商业数据挖掘的13种应用场景，你了解多少？

数据挖掘涉及到公司运营的方方面面，这包括 对企业部门经营情况的评估、内部员工的管理、生产流程的监管、产品结构优化与新产品开发、财务成本优化、市场结构的分析和客户关系的管理。其中，关于客户与市场的数据分析是“重头戏”。
下面以客户全生命周期管理为例介绍数据分析运用场景和挖掘主题，如下图所示：

1 发掘潜在客户（市场细分） 关于这个主题的分析，更多的是基于地区、性别和年龄段等粗粒度的指标，结合产品设计定位和目标客户群体进行匹配。比如，高档母婴产品的潜在客户应该是新建高档小区中的住户。这类分析是运用最早的，在广告投放、新店寻址等场景下大量使用。 2 客户获取 当客户初次了解我们的产品和服务后，有可能会犹豫不决，拖延很久才可能真正成为我们的客户，而大部分客户在这期间会由于兴趣逐渐减退而最终流失。比如，信用卡新客户在填好个人信息，并收到信用卡后却迟迟没有开卡。这时就可以运用数据挖掘技术，对营销人员得到的客户基本信息进行一个初步筛选，找出购买倾向性较高的客户进行深度跟踪营销。这么做既减少了人工成本，又降低了打扰客户的次数，从而减少了投诉。同时在与潜在客户的交流中，也会为其制定更个性化的产品或服务组合。
 3 初始信用评分 当客户最终购买我们的产品时，在涉及赊销情况的时候，就会用到初始信用评分技术。这是根据客户的性别、年龄以及居住场所等基本信息对客户的信用进行预判。这类情况不只在银行信贷中会遇到，在很多企业中都会遇到。企业的应收账款就是一种自然的商业信用，建立好优秀的初始信用评分体系，可以使企业在不增大财务风险的情况下快速开拓市场。 比如，IBM全球融资部（IGF）是一个为赊购买入IBM产品的小公司提供金融服务的部门，其在上世纪80年代开发的客户信用评分模型对开拓全球市场功不可没。现在这个技术也成为了提高客户满意度的一种方式。比如，中国移动的先付费客户的欠费额度和京东的“打白条”服务。
 4 客户价值预测 为了更好地为客户提供服务的同时增加企业利润，需要根据客户的基本信息进行其价值预测。其中价值既包括以消费水平为代表的直接价值，也包括客户口碑宣传的间接价值。
 5 客户细分（市场细分） 根据客户的基本信息，从人口学、工业统计信息、社会状态、产品使用行为等方面对客户进行细致的描述。这对分析客户类型结构、修正产品定位、满足细分群体需求开发新产品、提高客户满意度和分析客户需求变化趋势都是有意义的。
 6 交叉销售 分析产品之间的关联关系，发现产品销售中预期不到的模式。 比如，“啤酒与尿布”的故事就是从客户在超市中的购物记录中获取的。这种技术目前被广泛运用在零售业、银行、保险等领域，大家对京东商场的推荐产品和淘宝的“猜你喜欢”两个模块应该有深刻的印象吧，这两个模块都是这个主题的运用。
 7 产品精准营销 这是客户价值提升的重要方面，目的在于扩大客户消费的范围。比如，公司开发了一款新产品，希望快速找到目标客户。这就可以通过分析现有客户的属性和产品消费行为，确定响应可能性最大的群体进行营销。
 8 行为信用评分 和初始信用评分的目的是一样的，这里分析的变量加入了客户产品消费行为的信息，这使得对客户信用的评估更为准确。比如，美国AT&T电信公司，其客户信用风险评级精确度明显高于一般的信用卡公司，这就是因为掌握了客户更多的通话、差旅等行为信息。
 9 欺诈侦测 也称为异常侦测，是对客户（包括内部员工）涉及洗钱、套现、盗用等异常行为进行的侦测，满足风险监管的需求。
 10 客户保留 有可能随着时间的变化，客户需求产生变化，如果不及时发现这种变化趋势，就会造成客户流失。客户保留的目的在于，及时发现客户在购买产品方面的行为变化和满意度情况，从而及时更换产品组合。比如，电信运营商发现客户的通话特征，从短途居多变为长途居多，而且从客户流失的模型中发现，有这种情况的客户流失的可能性很高。这主要是由于客户不了解电信运营商的套餐类型，只是听说其他运营商的长途套餐更便宜造成的。那么客服人员就需要了解这类客户的需求，从而提供更合理的套餐类型。
 11 客户关系网 客户的亲友圈、工作圈和兴趣圈的信息对客户管理、营销和产品开发有重要的意义。 比如，可以很好地定位客户所处的自然生命周期。如果是婚恋中的人，可以推荐与其品位相似的产品信息。而且通过对客户关系网络结构的分析，可以明确网络中的重要节点，这对关键人营销有重大意义。
 12 流失客户时间判断通过对已经流失客户的存续时间进行分析，一方面可以预判现有客户流失的高危期，另一方面为提高不同类型客户的存续时间提供技术支持。 13 流失客户类型判断 对流失客户的细分可以对改进产品和服务起到重要的指导作用。
从上文的内容可以发现， 数据挖掘主题可以归纳为营销、信用与违规识别。其中特别要提到的是，信用风险建模用到了数据挖掘中所有的方法，该模型是数据挖掘中的明珠，是目前方法论最完善的，其它主题建模往往只是该模型的简化版，掌握信用风险建模的流程才有可能站在巨人的肩膀上。 另一方面， 信用风险管理不限于金融机构，只要涉及到交易行为就存在信用风险。高水平的信用风险管理可以刺激消费额并提高客户满意度，进而提高忠诚度。可以说学好信用风险建模，在商业数据挖掘领域中无往而不破。

∞∞∞∞∞

IT派 - {技术青年圈} 持续关注互联网、区块链、人工智能领域

公众号回复“IT派”，

邀你加入IT派 { 技术交流群 }