电子商务环境下数据挖掘在客户关系管理的应用---正文.doc

第1章 引言本课题研究基于数据挖掘(Data Mining, DM)的客户关系管理(Customer Relationship Management, CRM)的理论和实现问题。 研究的背景是后工业社会发展的事实和现代企业面临激烈市场竞争的局面给现代企业管理提出的新挑战。 人类社会己发展到后工业社会。后工业社会改变了前工业社会生产能力不足和商品短缺的状况，出现了全社会生产能力过剩、商品极大丰富的状况，市场竞争变得异常激烈。 在这样的社会经济背景下，企业管理导向、企业管理目标、企业管理权力、企业管理技术手段都发生了根本的变化。 (1)企业管理导向由前工业社会的产品导向转变为客户导向; (2)企业管理目标由前工业社会的成本控制和利润最大化转变为客户满意和客户忠诚; (3)企业管理权力杠杆由前工业社会的向企业倾斜转变为向客户倾斜; (4)企业管理的技术手段由前工业社会的手工管理转变为电子信息管理。 这些转变表明:在当前的环境下，市场竞争的焦点已经从产品的竞争、品牌的竞争、服务的竞争转向客户的竞争。客户就是财富、客户就是资产、客户就是价值，客户就是企业发展的源动力。与客户建立和保持一种长期的、良好的伙伴关系，掌握客户资源，赢得客户信任，分析客户个性化需求，提供满意的客户服务，是企业提高市场占有率，获得最大利润的关键，使得客户关系管理成为现代企业最重要的企业管理问题之一。这些转变还表明:在当今社会，谁充分利用了客户信息，谁能从企业大量的客户信息中挖掘出有意义的知识，发现客户新的价值，并用于企业经营管理决策，谁就可以赢得市场，赢得利润。大量的客户数据一旦被发现成为有意义的信息，就使企业客户资源成为更宝贵的财富。因此，也使得基于数据挖掘技术的客户关系管理成为客户关系管理中最受关注的课题。本文正是从客户和信息挖掘的双重角度进行客户与信息资源的优化组合，使企业取得市场竞争优势，而提出了基于数据挖掘的客户关系管理的研究课题。第2章 客户关系管理的相关理论本章讨论客户关系管理的基本概念和基本理念，研究客户关系管理的经济学意义和市场营销学意义，进一步说明客户关系管理的基本特性和在市场竞争中的重要作用。为构造实际的客户关系管理系统打下基础。2.1 客户关系管理的基本概念2.1.1 客户关系管理的定义 客户关系管理(Customer Relationship Management )，也称作“顾客关系管理”。在实际中，Customer译作客户所表示的意义更为广泛，它包括了过去购买或正在购买的消费者以及还没有购买但今后可能产生购买行为的“潜在消费者”，所指更为准确。 (1)二种客户关系管理的定义 关于客户关系管理的定义，不同的学者或商业机构都从不同角度提出自己的看法。下面介绍二种比较流行的定义，以便对客户关系管理有一个比较全面的了解。 Gartner Group最早提出的定义为:客户关系管理是一种商业策略，它按照客户的分类情况有效地组织企业资源，培养以客户为中心的经营行为以及实施以客户为中心的业务流程，并以此为手段来提高企业赢利能力、利润以及客户满意度。此定义明确指出了客户关系管理并非某种单纯的IT技术，而是企业的一种商业策略，注重企业赢利能力和客户满意度。CRM给出的定义表明:客户关系管理是在营销、销售和服务业务范围内，对现实的和潜在的客户关系以及业务伙伴关系进行多渠道管理的一系列过程和技术。该定义重点指出了客户关系管理的管理手段，即过程和技术，比较适用于客户关系管理开发系统，并界定了客户关系管理的业务领域。但此定义弱化了客户关系管理的策略性，简单归纳为一种技术处理。(2)从三种角度理解客户关系管理研究分析客户关系管理方面的文献，不难归纳出三种理解的思路:一是从商业哲学的角度，认为客户关系管理是把客户置于决策出发点的一种商业哲学，它使企业与客户的关系更加紧密;二是从企业战略的角度来理解，认为客户关系管理是通过企业对客户关系的引导，达到企业最大化盈利的企业战略;三是从系统开发的角度，认为客户关系管理是帮助企业以一定的组织方式来管理客户的互联网软件系统。它们之间的关系是:客户关系管理的理念是促成企业战略观形成的思想基础，客户关系管理系统是在互联网环境下，辅助这一企业战略观得以实现的有力工具。这三种理解都有其合理的成分，本文主要侧重于从企业战略的角度将客户关系管理界定为:企业在新的市场环境下，通过对企业客户关系的互动引导，识别、保留和发展价值客户，达到企业最大化盈利目的的企业战略管理。它的目标是缩短销售周期，降低销售成本，增加收入，寻找扩展业务所需的信息市场和渠道，以及提高客户的价值、满意度、盈利性和忠诚度。2.1.2 客户关系管理的基本理念“以客户满意为中心”是客户关系管理的核心所在。在这个核心理念下，客户关系管理通过掌握客户资源，分析和满足客户个性化需求，向客户提供满意的产品和服务，提高客户满意度，赢得客户信任，保持客户忠诚度，挖掘潜在客户，创造黄金客户，和客户建立和保持一种长期的、良好的伙伴关系，既是企业提高市场占有率和最大利润的关键，同时也是创造客户、为客户谋取最大利益的根本途径。以客户满意为中心的核心理念，自然衍生出三个基本理念，即客户价值理念、关系价值理念和信息价值理念。三个价值理念的互动关系如图2-1所示。图21客户关系管理的衍生理念(1) 客户关系管理的基础是为客户创造客户价值客户关系管理的目的是实现客户价值的最大化和企业收益的最大化之间的平衡。任何企业实施客户关系管理的初衷都是想为客户创造更多的价值，即实现客户与企业的“双赢”。坚持以客户为中心，为客户创造价值是任何客户关系管理战略必须具备的基石。为客户创造的价值越多，就越能尽可能高地增强客户满意度，提高客户忠诚度，从而实现与客户的维系，有利于增加客户为企业创造的使企业收益最大化。(2) 客户关系管理的结果是为企业创造关系价值企业是一个以赢利为目的的组织，企业的最终目的都是为了实现企业价值的最大化。因此，在建立客户关系时，企业必须考虑关系价值。所谓关系价值，即建立和维持特定客户关系为企业创造新增价值。从逻辑上讲，企业的总价值应该等于所有过去的、现在的和将来的客户的关系价值的总和。企业应该将精力放在关系价值高的客户身上，关系价值高所创造的利润就高。而对那些价值较低，不具有培养前景甚至会带来负面效应的客户关系，企业应该果断终止。可以认为，追求关系价值是客户关系管理的必然结果，而管理关系价值的关键却在于对关系价值的识别和培养。(3) 客户关系管理的途径是充分利用信息价值信息技术是客户关系管理的关键因素。客户关系管理的途径就是充分利用信息价值，使其转化为客户价值和关系价值。没有信息技术的支撑，客户关系管理可能还停留在早期的关系营销和关系管理阶段。正是因为信息技术的出现，使得企业能够有效地分析客户数据，充分发挥信息价值的作用，激励和共享客户知识，根据不同客户的偏好和特性提供相应的服务，从而提高客户价值。同时，信息技术也可以辅助企业识别具有不同关系价值的客户关系，针对不同的客户关系采用不同的策略，从而实现客户价值最大化和企业利润最大化之间的平衡。2.2 客户关系管理的相关理论解析2.2.1 客户关系管理的经济学解释在经济学的意义上，可以这样理解客户关系管理，即企业通过与客户之间建立长期的、满意的战略伙伴关系，通过互利交换及共同履行承诺，使双方实现各自的目的，从而谋求共同发展。制度经济学认为:关系可以被看作是一份没有付诸文字却又被人们所默认的非正式契约。由于任何契约都是有关签约双方的权利和义务的安排，通过这份非正式契约，关系双方可以建立对彼此行为的稳定预测，以降低交易中的不确定性。由于社会舆论、道德压力的存在，以及伴随而来的对违约行为的社会制裁(名誉与信用的损失，失去合作伙伴等)从而使得关系契约有了实际约束力。一旦企业与客户之间形成了这样一份关系契约。该关系就会约束双方的行为。因为这种关系的约束，客户忠诚于企业，不断地给企业带来利益，也因为这种关系的约束，企业围绕客户需求提供服务和商品，使客户需求得到最大满足。使企业与客户间的关系从“一方收益，一方受损”的零和博弈转变为总体利益最大化的双赢关系。2.2.2 市场营销学意义上的客户关系理论 从市场营销学意义上理解客户关系管理，可以从4V营销理论、关系营销理论和其它市场营销观念方面进行讨论。(1) 4V 市场营销理论从4P(即产品(Product )、价格(Price )、渠道(Place )、促销(Promotion )到4C(即顾客需求和欲望(Customer wants and needs )、消费者满足需要的成本(Cost )、消费者购物的便利性(Convenience )、企业与消费者之I的沟通(Communication ) )，然后到4R(即关联(Relevancy )、反应(Response),关系(Relation )、回报(Re-turn ) )，最后到4V(即客户差异化(Variation )、产品或服务的功能弹性化(Versatility )、为客户提供高附加价值的产品或服务( Value )、与客户产生共鸣(Vibration )营销组合理论的演变，如实反映了以客户为中心的发展趋势。这种营销理论转变的特点是创新，通过创新创造差异，满足客户的需求，从而达到企业与客户双方价值的最大化。所以，客户关系管理是与营销组合理论，特别是4V营销理论是一致的。(2)关系营销理论关系营销自20世纪80年代后期以来得到了迅速的发展。贝瑞率先提出和讨论了如何维系和改善同现有客户之间关系的问题。随后，杰克逊提出要与不同的客户建立不同类型的关系。北欧诺迪克学派的代表人物葛劳罗斯、舒莱辛格和赫斯基则论证了企业同客户的关系对服务企业市场营销的巨大影响。所谓关系营销，是把营销活动看成是一个企业与消费者、供应商、分销商、竞争者、政府机构及其他公众发生互动作用的过程，其核心是建立和发展与这些客户的良好关系。(3)其他市场营销理念在分析客户关系管理时，其他类似的营销论点也经常被提及，从这些营销理念中，也可以加深对客户关系管理的理解。这里归纳如下:A: 80/20法则，我们可以从正反两个方面进行理解，从正面来理解，即企业80%净利润或销售额是从20%的客户中获得的;从反面来理解，正因为20%的顾客带来80%的利润，企业就应将80%的资源投入到20%的顾客身上。B: 整合营销信息渠道的论点，强调企业通过各种传播媒介向客户、分销商、提供商以及任何其他关系对象，如政府、公众等发出的信息必须是统一的和一致的。C: 一对一营销思想，即企业要尽最大的努力满足每个客户独特的个性化需求。D: 一个满意的客户可以向多人宣传企业的好处;一个不满意的客户会迫不及待地向更多的人讲述他的“苦难”经历。2.3 客户关系管理的基本特征客户关系管理具有3个基本特征2.3.1 客户关系管理的理念性客户关系管理是一种以客户满意为中心的管理理念，客户关系管理理念的核心思想是将企业的客户(包括最终客户、分销商和合作伙伴)视为最重要的企业资产，通过完善的客户服务和深入的客户分析来满足客户的个性化需求，提高客户满意度和忠诚度，进而保证客户终生价值和企业利润增长的实现。 客户关系管理这种管理理念吸收了“数据库营销”、“关系营销”、“一对一营销”等最新管理理念的精华，通过满足客户的特殊需求，特别是满足最有价值客户的特殊需求，来建立和保持长期稳定的客户关系。客户同企业之间的每一次交易都使得这种关系更加稳固，从而使企业在同客户的长期交往中获得更多的利润。 客户关系管理理念的宗旨是通过与客户的个性化交流来掌握其个性需求，并在此基础上为其提供个性化的产品和服务，不断增加企业给客户的交付价值，提高客户的满意度和忠诚度，最终实现企业和客户的双赢。 客户关系管理的这种理念性可以将现代企业管理提高到一个新的高度。2.3.2 客户关系管理的机制性客户关系管理是一种改善企业与客户之间关系的管理机制，客户关系管理是一种旨在改善企业与客户之间关系的新型管理机制，可以应用于企业的市场营销、销售、服务与技术支持等与客户相关的领域。客户关系管理通过向企业的销售、市场和客户服务的专业人员提供全面的、个性化的客户资料，强化其跟踪服务、信息分析的能力，帮助他们与客户和生意伙伴之间建立和维护一种亲密信任的关系，为客户提供更快捷和周到的优质服务，提高客户满意度和忠诚度。客户关系管理的机制性在提高服务质量的同时，还通过信息共享和优化商业流程来有效地降低企业经营成本。2.3.3 客户关系管理的策略性客户关系管理是一种对客户资源进行集中管理的经营管理策略。客户关系管理就是一种以信息技术为手段，对客户资源进行集中管理的经营管理策略。这种策略可从战略和战术两个角度来看待它。 从战略角度来看，客户关系管理将客户看成是一项重要的企业资源，通过完善的客户服务和深入的客户分析来提高客户的满意度和忠诚度，从而吸引和保留更多有价值的客户，最终提升企业利润。从战术角度来看，将最佳的商业实践与数据挖掘、数据仓库、网络等信息技术紧密结合在一起，为企业的销售、客户服务和决策支持等领域提供了一个业务自动化的解决方案。客户关系管理的策略性，既有利于提升企业管理的战略高度，又便于构建实用的客户关系管理系统。第3章 数据挖掘技术3.1数据挖掘技术的产生现代社会是信息爆炸的时代。20世纪初，或者即使到了20世纪中叶，还没有一个公司的账目、订货记录和文件柜的数据总和能超过几十个百万字节( megabytes )。今天，最大的公司数据库的容量是用万亿字节(terabytes)来计算的。对于这些公司来说，数据的增长是以10万倍来计算的。随着数据库技术的成熟和信息应用的普及，人类积累的信息正在成指数地增长。但在多数情况下，这类数据的手机并不是为了建立知识模型，而是为了提高数据操作的效率。因此，未来学家奈斯比特(Job Naisbitt)曾惊呼:“人类正被信息淹没，却饥渴于知识。”如今有太多的数据而总嫌知识不够。面临浩瀚无边的数据，人们呼唤从数据的汪洋大海中提取知识，于是数据挖掘技术应运而生。数据挖掘(Data mining, DM)是近几年随着人工智能和数据库技术发展起来的一门新兴技术。数据挖掘技术引起信息产业界极大关注的主要原因是存在大量数据，可以广泛使用，并且迫切需要将这些数据转换成有用的信息和知识。数据一旦积累起来并从中提取信息和知识，就成为极宝贵的资源和财富。从大量数据中获取的这些信息、和知识，就成为极宝贵的资源和财富。这些信息和知识可以应用于各个领域，包括商务管理、生产控制、市场分析、工程设计和科学探索等。这些知识财富可被用来改进每个领域，包括客户关系管理领域的决策。数据挖掘技术正是用于企业经营决策的重要手段。客户关系管理是数据挖掘的应用领域，包括客户获取、客户保持、客户价值提升等客户关系管理的各个方面。正是有了数据挖掘技术的支持，才使客户关系管理的理念和目标得以实现。3.2数据挖掘与知识发现简单地说，数据挖掘(Data Mining)也称为数据库中的知识发现KDDC Knowledge Discovery in Database )，是指使用功能强大的计算机挖掘大量数据，以便从大量的数据中提取或“挖掘”知识。例如:发现一个特征的顾客及产品的模式。在企业经营管理中，数据挖掘与数据查询不同。数据挖掘不是用规范的查询语言从关系数据库中找出有关的购买模式，而是要让一种处理引擎回答人们不知道该怎么提问的问题，找出人们目前还不知道其存在与否的模式，产生有意义的数据或者知识。数据挖掘的关键性思路为实事求是。“实事”即“数据”，“求”就是去发现、去挖掘、去探索，“是”即数据中隐藏的规律。数据挖掘的广义观点:数据挖掘是从存放在数据库、数据仓库或其他信息库中的大量数据中挖掘有趣知识的过程。3.3 数据挖掘的任务数据挖掘任务一般可分为两类:描述和预测。描述性挖掘任务刻画数据库中数据的一般特性。预测性挖掘任务在当前数据上进行推断，以进行预测。具体任务分为：（1）总结规则挖掘从客户指定的数据中从不同的角度或不同的层次上挖掘出平均值/极小值/极大值、总和、百分比等。挖掘结果运用特征规则和统计的曲线图表等表示。（2）关联规则挖掘从客户指令的数据库中挖掘出满足一定条件的依赖性关系。（3）分类规则挖掘找出描述并区分数据类或概念的模型，以便使用此模型预测类标记未知的对象类。它通常使用类标记己知的数据对象作为训练数据集，通过对该数据集的分析，导出数据的分类模型，然后使用模型预测未知数据。（4）聚类聚类与分类不同，它没有类标记作为指导，类标记由它本身产生。对象根据最大化类内的相似性、最小化类间的相似性的原则进行聚类和分组。（5）预测分析用于描述行为随时间变化的对象的规律或趋势，并对其建模。所有用来进行分类及估计的技术都可以经过修正之后，通过已知变量数值的训练组数据来得到。其中历史性数据是一个很好的来源。历史性数据可以用来建立模型，以检查近年来观察值的变化，若运用最新数据作为输入值，可以获得未来变化的预测值。像“购物篮分析”就可以预测在超市中哪些商品总是会被同时购买。而经过修正后，也可以通过最新数据来预测未来的购买行为。3.4 数据挖掘方法3.4.1 关联规则所谓关联规则就是发现事物之间有意义的联系和规则，它属于描述型挖掘分析。关联规则是形如A=B的蕴涵式，A称为前提或左部(LHS ) , B称为后续或右部(RHS)。规则的一般形式为“If条件成立，then结论”。通过关联分析可以发现3种规则:有用的、价值不高的、费解的。价值不高的规则往往是一些众所周知的规则的重现。例如，随着天气逐渐炎热，饮料的消费量会逐渐增加。这样的规则已为人们所熟知，即使推断出来，也没有什么价值。费解的规则是数据中一些偶然的东西。比如，由于夏天的某一天夜晚停电，造成了大量的顾客涌入商场避暑。对于这样的事件，由于其出现的概率非常低，没有必要对其分析，也没有必要采取某种商业上的行动。只有事物之间潜在的经常发生的规则才是有用的规则。“潜在的”说明还没有被发现;“经常发生的”说明规则发生的概率较大，如果对其采取行动可能会产生较大的收益。3.4.2 聚类分析聚类就是将数据对象分组成为多个类或簇，在同一个簇中的对象具有较高的相似度，而不同的簇中的对象差别较大。聚类分析是一种重要的人类行为。一个人在小的时候，就可以通过不断改进下意识中的聚类模式来学会区分猫和狗。聚类分析已经广泛的应用在许多应用中，包括模式识别，数据分析，图像处理等。在商务上，聚类能够帮助市场分析人员从客户基本库中发现不同的客户群，并且用购买模式来刻画不同的客户群的特征。3.4.3 分类和回归分类要解决问题是为一个事件或对象归类。既可以分析己有的数据，也可以预测未来的数据。分类分析首先从完整的数据集合中划分出一部分数据作为训练集合，然后为这个训练集合中每一个记录分配一个标记，即对训练集合进行一次划分。接着，检查这些标定的记录，描述具有同类标记的记录子集的特征或者重要的相关因素。最后，将发现的重要因素运用到数据集合上的整体上，从而完成数据集合的分类工作。3.4.4 决策树决策树提供了一种展示在什么条件下会得到什么值这类规则的方法。它是利用信息论中的信息增益寻找数据集合中具有最大信息量的属性字段，从而建立决策树的第一个节点，然后再根据该属性字段的不同取值建立树的分支，这样最初的数据即被划分出两个数据子集。自上而下分别在两个数据子集上反复使用上面的方法建立其下层分支节点，直到数据集合不可在分。3.4.5 神经网络神经网络近来越来越受到人们的关注，因为它为解决大复杂度问题提供了一种相对来说比较有效的简单方法。神经网络可以很容易的解决具有上百个参数的问题。神经网络常用于两类问题:分类和回归。神经元的模型是人们参照人脑细胞的结构建立的。在结构上，可以把一个神经网络划分为输入层、输出层和隐含层。输入层的每个节点对应一个个的预测变量，输出层的节点对应目标变量。在输入层和输出层之间是隐含层，隐含层的层数和每层节点的个数决定了神经网络的复杂度。第4章 数据挖掘在客户关系管理中的应用数据挖掘是深层次客户关系管理的技术核心。本章首先评价数据挖掘在客户关系管理中的商业价值，再讨论数据挖掘在客户关系管理中的基本功能，最后说明在客户关系管理中实施数据挖掘要解决的几个问题。4.1数据挖掘在客户关系管理中的商业价值数据挖掘是整个客户关系管理中最重要的组成部分，是客户关系管理创造商业价值的关键。许多企业有数以百万计的历史数据，要经过传统的统计分析方法分析相当困难，容易错失企业应有的商机。数据挖掘则利用高级统计工具和人工智能技术，对数据库或其它电子文档提供的庞杂数据进行筛选、推导与模型构造等操作，充分了解客户购物信息，有效地和客户建立亲密关系，找出恰当的营销模式，正确掌握未来经营动态，有效地提供营销、销售和服务的决策支持，让企业得到充分的信息而展开行动。并于最恰当的时间、最恰当的地点，给最恰当的客户提供最恰当的一对一的产品和服务。有了数据挖掘，可以更深层次地了解客户，与客户深交，更有效地进行营销，从而为企业扩大原有商机。有了数据挖掘，可揭露隐含在数据与模式中的闪光点，从原始数据获取崭新知识，从而为企业创造新的商机。有了数据挖掘，可以更准确地预知未来客户、潜在客户，预知未来的需求和未来的经济状况，大幅提高目标市场营销的准确度，减少无目标的营销策略，从而较其他竞争者优先获得商机。总之，正是有了数据挖掘，使企业从大量数据中获得了深层的、隐含的、潜在的、未来的客户知识，为企业扩大原有商机、创造新的商机、优先获得商机提供非常有利的条件，进而为企业经营提供更有效的营销、销售和服务的决策支持，使数据挖掘成为客户关系管理中最重要的也是最关键的一个组成部分。有很多成功使用数据挖掘的案例，沃尔玛(Wal-Mart)使用数据挖掘技术，其数据库拥有7000兆字节的数据，主要是关于其销售、存货、运输中的商品、市场统计、顾客统计、财务、商品退货及供应商业绩等。挖掘这些数据主要用于开发沃尔玛3000多分销商店的“个性”，以便管理人员决定每个商店的商品结构，为沃尔玛创造了可观的商业价值。4.2 数据挖掘在客户关系管理中的基本功能在客户关系管理中，数据挖掘是从大量的客户数据中挖掘出隐含的、先前未知的、对企业决策有潜在价值的知识和规则。在客户关系管理中数据挖掘功能越来越丰富，但是最基本的数据挖掘功能是:4.2.1 挖掘客户特征数据挖掘的第一步就是挖出顾客的特征描述。企业在了解客户信息方面永不满足，他们不仅会想方设法了解顾客的地址、年龄、性别、收入、职业、教育程度等基本信息，对了解客户的婚姻、配偶、家庭状况、疾病、爱好等等也是不遗余力。也由于这个原因，在谈到客户关系管理时，个人隐私便成为一个敏感话题。4.2.2 挖掘“黄金客户”通过客户行为分析，归类出消费额最高、最为稳定的客户群，确定为“黄金客户”。针对不同的客户档次，确定相应的营销投入。对于“黄金客户”，往往还需要制定个性化营销策略，以求留住高利润客户。所以，不要期待在客户关系管理时代继续人人平等。当然，成功的客户关系管理不会让顾客感觉到歧视。4.2.3 挖掘客户关注点通过与客户接触，收集大量客户消费行为信息，通过分析，得出客户最关注的方面，从而有针对性地进行营销活动，把钱花在“点”上。同样的广告内容，根据客户不同的行为习惯，有的人会接到电话，有的人就可能收到信函;同一个企业，会给他们的客户发送不同的信息，而这些信息往往就是顾客感兴趣的方面。4.2.4 挖掘客户满意度和忠诚度通过数据挖掘对客户满意度、忠诚度的持久性、牢固性及稳定性进行分析。对于高满意度客户，要进一步建立信誉，对于不满意客户，要努力提供更多的面对面的关怀。对于高忠诚度客户，要注意保持其良好印象，对于低忠诚度客户，要么不要浪费钱财，要么就花大功夫把他们培养成忠诚客户。4.3客户关系管理中实施数据挖掘的步骤如果进一步将客户关系管理分析应用需求进行技术型整理，我们可以归纳出以下几类数据挖掘需求。数据描述和总结:对历史数据描述和总结，可以看清过去发生了什么。数据分类、市场分割:市场细分，提高可操作性和可管理性。预测:给出一个或一批预测输入，其结果会如何?数据相关性发现:一种行为的发生有很大可能触发另一种行为。数据依赖性分析:一种行为的发生以另一种行为为前提。下面让我们来看看企业进行数据挖掘时的基本步骤和方法。整个过程由3个步骤组成:数据准备、数据挖掘和评估与表示。如图4-1所示:图41 数据挖掘的基本步骤数据准备阶段是数据挖掘的第一个阶段，此阶段工作的好坏直接影响数据挖掘的效率和准确性。此阶段可分为:数据清理、数据集成、数据选择和数据变化。 数据清理所作的是消除原始数据中的噪音和不一致性数据。数据集成将多处据库中运行环境中的数据进行合并处理，解决语义模糊性，处理数据中的遗漏和洗清脏数据。数据选择就是从企业大量数据中检索与分析与任务相关的数据子集。这种对数据的精选工作，不仅能减少数据的处理量和提高效率，而且能使数据更加具有规律性。数据变换就是根据挖掘的需要，将数据变换或统一成适合挖掘的形式，如通过汇总或聚集操作等。 数据挖掘阶段是运用选定的数据挖掘方法，从数据中提取对用户有价值的信息。首先，决定如何产生假设，是用户对于数据库包含的知识提出假设，还是通过机器学习来发现设。前一种称为“验证驱动型数据挖掘”，后一种称为“发现驱动型数据挖掘”。在问题明确以后，就可以建立模型了。从上述的过程中可得到一系列的分析结果，模式和模型。会得到对目标问题的不同角度的描述，这就需要根据某种兴趣度度量，识别表示知识的真正有趣的模式。一种办法是直接使用原来建立的模型样本和数据样本进行检验;另一种办法是在实际运行的环境中提取新数据进行检验。最后利用可视化技术和知识表示技术，向用户提供挖掘的知识。这就是评估与表示阶段。第五章 某联通分公司CRM案例分析5.1公司基本经营情况该联通分公司员工总数约3000人，其中近50%为大学以上学历。目前主要经营的业务有:移动通信(包括GSM, CDMA)、国际国内长途通信、数据通信( ATM和IP )、无线寻呼、互联网与电子商务及各种电信增值业务。该分公司的移动电话网上用户达470万户、寻呼网上用户151万户，长途通信网、数据通信网、IP电话网及互联网已在全省各地开通并与全国连网，业务高速增长。目前，已基本形成130/131移动电话、 127/129/192/199无线寻呼、193长途电信P电话、165互联网等综合业务经营的新格局。其生产单元的部门主要是为客户提供各种产品或服务。其共享部门的职能主要是网络基础建设、技术支持、记录客户使用的服务以及按照收费规则进行计算客户应付的账单等。综合部门中的大客户发展中心的职能主要是针对大客户提供优良的、定制化的服务。用户在该公司任何一个营业厅登记入网后，就可以使用该公司提供的服务。客户还可以直接通过Internet在该公司的网上营业厅办理登记客户注册入网、变更业务信息、交费等业务。5.2 CRM系统的设计目标为了能够更好的向客户提供服务，提高客户的忠诚度，减少客户的流失，该公司提出了运用数据挖掘模型深化客户关系管理。给客户关系管理系统的具体目标是:（1）采用该公司的有关当前客户和已跳槽客户详细信息的一个小型数据集作为研究的样本数据集，进行客户群体分析，以便为有价值的客户提供个性化的定制服务;（2）利用数据挖掘的方法辨别出对公司不满意的顾客，与这些顾客进行沟通，并改善自己的服务，尽一切可能挽留住客户，避免客户尤其是大客户的流失;（3）能够尽可能的减少客户的恶意欠费，但同时又要避免与客户特别是那些大客户发生冲突，即要求在客户不流失的情况下，减少客户的恶意欠费。（4）分析导致客户跳槽的各种因素并理解其重要性，从而提高客户保持率。5.3 CRM系统功能分析该系统的功能结构如图51所示：图51客户关系管理功能图该公司客户服务中心、计费信息中心、财务部门和网管中心都有一套自己的信息系统，拥有众多的业务数据和分散的客户数据，但每个信息系统的数据库并不都兼容，这是历史原因造成的。该分公司虽然拥有大量的数据，但是很难跨部门去取数据，更谈不上去综合分析这些数据。为了更好地规范各种数据，减少冗余，该公司决定建立数据仓库，使这些数据面向主题，从而能够更好的去分析这些数据。在数据仓库的基础上，就可以更好地进行数据挖掘了。该系统在数据仓库的基础上，利用数据挖掘技术和该系统提供的模型库进行客户发展分析、效益分析、呼叫特征分析、营销管理分析以及网络优化。客户发展主要是对企业的客户群体进行划分，从不同的角度展现该公司提供服务的客户数量情况。分类可以按照客户的本身属性，如年龄、性别、受教育程度等进行划分，也可以按照客户的扩展属性进行划分，如客户的信用度、客户的价值、客户的流失率等等。还可以按照地理区域或业务分类进行划分。无论何种方式，都是为了反映客户对公司提供服务的满意程度。效益分析主要是通过不同的角度对企业的效益情况进行分析。可以按照客户情况、业务运营、地理区域等进行分析。呼叫特征分析是分析不同类型客户在呼叫上具有的特征。其特征包括:呼叫时间的长短、呼叫的类型、呼叫金额、呼叫的时间段、热点区域等。营销管理是对各个营业厅、分销商、代理商的经营状况进行分析。考察其业务流量、营销方式等。网络优化管理是分析如何优化网络的配置，如何更好的对网络进行管理。以上的功能划分是从企业的营运角度进行划分，基本上涵盖了该企业的内部数据要求。同时利用模型库还可以对客户的行为进行分析，分别是:客户群体分析、客户流失分析和客户欺诈分析。5.4 CRM系统的数据挖掘分析5.4.1 客户群体分析客户群体划分是了解和优化公司运营情况的基础，在对客户进行合理划分的基础上，可以针对不同客户群体采取不同的策略，对客户的消费行为进行合理的引导。客户群体划分可以采用聚类或者分类的挖掘方法。聚类方法是无指导的学习，即在不指定区分规则的基础上进行划分;分类方法是有指导的学习，在指定区分规则时，判断和预测客户可能会属于某个群体。由于该公司已经按照自身的需求指定了客户划分规则，所以使用了分类的方法。如下图52所示，通过预测发现在19%的中间客户群中近期可能成为大客户，为此可以采取一些优惠政策引导其成为该公司的大客户。图52 客户群分类5.4.2 客户流失分析由于通讯市场充满了竞争和变化，顾客在这种环境下转到竞争对手那里的可能性有增无减。客户流失对于电信公司来说是一个非常严重的问题。同时众所周知，挽留一个老客户比争取一个新客户的成本低得多。通过对客户的通话行为进行分析与数据挖掘，可以发现其中的“异常现象”。在客户流失之前，该公司提高服务质量，解决投诉问题、给予价格优惠等措施将客户挽留。如下图53通过模式分析发现黄金客户甲和黄金客户乙在近期的投诉次数迅速增长，而通话却次数迅速下降。黄金客户的流失，对于公司的损失是非常大的。应当特别给予关注。图53 客户流失分析5.4.3 客户欺作分析客户欺诈指的是客户不遵守与商家的有关协议，不履行应尽的义务，从而使商家遭受到一定的损失，让商家感到受了欺诈行为。客户欺诈行为是很常见的，带给企业的损失也是很大的。对于电信行业欠费现象较为突出，不仅使企业背上沉重的包袱，也使企业难以制订良好的营销策略。欺诈行为可分为:恶意性欺诈、报复性欺诈和非恶意性欺诈。欺诈分析主要依据客户的呼叫行为以及其他的相关因素。如图54所示，从数据上分