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

隨著計算機技術(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。通過客戶分類，區(qū)分客戶的霞要程度，并針對不同霞要級別的客戶制定專門的營銷方案和客戶關(guān)系管理策略，可以幫助企業(yè)降低營 銷成本，提高利潤和企業(yè)競爭力?？蛻粢部蓮氖硺I(yè)制定的專門的營銷方案和客戶關(guān)系管理策略中獲得適合的交易體驗。數(shù)據(jù)挖掘是分析型CRM實現(xiàn)其“分析”功能 的必要手段，也是實現(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)系的新型管理機制，它實施于企業(yè)的市場營銷、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，通過業(yè)務(wù)流程的全面管理降低倉業(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)，從而使站點企業(yè)在這種不存在時空差異的新型商務(wù)環(huán)境中保留現(xiàn)有客戶和 發(fā)掘潛在客戶。以提高市場競爭力。同時CRM又可以提供客戶需求、市場分布、回饋信息等重要信息，為企業(yè)和經(jīng)營活動提供智能化分析的依據(jù)，因此，CRM為 企業(yè)帶來了成功實現(xiàn)電子商務(wù)的基礎(chǔ)。

個性化服務(wù)是增強競爭力的有力武器，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大大增加。CRM可以增加客戶忠誠 度，提高購買比率，使每個顧客產(chǎn)生更多的購買需求，及更長時間的需求，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)決策提供有價值的信息，使企業(yè)獲得利潤，強有力的工具就是數(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、有價值的知識、模型或規(guī)則的過程。對于企業(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，揭示已知的事實，預(yù)測未知的結(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 的競爭位置的目的。

2.1 數(shù)據(jù)挖掘常用的算法

(1)決策樹(decision tree)決策算法。決策樹是一個類似于流程圖的樹結(jié)構(gòu)。其中每個內(nèi)部節(jié)點表示在一個屬性上的測試，每個分枝代表一個測試輸出，而每個樹葉節(jié)點代表類或類 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，其中每個連接都與一個權(quán)相連，在學(xué)習(xí)階段，通過調(diào)整神經(jīng)網(wǎng)絡(luò)的權(quán)，使得能夠預(yù)測輸入樣本的正確類標(biāo)號來學(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)部的等價類的建立。它將知識理解為對數(shù)據(jù)的劃分，每一被劃分的集合稱為概念，利用已知的知識庫來處理或刻臧不精確或不確定的知識。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)有一個缺點：對于連續(xù)屬性，他們有陡峭的截斷。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。主要用于客戶細(xì)分(分群)處理，如價值客戶群的分級，分類和預(yù)測是兩種數(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)測未來的 數(shù)姑趨勢。數(shù)據(jù)分類(data elassfication)是一個兩步過程，第一步，建立一個模型，描述預(yù)定的數(shù)據(jù)類集或概念集，通過分析有屬性描述的數(shù)據(jù)庫元組來構(gòu)造模型。第二步， 使用模型進(jìn)行分類。首先評估模犁的預(yù)測準(zhǔn)確率，如果認(rèn)為模型的準(zhǔn)確率可以接受，就可以用來對類標(biāo)號未知的數(shù)據(jù)遠(yuǎn)祖或?qū)ο筮M(jìn)行分類。

預(yù)測 技術(shù)，主要用于對客戶未來行為的發(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(預(yù)警)可能出現(xiàn)的存價值客戶的流失。 預(yù)測足構(gòu)造和使用模型評估無標(biāo)號樣本類，或評估給定樣本可能具有的屬性值或值區(qū)間。分類和預(yù)測具有廣泛的應(yīng)用，如信譽證實、醫(yī)療診斷、性能預(yù)測和選擇購 物。分類和預(yù)測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)對象分組成為多個類或簇(cluster)，在同一個簇中的對象之同具有較高的相似度，而不周簇中的對象差別較大。作為統(tǒng)計學(xué)的一 個分支，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)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)集中項之間的有趣聯(lián)系。設(shè)I＝{i1，i2，…im}是項 的集合，任務(wù)相關(guān)的數(shù)據(jù)D是數(shù)據(jù)庫事務(wù)的集合，其中每個事務(wù)T是項的集合，使得T包含于I。關(guān)聯(lián)規(guī)則是形如A=>B的蘊涵式，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找出所有頻繁項集，這些項集出現(xiàn)的頻繁性至少和預(yù)定義的最小支持計數(shù)一樣。②由頻繁項集產(chǎn)生強關(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)項之間的聯(lián)系，不過序列模式分析的是數(shù)據(jù)項在時間維上的先后序列關(guān)系，如一個顧客在購買了計算機半年后可能再購買財務(wù)分析軟件。

(5)孤立點分析。孤立點是度量錯誤或固有的數(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的影響最小，或排除它們。一個人的噪聲可能是另一個人的 信號，在有些時候。孤立點是非常有用的。孤立點挖掘可以描述如下：給定一個n個數(shù)據(jù)點或?qū)ο蟮募希约邦A(yù)期的孤立點的數(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個對象。孤立點探測方法可分為三類：統(tǒng)計學(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，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，我們的第一個步驟是了解客戶購買的頻率，購買頻率和每次消費金額之間是否有明顯的相關(guān)關(guān)系。

3.2 分析數(shù)據(jù)

這個階段著眼于對現(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：消費者的月收入水平可能與許多購買 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)。對這一問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，通過抽樣調(diào)查，我們發(fā)現(xiàn)，一次性購買 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 入水平在這個檔次中的；另外，可以根據(jù)抽樣調(diào)查的方法。在問卷調(diào)查的基礎(chǔ)上推理整個樣本人群的收入水平曲線。

3.3 數(shù)據(jù)準(zhǔn)備

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

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題中。是這個階段的主要任務(wù)。例如，對于利潤的預(yù)測是否應(yīng)當(dāng)采用回歸方式預(yù)測，預(yù)測的基礎(chǔ)是什么等，這些問題需要行業(yè)專家和數(shù)據(jù)分析專家協(xié)商并達(dá)成共識。

3.5 評估與應(yīng)用

優(yōu)秀的評估方法是利用不同的時間段，讓系統(tǒng)對已經(jīng)發(fā)生的消費情況進(jìn)行預(yù)測，然后比較預(yù)測結(jié)果和實際狀況，這樣模型的評估就容易進(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)建立起來的模型。更為重要的是，在這個過程中，對數(shù)據(jù)分析的方法和知識應(yīng)當(dāng)已經(jīng)由客戶方的市場分析人員或決 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)庫與運營數(shù)據(jù)庫應(yīng)當(dāng)是分離的，避免影響運營數(shù)據(jù)庫在操作方面的的實時響應(yīng)速度。

4 結(jié)束語

數(shù)據(jù)挖掘可以把大量的客戶分成不同的類，在每個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)來提高客戶的滿意度，細(xì)致而切實可行的客戶分類對企業(yè)的經(jīng)營策略有很大益處。