数据挖掘技术在CRM中的应用.docx

数据挖掘技术在中的应用摘要:本文阐述了CRM的内涵和外延及数据挖掘技术常用的算法和分析方法，并在此基础上重点分析了数据挖掘技术在CRM中的功能和应用。关键词：数据仓库；数据挖掘；知识发现；客户关系管理一、CRM的概念经过20多年的发展，市场经济的观念已深入人心，一些先进企业的经营理念正在经历着从以产品为中心向以客户为中心的转移。在这种背景下，企业有必要对客户的各种活动和信息进行集成，实现对客户的全面管理，这就是所谓的“客户关系管理”。客户关系管理(CRM)源于以客户为中心的商业模式，其通过对客户关系的有效管理，以鉴别、获得、保持为企业带来利润的客户，是一种新型的管理机制。到目前为止，CRM还没有统一的定义，最早提出CRM概念的Gartner Group认为，客户关系管理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。根据企业资源管理研究中心的定义,CRM是一种以客户为中心的经营策略，它以信息技术为手段对相关业务功能进行重新设计，并对相关工作流程进行重组，以达到留住老客户、吸引新客户、提高客户利润贡献度的目的。笔者认为，客户关系管理是现代企业管理的核心思想，它贯彻以客户为中心的经营理念，利用信息技术来充分把握和了解客户，在适当的时候，把适当的产品，通过适当的途径，提供给适当的客户。CRM为企业提供了一个收集、分析 和利用各种客户信息的系统，帮助企业充分利用其客户管理资源，也为企业在电子商务时代从容应对不同的客户提供了科学的手段和方法。二、数据挖掘技术1 数据挖掘常用的算法。决策树决策算法。决策树是一个类似于流程图的树结构，其中每个内部节点表示在一个属性上的测试，每个分枝代表一个测试输出，而每个树叶节点代表类或类分布。决策树算法包括树的构造和树的剪枝，有两种常用的剪枝方法：先剪枝和后剪枝。神经网络。神经网络是一组连接的输入/输出单元，其中每个连接都与一个权相连，在学习阶段，通过调整神经网络的权，使得能够预测输入样本的正确类标号来学习。遗传算法。遗传算法根据适者生存的原则，形成由当前群体中最适合的规则组成新的群体，以及这些规则的后代。遗传算法用于分类和其他优化问题。粗糙集方法。粗糙集方法基于给定训练数据内部的等价类的建立。它将知识理解为对数据的划分，每一被划分的集合称为概念，利用已知的知识库来处理或刻画不精确或不确定的知识。粗糙集用于特征归约和相关分析。模糊集方法。基于规则的分类系统有一个缺点：对于连续属性，他们有陡峭的截断。将模糊逻辑引入，允许定义“模糊”边界，提供了在高抽象层处理的便利。其它还有贝叶斯网络、可视化技术、临近搜索方法和公式发现等方法。2 数据挖掘常用的分析方法。分类和预测。分类和预测是两种数据分析形式，可以用于提取描述重要数据类的模型或预测未来的数据趋势。数据分类是一个两步过程，第一步，建立一个模型，描述预定的数据类集或概念集，通过分析有属性描述的数据库元组来构造模型。第二步，使用模型进行分类。首先评估模型的预测准确率，如果认为模型的准确率可以接受，就可以用来对类标号未知的数据远祖或对象进行分类。预测是构造和使用模型评估无标号样本类，或评估给定样本可能具有的属性值或值区间。分类和预测具有广泛的应用，如信誉证实、医疗诊断、性能预测和选择购物。分类和预测常用的算法包括决策树归纳、贝叶斯分类、贝叶斯网络、神经网络、K-最临近分类、遗传算法、粗糙集和模糊集技术。聚类分析。聚类是将数据对象分组成为多个类或簇,在同一个簇中的对象之间具有较高的相似度，而不同簇中的对象差别较大。作为统计学的一个分支，聚类分析已被广泛的研究了许多年，现在主要集中在基于距离的聚类分析，基于k-means(k-平均值)、k-medoids(k-中心点)和其他的一些聚类分析工具也有不少的应用。关联规则。关联规则挖掘给定数据集中项之间的有趣联系。设I=i1,i2,im是项的集合，任务相关的数据D是数据库事务的集合，其中每个事务T是项的集合，使得T包含于I。关联规则是形如A=B的蕴涵式，其中AI，BI,并且AB为空。关联规则的挖掘分成两步：找出所有频繁项集，这些项集出现的频繁性至少和预定义的最小支持计数一样。由频繁项集产生强关联规则，这些规则必须满足最小支持度和最小置信度。序列模式。序列模式分析和关联规则分析类似，也是为了挖掘数据项之间的联系，不过序列模式分析的是数据项在时间维上的先后序列关系，如一个顾客在购买了计算机半年后可能再购买财务分析软件。孤立点分析。孤立点是度量错误或固有的数据变异性的结果。许多数据挖掘算法都试图使孤立点的影响最小，或排除它们。一个人的噪声可能是另一个人的信号，在有些时候，孤立点是非常有用的。孤立点挖掘可以描述给定一个n个数据点或对象的集合，以及预期的孤立点的数目k,发现与剩余的数据相比是显着相异的或不一致的头k个对象。孤立点探测方法可分为三类：统计学方法，基于距离的方法和基于偏移的方法。三、数据挖掘在客户关系管理中的应用1 客户细分。客户细分是指将一个大的客户群体划分为多个较小的客户群体，在每个划分后的客户群体中，客户在某个或几个属性值上具有高度的相似性，而在不同的群体之间客户则差别较大。对一个商业银行来说，如果问“谁是企业客户？谁是私人客户？”应该是一个容易回答的问题，但根据消费行为，“客户可以分为哪几个群体？”却不是容易回答的问题。事实上，每个客户都有一系列的相关属性，而对一些企业来说重要的分类需综合一系列属性而非单个属性来评判。数据挖掘中的聚类方法，能够帮助企业按照客户的类别、行业、区域、职业、收入等企业感兴趣的各种条件细分市场。客户细分是企业确定产品和服务的基础，也是建立一对一营销的基础。2000年荷兰银行将客户细分为顶级、重要、核心和大众四类客户群，提供有针对性的差别服务，营业收入增长了一倍以上。2 客户获得。获取客户的传统方式一般是通过各种媒体广告、散发传单等吸引新客户，但是这种方式有着严重的缺陷，如不能做到有的放矢,造成资源浪费，预期效果不理想等.数据挖掘中的分类、聚类技术可以帮助企业分析现有客户来自哪里，他们有什么共同特征，然后建立响应模型，估算客户对一个产品与服务的响应概率，挖掘潜在客户。Eddie Bauer 公司使用SAS公司提供的数据挖掘工具，通过预期建模来决定哪些客户会购买相关产品，并向那些客户发送邮件和产品目录，收到了良好的效果。3 分析客户行为，进行交叉销售。交叉销售是指企业向原有的客户销售新的产品或服务，它是购物篮分析中的一个典型例子。在很多情况下，企业需要了解顾客的购物习惯，如“顾客在一次购物时会同时购买什么样的商品组合？”，以便进行市场规划、广告策划和分类设计。如果顾客购买计算机也倾向于同时购买财务管理软件，那么将硬件摆放得离软件近一点，可能有助于增加二者的销售。数据挖掘中的关联规则挖掘可以帮助发现大量数据中项集之间的这种有趣的关联或联系，4 分析客户忠诚度，避免客户流失。研究表明：获得一个新客户是留住一个老客户的成本的58倍；对客户保留率提高5%，利润会提高85%；推销产品或服务给一位新客户和一位老客户的成交机会分别为15%和50%；如补救得当，70%的不满意的客户会继续购买企业的产品或服务；着名的网上书店获得了极大的成功，主要的原因是提升了客户忠诚度，来自160个国家的800万的客户当中，有65%的客户是以前的老客户。因此现代企业要通过客户关系管理提高现有的和潜在客户的忠诚度，避免客户流失。数据挖掘技术通过流失建模帮助企业分析客户忠诚度，了解哪些客户流失了，他们的共同特征是什么，什么时候流失的，流失的原因是什么，这种对客户保持和流失的分析可以帮助企业制定有效措施，提高客户忠诚度。5 客户盈利能力分析与预测。根据20/80规则，20%的客户通常会带来80%的利润，因此企业需要了解哪些客户是给企业带来利润的客户，哪些客户会给企业带来损失，从而将资源更多的分配给为公司贡献利润的客户，减少在不为公司贡献利润的客户身上所花的费用，杜绝风险极高的客户。利用数据挖掘中的分类与预测技术建立生命周期价值模型可以预测客户在预定时间长度内的总体利润。如电信公司可以预测一个新客户的利润贡献度，并据此制定相应的营销策略。6 客户满意度分析。通过自定义的定量的度量标准和公式，并根据时间和其他参数，利用数据挖掘技术和企业的数据仓库中关于客户购买、维修、反馈意见、建议、投诉等信息，可对客户的满意度进行分析，找出客户不满意的原因并制定相应的策略，提高客户忠诚度，增加企业的利润。7 异常监测。利用数据挖掘技术中的孤立点分析可以发现异常数据，这些异常数据对分析客户的信用度是非常有用的，如在金融业利用孤立点分析可以发现信用卡恶意透支、洗黑钱等，在零售业可以分析客户欺诈、销售异常等。参考文献：1Jiawei Han，Micheline Kamber着范明，孟小峰等译数据挖掘概念与技术机械工业出版社，20022Olivia Parr Rud着朱扬勇，左子叶，张忠平等译数据挖掘实践机械工业出版社，20033杨德宏，李玲编着客户关系管理成功案例机械工业出版社，2002