数据挖掘技术在客户关系治理中的应用

1、数据挖掘技术在客户关系治理中的应用 摘要 市场的猛烈竞争致使了面向市场营销和客户效劳的数据仓库的建设和数据挖掘技术的应用，本文在介绍了数据挖掘技术的基础上，重点论述了数据挖掘平台的成立，和基于那个平台展开数据挖掘的进程和数据挖掘的主题分析。 关键词 数据挖掘技术；客户关系治理（CRM）；数据仓库；数据挖掘主题一、引言随着运算机技术、网络技术、通信技术的进展和各行各业业务操作流程的自动化，企业内产生了以几十或上百 GB计的大量业务数据，这些数据和由此产生的信息是企业的财富，它如实地记录着企业运作的本质状况。可是面对如此海量的数据， 迫令人们不断寻觅新的工具，来对企业的运营规律进行探讨，为商业决策

2、提供有价值的知识，使企业取得利润。能知足企业这一迫切需求的强有力的工具确实是数据挖掘（ Data Mining ，DM）。二、数据挖掘技术概述数据挖掘是一种知识发觉的进程， 它要紧基于统计学、 人工智能、机械学习等技术，高度自动化地分析数据，做出归纳性的推理，从中挖掘出潜在的模式， 并对以后情形进行预测， 以辅助决策者评估风险，做出正确的决策。数据到知识的演化进程，如图 1。关于企业而言，数据挖掘有助于发觉业务的趋势，揭露已知的事实，预测未知的结果。从那个意义上讲，知识是力量，数据挖掘是财富。在实际应用中，数据挖掘要紧采纳以下几种方式进行模式的发觉。（1）相关分析和回归分析。 相关分析要紧分析

3、变量之间联系的紧密程度，而回归分析要紧基于观测数据成立变量之间适当的依托关系，相关分析是回归分析的基础。（2）时刻序列分析。 与相关分析类似， 目的也是为了挖掘出数据之间的联系，但时刻序列分析加倍偏重于数据在时刻前后上的因果关系。（3）分类分析。分类分析第一为每一个观测给予一个标记，然后检查这些被标记的观测，描述出这些观测的特点。这种描述能够是一个数学公式或模型，利用它能够分类新的观测。经常使用的几种典型的分类模型有线性回归模型、决策树模型、基于规那么模型和神经网络模型等。（4）聚类分析。与分类分析不同， 聚类分析的输入是一组未标定的记录，目的是依照必然的规那么，合理地划分记录集合。聚类分析和

4、分类分析是一组互逆的进程，因此在很多分类分析中适用的算法也一样适用于聚类分析。三、数据挖掘在CRM中的应用在客户关系治理（ Customers Relation Management, CRM ）中 , 数据挖掘的前提是必需成立企业级的客户信息数据仓库，能够把不同联机事务处置系统（ On-Line Transaction Processing, OLTP ）的客户数据聚集在一路，提供一个正确、完整和单一的客户数据环境。1. 数据仓库的成立数据仓库作为数据挖掘的基础， 不同于传统的联机事务处置系统，它具有面向主题的、集成的、不可更新和随时刻转变的特性，各个联机事务处置系统作为数据仓库的原始数据源

5、，以文件方式提供客户大体资料、客户清单、客户账单、客户联系历史记录等数据，数据仓库通过 ETL进程（抽取、转换和加载）处置这些接口文件，而且按不同的主题域组织、存储和治理这些客户数据，通过数据仓库接口，对数据仓库中的客户数据进行联机分析和数据挖掘。数据仓库的体系结构要紧由数据源、企业级数据仓库和决策支持 3 个部份组成。2. 数据挖掘的主题概念在成立完成企业级的客户信息数据仓库以后，能够基于那个数据仓库平台进行数据挖掘工作，应用到以客户为中心的企业决策分析和治理的各个不同领域和时期， 在客户关系治理 （CRM）中，它能够应用在以下几个方面。（1）客户群体分类分析。 最近几年来， 一对一营销正在

6、被众多的企业所青睐。一对一营销是指了解每一个客户，并同其成立起持久的关系。数据挖掘能够把大量的客户分成不同的类，在每一个类里的客户具有相似的属性，而不同类里的客户的属性也不同。通过数据挖掘能够了解不同客户的爱好，提供有针对性的产品和效劳，来提高不同类客户对企业和产品的中意度。（2）客户行为分析。 利用分类分析法和聚类分析法对客户通话行为进行分析，从而得出客户在消费适应、生活方式、社会联系等方面的特点。对客户行为分析的全然目的是为了按不同特点划分客户群，针对不同客户群的特点，企业能够进行不同的市场营销活动和客户效劳，在客户群划分中典型的应用确实是针对某一客户群的消费特点进行某种业务的营销。（3）

7、客户的取得与维持。 企业的增加和进展壮大需要不断维持老的客户，不断取得新的客户，新的客户包括以前没有听说过本企业产品的人，以前不需要本企业产品的人，和以前是本企业竞争对手的客户。不论企业希望取得的是哪类客户，数据挖掘都能帮忙企业识别出这些潜在的客户群， 并提高市场活动的响应率， 使企业做到心中有数，有的放矢。（ 4）优惠策略仿真预测。优惠是市场营销中十分重要的一部份，优惠策略不适当，常常会取得适得其反的市场成效，优惠策略仿真预测确实是通过已成立的客户行为模型仿真客户对优惠策略的反映，从而预测优惠策略实施的成效。通过对优惠策略的仿真，能够预测优惠策略的成功与否，从而进行相应的调整和优化。（5）客

8、户信誉分析。 客户忠诚度分析要紧通过对客户消费金额和账务支付的分析，成立客户价值模型，从而取得客户价值。客户是企业价值之所在，通过对客户忠诚度分析，有针对性地对高价值客户进行优质效劳，对有离开偏向的客户及时进行挽留活动，对提高企业市场占有率，降低营销本钱是十分有效的。（6）反讹诈分析。 目前，企业面临的一个最严峻的问题是欠费问题，其中专门大一部份是讹诈消费，因此反讹诈消费已经成为企业进展的关键。通过对客户数据的多维分析、聚类分析和孤立点分析能够成立客户讹诈消费模型，从而能够有效地对客户消费行为进行监控，对知足讹诈消费模型的消费行为进行告警。（7）竞争对手分析。成熟的市场必然是一个竞争比较充分的

9、市场，不同企业客户之间的互联互通是最大体的前提，因此通过对客户与竞争对手客户之间通话的行为分析，能够成立有关竞争对手经营和客户效劳的模型，比如竞争对手客户进展模型，通过对这些模型的利用，能够制定有效的市场应计谋略。（8）交叉销售（Cross-Selling）。此刻企业和客户之间的关系是常常变更的，一旦一个人或一个公司成为企业的客户，就要尽力使这种客户关系对企业趋于完善。一样来讲能够通过这 3 种方式： a. 最长时刻地维持这种关系； b. 最多次数地和客户交易； c. 最大数量地保证每次交易的利润，因此就需要对已有的客户进行交叉销售。交叉销售是指企业向原有客户销售新的产品或效劳的进程，交叉销售

10、是成立在共赢原那么的基础之上的，是对企业和客户都有益处的，客户因取得更多更好符合其需求的效劳而获益，企业也因销售增加而获益，对原有客户销售的挖掘，在很多情形下与对潜在客户的挖掘是类似的，关于一些情形乃至能够看成是第一次销售来对待，而交叉销售的益处在于，关于原有客户，企业能够比较容易地取得关于那个客户的比较丰硕的信息，大量的数据关于数据挖掘的准确性来讲是有专门大帮忙的，在大多数情形下所指的交叉销售是与第一次销售不同的，在企业所把握的客户信息，尤其是以前购买行为的信息中，可能正包括着那个客户决定下一个购买行为的关键因素乃至决定因素，那个时候数据挖掘的作用就会表现出来，它能够帮忙企业寻觅到这些阻碍其

11、购买行为的因素。3. 数据挖掘的进程在数据挖掘目标明确的前提下，能够基于已经建成的企业级客户信息数据仓库进行数据挖掘工作。 数据挖掘遵循以下步骤： 问题概念、数据预备、数据探讨、成立模型、模型查验、模型应用和投资回报分析。在问题概念以后，需要创建一个数据集市作为数据挖掘和分析的对象，一样抽取数据仓库中与问题相关的数据子集作为数据集市, 在创建集市进程中能够利用随机抽样、等距抽样、分层抽样和分类抽样等抽样技术来减少数据集市的数据量, 通过对数据的删选和对小概率事件的放大，使得数据集市中数据的特点和规律性加倍显著。在数据探讨进程中，通过量维分析和可视化展现探讨数据的特点，通过对数据进行增删操作或依

12、照现有变量从头组合生成一些新的变量来加倍有效地描述数据特点，其中，对数据统计特性的分析在数据探讨进程中起着十分重要的作用。成立数学模型是数据挖掘工作的核心环节，目前比较经常使用的建模方式有神经元网络模型、决策树模型和回归模型。数据挖掘中具体利用哪一种方式，取决于数据集市的特点和需要实现的目标，在实际应用中，往往是对多种建模方式的比较和综合。在建模进程中，把数据分层为训练数据和校验数据，训练数据要紧利用于建模进程中求解模型参数，而校验数据要紧用于模型查验。因此模型查验时期的要紧工作是把查验数据代入已经成立的模型中，观看模型的响应，通过比较模型的响应和真实的数据，从而评估模型的准确程度，若是模型的准确性比较差，就需要从头进行数据探讨、成立新的模型，直至新模型查验。因此，在实际应用中，数据探讨、成立模型、模型查验是反复迭代的进程，如图 2。数据挖掘的进程确实是一个不断探讨数据特点、 成立和查验模型、发觉客户消费行为特点的进程，企业只有把模型的结果应用到市场营销和客户效劳进程中，才能真正发挥数据挖掘的作用。四、结语在信息时期，要充分利用企业的信息资源，从以产品为中心的治