩類客戶提供完全不同的服務(wù)來(lái)提高客戶的滿意度，細(xì)致而切實(shí)可行的客戶分類對(duì)企業(yè)的經(jīng)營(yíng)策略有很大益處。