CRM中的预测技术与预测场合的分类

§5.1  客户关系管理 CRM(customer relationship management) <?xml:namespace prefix = o ns = "urn:schemas-microsoft-com:office:office" />

客户关系管理可以定义为预测客户的行为，并采取对策对之产生影响以获利的过程（ Jenkins ， 1999 ） ，通常借助于信息技术和与数据库相关的工具 ^[30] 。与能带来利润的客户建立持久的合作关系是客户关系管理的核心,持久的关系是指长时间的维系，定期以接触的方式联络，并不断的了解客户需求上所作的改变。而了解客户的价值以及他们的利润贡献度是客户关系管理成功的关键。

它具有下列几个特色：

（ 1 ）企业的活动都是以客户为中心，并非以各部门的目标或需求为中心来设计。

（ 2 ）重视客户终身价值的积累，强调客户长时间多次的购买行为能为企业带来长期的获利。

（ 3 ）不把客户归类为某一群体，针对每个客户不同的特性，为客户量身订做个人化的服务。

（ 4 ）通过积累客户相关的信息，利用客户的数据做智能型的分析，使得企业能更了解客户，为客户提供优质化的服务。

（ 5 ）巩固原有客户，吸引新客户加入以提高客户对利润的贡献度。

（ 6 ）适合应用在具有大量客户群，需要与客户积极互动的企业。

而 CRM 举措的目的是为了达到几个目标。

一是利用分散的企业数据库中“隐藏”的数据来进一步贴近客户。通过检查和分析数据，可以将原始数据变为宝贵的客户需求信息，从而预测客户需求，企业就可以在合适的时间和地点，通过合适的销售渠道，将合适的商品卖给合适的客户。同时客户满意度也通过更有效的营销得到了提高。

二是将企业改造成以客户为本的机构，更重视客户盈利率而不是生产线盈利率。从CRM中获得的分析能帮助企业计算或估算单个客户的盈利率，从而把客户区分开来。企业可以根据这些分析建立客户流失预测模型，识别客户的不满和流失，从而留住最好的客户，而将那些盈利较少的客户转向成本较低的销售渠道。

三是增加交叉销售的可能性。根据企业所掌握的客户信息，尤其是以前购买行为和习惯的信息，找到影响客户购买行为的因素，对不同销售方式的个体行为进行建模，然后用建立的预测模型对客户将来的消费行为进行预测，再采取不同的销售方式，有针对性的向客户销售新的产品或者服务，增加交叉销售的可能性，以提高销售利润和客户忠诚度。

四是更好的领导管理。 CRM 为企业提供了统一的业务平台，并且通过自动化的工作流程将企业的各种业务活动紧密的结合起来，将个人的工作纳入到规范的业务流程中，同时将发生的各种业务信息存储在统一的数据库中，可以避免重复工作以及人员流动造成的损失，这样使得企业的管理更加规范。

五、更快的对客户做出反应。企业组织通过现代技术手段，从客户那里收集重要的信息，通过客户反馈衡量企业承诺目标实现的程度、及时发现在为客户服务过程中的问题。对客户的意见快速做出反应，正确处理客户的意见和投诉，从而消除客户的不满，维护客户利益，赢得客户的信任。

六、增加客户忠诚度。通过向企业的销售、市场和服务等部门和人员提供全面、个性化的客户资料，并强化跟踪服务、信息分析能力，从而使企业得以提供更快捷和周到的优质服务、提高客户满意度、吸引和保持更多的客户，以便改进对客户的服务水平，提高客户的忠诚度，并因此为企业带来更多的利润。

 

§5.2  CRM 中涉及的问题

现在，大家已经逐渐认识到，有效的客户关系管理必须建立在对客户需求和喜好的真正理解上。真正的客户关系管理应该是结合知识发现过程、管理以及知识的使用，用于市场策略，这将帮助市场管理者在对其客户了解而不是客户特征的概括的基础上确定客户需要。而数据挖掘工具正可以帮助发现隐藏的知识并更好地了解客户，使用数据挖掘技术不仅可以协助预测客户的需求，而且可以预测未来的潜在客户或市场态势。

按照功能分类方法， CRM 应用系统可以分为操作型（ Operational ）、分析型（ Analytical ）、协作型（ Collaborative ）三类。其中分析型CRM应用是最具前景的一种应用，也是CRM能否使企业长期受益的关键应用。数据仓库和数据挖掘技术则是分析型CRM应用的核心技术^[13]。现在，数据挖掘已经能够帮助解决许多典型的商业问题，也被广泛地用于商业研究和预测过程中。

具体来说，利用数据挖掘辅助企业的 CRM 运作，有助于解决以下问题：

1 、客户盈利能力分析和预测（客户利润回报预测）

客户赢利能力的分析和预测是市场营销成功的关键，如果不能对客户赢利能力进行评价就无法使客户赢利能力最大化。数据挖掘技术可以从客户的交易记录中发现一些有用的行为模式，并用这些行为模式来分析客户赢利能力的高低和预测客户未来最可能的行为模式。通过对客户的行为特征和交易历史数据的挖掘工作，可以使销售人员知道客户赢利能力的大小，进而在市场营销过程中采用不同的优惠政策，保留住那些有价值的顾客，促使那些价值不大的客户转变成有价值的客户。

2 、客户细分（客户群体分类分析）

利用数据挖掘技术能够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客户群的特征达到细分客户群的目的。它是对 客户数据库中收集、加工和存储的大量客户消费信息进行分析和处理，以确定特定消费群体或个体的兴趣、消费习惯、消费倾向和消费需求，从而推断出相应消费群体或个体下一步的消费行为，把大量的客户分成不同的类，每一类别的客户具有相似的属性，而不同类别客户的属性也不同。进而在营销中提供有针对性的产品和服务,提高不同类别客户对企业和产品的满意度,以获取最大的利润。通过满足客户的个性化需求来建立顾客的忠诚、提高客户的赢利能力和企业的竞争力。

3、 客户获取（赢得新客户）

企业的发展和壮大需要不断获得新的客户，维持老的客户。数据挖掘技术可以用来揭示客户的行为习惯和预测发现一些在不同情况下有相似行为的新客户，帮助企业识别出这些潜在的客户群，并提高市场活动的响应率，使营销过程做到心中有数，有的放矢，同时数据挖掘技术还可以帮助营销人员完成对潜在客户的发现和筛选工作，把潜在的客户名单和这些客户感兴趣的营销、促销措施系统地结合起来，为每一个客户提供个性化的服务，以不断地获取新客户。

4、 客户保持（客户保留和流失分析）

在竞争日益紧张和激烈的市场环境下，获取一个新客户的费用将越来越大，因此保持原有客户的工作变得非常重要，因为客户的流失将导致市场份额的损失和商务活动的永久失败。数据挖掘技术可以对客户数据库中的大量数据进行分析和处理，以识别、分析和评价客户流失风险，通过评价客户流失风险的严重性、发生的可能性和控制风险的成本，汇总对多种风险的评价结果，采取针对性的措施做好那些流失率高的客户的服务工作，保留住客户，防止因客户的流失而引发的营销危机。

5、 交叉销售（连带或增值销售）

交叉销售是企业向现有客户提供新的产品和服务的营销过程。应用数据挖掘技术发现现有客户所需要的新的产品和服务，并通过提供这类产品与服务使企业与客户之间的商业关系成为一种持续的、不断发展的关系，从而使客户得到更多更好更贴切的服务，企业也获得更多的利润。同时数据挖掘可以帮助企业寻找影响客户购买行为的因素，帮助营销人员得出最优的合理的销售匹配方式，进而提高交叉销售的效果。

6、 客户行为分析

    客户行为分析可以划分为两个方面：整体行为分析和群体行为分析。整体行为分析用来发现企业所有客户的行为规律；根据客户行为的不同将他们划分为不同的群体，每个群体有明显的行为特征, 就可以分析群体客户的行为规律。基于这些理解和分析，市场专家就可以制定相应的市场策略，同时还可以针对不同客户组进行交叉分析,帮助企业发现客户群体间的变化规律。这些分析可以帮助企业准确地制定市场策略,获得更多的利润。

7、 客户欺诈风险分析（客户信用分析）

在客户关系管理中，客户的信用分析和诈骗识别是非常重要的，因为一旦发生信用风险和欺诈行为，企业将面临管理活动的失败、市场份额的丧失和营销活动的失败，导致企业失去市场、顾客、竞争力和信誉。如何准确、及时、有效地预测到企业可能发生的欺诈风险是非常有意义的，数据挖掘技术能够很好地解决此问题，它可以分析和评价欺诈风险的严重性和发生的可能性，准确、及时地对各种欺诈风险进行监视、评价、预警和管理，进而采取有效的规避和监督措施，在欺诈风险发生之前对其进行预警和控制。分析客户信用，对商家也很有意义。利用数据挖掘从大量历史数据中分析出具体客户的信用等级，对不同信用级别的客户，可以采取不同的赊销方案。

8、 客户背景分析

数据挖掘可以从大量表面无关的客户信息中发现许多对商家有用的信息，从而了解客户的背景资料，有助于企业对客户的分析，更好地制定客户策略。

9、 客户满意度分析

分析客户对企业产品和服务的满意度，可以帮助企业改进客户营销策略，从而增加客户的忠诚度。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。

 

§5.3  CRM 中的预测方法及任务 ^{[8][12][13][16][17][18][19][20][21][31]}

常用于 CRM 的预测模型有： 关联规则 、决策树、 遗传算法、 神经网络、聚类和最近邻技术及规则推理 等。其预测任务主要有： 关联分析、分类预测、聚类分析、 偏差检测 、模式分析等。下面就分别列举这些方法及任务在 CRM 中的应用。

1 、决策树

决策树可以在客户行为预测中预测：客户获利能力预测、再购买可能性预测、连带销售可能性预测、流失可能性预测等。

2 、神经网络

神经网络能被用来改善和提高各种数据挖掘任务的有效性，如：通过由认识模型和群集技术发现的信息进行市场细分、进行客户概况描述、销售渠道/活动有效性分析等；还可以根据客户的消费行为与交易记录，对客户忠诚度进行得分排序，从而根据不同的流失率等级配合不同的经营管理对策[]；还可以对客户行为进行分析和预测，相对于决策树的定性分析预测方法，神经网络可以达到定量阶段。

神经网络可以通过学习来做更精确的预测，在解决实际问题中，有：客户反应预测、客户行为分析和预测、欺诈预测、信用风险预测、货款拖欠(个人破产)及客户流失预测等。

3 、遗传算法

遗传算法在商业上的应用： 1 、 优化 2 、预测 ，可用于优化神经网络的权值，或在购物篮分析时发现优化的联想规律 3 、模拟。

它可以用来进行最佳客户类型的预测。

4 、规则推理

用于客户行为分析的规则主要有以下三种:

① 连带相关规则.以此可以来预测客户的消费模式。

② 顺序相关规则.由此可以掌握客户购买行为的时间相关性。

③ 分类相关规则.这种规则与聚类相似。

它可以预测客户的消费模式。

5 、可视化

可视化被用来分析客户的行为以及确定影响这种行为的因素，这可以使使用者对在不同商店的行为有一个比较基准而且相互适应。购物蓝分析技术使用可视化来确定常被一起购买的产品。

6 、关联分析

在客户关系管理中，通过对企业的客户数据库里的大量数据进行挖掘，可以从大量的记录中发现有趣的关联关系，找出影响市场营销效果的关键因素，为产品定位、定价与定制客户群，客户寻求、细分与保持，市场营销、推销及交叉营销，营销奉献评估和诈骗预测等决策支持提供参考依据。关联规则挖掘算法可以用来分析客户的投资组合趋势，确定人们经常在一起购买的服务关联，可以帮助了解客户的购买习惯和偏好，以及客户对产品的消费模式，从而有效地决定产品组合、产品摆放和产品的捆绑销售策略等。

7 、分类预测

分类预测的目的是通过分类模型，将数据库中的数据项影射到某个给定的类别。它可以应用到客户细分、客户的属性和特征分析、客户盈利能力分析、客户满意度分析、客户的购买趋势预测等；分类还可用于预测哪些人会对邮寄广告和广告目录、赠券等促销手段有反应，也可用于顾客定级、破产预测等。

分类和预测是 CRM 中数据分析的两种重要形式，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。

主要方法包括：决策树 / 判定树，贝叶斯法， BP 神经网络算法，遗传算法，粗糙集，模糊集，最近邻技术等。 一般一个模型既可用于回归，也可用于分类，如决策树和神经网络。 决策树在分类之后可以知道每个类的流失原因和预测。

8 、聚类分析

聚类分析属于无指导学习，在 CRM 中有广泛的应用。它可以用作独立的数据挖掘工具来获得对数据分布的了解，也可以作为其他数据挖掘算法的预处理步骤，还可用于奇异点分析。具体的，可以应用到客户背景分析、客户效益分类分析和预测、市场的细分及客户的细分等，也 可用于个人破产预测 。聚类用于市场细分，可以将顾客按其行为或特征模式的相似性划分为若干细分市场，以采取有针对性的营销策略。

9 、偏差检测 (deviation detection )

数据库中的数据常有一些异常记录，从数据库中检测这些偏差很有意义。偏差包括很多潜在的知识，如分类中的反常实例、不满足规则的特例、观测结果与模型预测值的偏差、量值随时间的变化等。偏差检测的基本方法是寻找观测结果与参照值之间有意义的差别，它可以在数据挖掘流程中用于数据净化，把可能对整体挖掘结果产生影响的干扰数据清除出去。

其主要方法有： 基于统计 (statistical-based) 的方法；基于距离 (distance-base d) 的方法；基于偏差( deviation-based ) 的方法；基于密度 (density-based ) 的方法；高维数据的异常探测。

实现偏差检测常用规则推理和神经网络技术。

偏差检测可应用于：电信和信用卡欺骗；贷款审批；金融领域；客户分类；网络***检测等。

10 、模式分析

主要有关联及序列模式挖掘算法。

关联模式分析，即利用关联规则进行数据挖掘。关联分析的目的是挖掘隐藏在数据间的相互关系。 序列模式分析也是试图找出数据之间的联系，但它的侧重点在于分析数据之间前后（因果）关系，因此对数据往往要求引入时间属性。序列模式分析非常适于寻找事物的发生趋势或重复性模式。

可用于预测潜在的黄金客户，还可以用 模式分析预测哪些人可能成为其客户,以帮助市场销售人员找到正确的行销对象。

11 、自动预测趋势和行为

数据挖掘自动在大型数据库中寻找预测性信息，一个典型的例子是市场预测问题，数据挖掘使用过去有关促销得数据来寻求未来投资中回报最大的用户，其他可预测的问题包括：预报破产以及认定对指定事件最可能做出反应的群体。

 

§5.4  CRM 中的预测应用场合 ^{[9][19][32][33][34][35]}

CRM 中应用的分析和预测领域主要有客户 盈利能力分析和 预测、客户细分、客户获取、客户保持及交叉销售五个方面，其他还有客户行为分析、客户欺诈风险分析、销售预测等。

下面是这些领域中预测的具体应用。

1 、客户盈利能力分析和预测

通过对客户的行为特征和交易历史数据的挖掘工作，①可以使销售人员知道客户盈利能力的大小，进而在市场营销过程中保留住那些有价值的顾客，促使那些价值不大的客户转变成有价值的客户； ② 还可以分析和预测不同市场活动情况下客户盈利能力的变化，帮助企业制定适合的市场策略；③或者预测客户生命周期的价值，并进一步预测出潜在价值和潜在生命期价值；④进行再购买可能性的预测；⑤对客户及产品的趋势预测，这需要收集实时的销售数据。

2 、客户细分

进行客户细分，①可以找出对企业的产品或服务感兴趣的顾客；②还可以用模式分析分析预测潜在的黄金顾客；③认定最佳客户的类型（即投资回报最大的用户）；④找出对指定事件最可能做出反应的群体；⑤还可以以客户的历史为依据，把他们按购买能力进行分类。

3 、客户获取

数据挖掘软件将依据所选择的反应模式的类型预测一些指标变量。通过这些指标变量，就可以找出那些对企业所提供的服务感兴趣的客户，进而达到获取客户的目的。

①利用数据挖掘技术可以在 CRM 中揭示客户的行为习惯和预测发现一些在不同情况下有相似行为的新客户，帮助企业识别潜在的客户群，并提高市场活动的响应率。②还可以帮助营销人员完成对潜在客户的发现和筛选工作，把潜在的客户名单和这些客户感兴趣的营销、促销措施系统的结合起来，为每一个客户提供个性化的服务，以不断的获取新客户；③帮助销售人员预测客户对他们销售努力的反应，以提高销售成功率。

4 、客户保持

决策树技术能够较好的应用于这一方面。通过各种决策树算法（如 CART ， CHAID ， C4.5 等）在挖掘特定数据的基础上给出预测模型，由此按计算出的预测流失率细分客户群体，并对症下药。尽管决策树和生成树的算法可能很复杂，但结果表示方式却很好理解，对商业用户来说是很有用的。

可以预测“跳线”，知道谁可能跳线到竞争对手那里去。

5 、交叉销售

①使用预测技术可以帮助销售人员进行交叉销售分析，得出最优的合理的销售匹配方式；②可以通过预测客户潜在的生命周期，加强销售，进一步进行交叉销售，并进行产品更新；③还可以进行连带销售可能性的预测；④利用序列分析预测顾客在购买甲产品后多久会购买乙产品。

6 、客户行为分析

利用预测技术，可以：①预测客户未来的行为和客户对新的产品或服务的反应；②预测客户未来最有可能的行为模式与商品结构；③预测客户行为模式的变化；④利用序列模分析预测购买产品与服务类别的概率；⑤客户购买趋势的预测；⑥预测市场变化与不同行销活动的作用；⑦用最近邻方法进行消费者偏好预测；⑧利用分类预测客户对各种促销手段的反应；⑨商业分析预测通过深度分析来更好的理解客户的行为模式和生命周期，并预测客户的未来需求。

7 、客户欺诈风险分析

风险评估与欺诈行为几乎在每个行业中都会遇到，尤其是在客户关系管理中。

①可以利用意外规则的挖掘方法、神经网络方法和聚类方法，对客户数据仓库中的数据进行分析和处理， 根据历史统计数据评定造成风险客户的特征和背景，预防有可能造成风险的客户 ；②分析客户信用对商家也很有意义。可以从大量历史数据中分析出具体客户的信用等级，然后对不同信用级别的客户，采取不同的赊销方案；③还可以利用分类和神经网络对企业进行破产预测；④ 用孤立点分析和聚类分析，侦察异常的信用卡使用情况，确定极端客户的消费行为， 在商业银行进行信用卡的恶意透支预测；⑤金融机构 通过建立信用欺诈模型，可以发现具有潜在欺诈性的事件，开展欺诈侦察和其他金融犯罪的行为分析， 进行信贷风险预测， 预防和控制资金非法流失 。

8 、销售预测

    ①可以根据目前的客户预测未来的销售，进行市场营销管理；②为市场推销部门预测市场推销活动所需的成本，并提供预测模型；③市场活动管理中，预测市场活动的可能费用、获得的收入，并给出可使用的预算；④在各种销售机会的基础上，对今后的销售收入或产品需求作出预测，以便为物料库存、资金周转等后台功能提供参考预测产品的需求情况；⑤对购买业务的成功率进行预测，并根据预测的成功几率对可能的销售收入、利润及利润率进行预估。

 

§5.5  从行业角度分析预测技术在 CRM 中的应用 ^[9][19][36]

CRM 中数据挖掘的深度和广度针对行业的不同而有所不同，特别是针对与客户交流频繁、客户支持要求高的行业，如银行、证券、保险、电信、税务、零售、旅游、航空、医疗保健等，预测在这些领域也得到了不同程度的应用。

1 、零售业 CRM 中的预测。零售数据挖掘可有助于识别客户购买行为，预测客户购买模式和趋势，改进服务质量，取得更好的客户保持力和满意度，提高货品销量比率，设计更好的货品运输与分销策略，减少商业成本。

例如：①使用多维分析和关联分析进行促销活动的有效性分析；②序列模式挖掘可用于客户忠诚度分析；③利用关联分析挖掘关联信息进行购买推荐和商品参照；④规则导引和可视化结合可以预测客户对促销的反应；⑤用遗传算法了解客户的反应以促销；⑥划分客户群体；⑦预测销售额，决定库存量，批发点分布的规划、高度；⑧有时也可以用来侦察收银员诈骗的行为。

2 、电信业 CRM 中的预测。利用数据挖掘可帮助理解商业行为、确定电信模式、捕捉盗用行为，更好的利用资源和提高服务质量。

例如：①通过多维分析、聚类分析和孤立点分析进行盗用模式分析和异常模式识别；②通过多维关联和序列模式分析进行电信服务组合和个性化服务；③利用规则导引和神经网络可以预测网络行为；④对通信网络的报警信息序列的分析、过滤来预测网络故障电信数据分析中可视化工具的使用；⑤通过客户信息库的建立、整合，对其进行深度挖掘，发现不同的客户群、客户信用度等，并针对不同客户群进行精确市场营销、销售；⑥通过客户行为分析与预测，进行欺诈行为的侦测与防范 ^[37] 。

3 、金融业 CRM 中的预测。

可以：①进行金融机构信贷风险的预测；②特征选择和属性相关性计算有助于客户信用政策分析；③分类和聚类的方法可用于客户群体的识别和目标市场的分析；④利用规则导引预测银行贷款坏帐、信用评价、证券管理等，还可以和神经网络结合预测未来的物价指数；⑤通过数据可视化、连接分析、分类 、聚类分析、孤立点分析、序列分析等分析工具帮助进行洗黑钱和其他金融犯罪的侦破；⑥利用神经网络可以预测银行破产，预测股票价格，和基于案例的推理结合可以预测利率；⑦建立交易及风险模式来发展投资策略。

4 、信用卡公司 CRM 中的预测。可用数据挖掘来增加信用卡的应用，作购买授权决定、分析持卡人的购买行为，并侦测诈骗行为。

5 、银行 CRM 中的预测。

利用数据挖掘可以：①可以按照客户为银行创造盈利的多少和盈利潜在可能性的大小将自己的客户进行分类，进而根据不同客户以往的消费习惯，预测其未来的消费倾向，并结合外部经济、人口统计等相关数据预测未来的市场发展趋势；②预测客户向银行贷款的可能性；③跟踪、预测银行客户的发展动向，最大限度的挖掘客户信息的潜在价值，并利用这些信息来改进银行的服务，提高竞争能力；④通过挖掘客户信息，能够在客户还未认识到自己的某种需求之前，就能准确预测并提供相应的服务；⑤识别客户的贷款活动、调整金融商品以符合客户需求、寻求新的客户及加强客户服务；⑥银行前台网点预测和分析客户离开银行的风险；⑦侦测信用卡的欺诈行为；⑧客户信用分析。

6 、电话销售及直销 CRM 中的预测。

例如：①可以精确的取得目标顾客；②减少通话数，增加成功通话的比率；③依照客户过去的购买资料及地理资料来配置及邮寄他们的产品目录；④分析客户群的消费行为与交易记录，结合基本资料，并依其对品牌价值等级的高低来区隔客户，达到差异化行销目的。

7 、航空业 CRM 中的预测。①通过取得客户资料了解顾客需求，制定相应策略；②根据历史资料寻找乘客的旅行模式。

8 、制造业 CRM 中的预测。①可以侦测潜在的品质问题，减少不良品；②预测机器故障。

9 、保险公司 CRM 中的预测。①通过取得有价值的信息以进行决策，使保险业者了解客户并有效的侦测保险诈欺 ^[38] ；②用神经网络、回归等方法预测客户购买该新产品的可能性；③关联规则分析预测客户倾向于关联购买哪些险种，聚类分析能够发现对特定产品感兴趣的用户群；④分类等技术判断具备哪些特征的客户群体最容易流失，建立客户流失预测模型，从而帮助保险公司对有流失风险的客户提前采取相应营销措施；⑤利用孤立点分析、神经网络和聚类方法，对客户数据库中的数据进行分析和处理，以分析和预测欺诈风险的严重性和可能性；⑥基于案例的推理和统计技术结合可以进行保险索赔估计 ^[39] 。

10 、医疗业中的预测。可以预测手术、用药、诊断或是流程控制的效率。

11 、证券市场 CRM 中的预测。①预测债券价格的变化；②预报股票价格升降趋势，决定交易的最佳时刻。