[转贴]面向CRM的数据挖掘应用

面向CRM的数据挖掘应用

hc360慧聪网　2004-06-18 08:31:14

客户关系管理（CRM）已成为目前企业管理决策的重要部分，而数据挖掘技术为客户关系管理的实施提供了良好的支持。本文简要介绍了常用数据挖掘技术在客户关系管理中的应用。
1、前言

随着信息时代的来临，企业的竞争环境发生了天翻地覆的变化，逐渐由过去的以产品为中心，转变为以客户为中心。客户关系管理 (Customer Relationship Management,CRM)逐渐成为注目的焦点 ,企业也认识到良好客户关系的提升成为电子商务时代的致胜关键 。

客户关系管理 (ＣＲＭ)的指导思想就是对客户进行系统化的研究 ,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。这就要求ＣＲＭ系统要能够有效地获取客户的各种信息 ,识别所有的客户与商家之间的中介关系 ,并且了解从这种关系发生开始客户与商家之间进行的所有交互操作 ;同时 ,对客户的行为方式进行深入地分析 ,寻找其中的规律 ,为客户提供更好、更个性化的服务 ,为企业决策提供支持。

然而如何管理和分析大量、庞杂的客户信息，从中找出对企业管理决策有价值的知识则需要有更先进的技术和工具的支持，而数据挖掘等新兴技术的出现，为CRM的实施提供了良好的支持。本文就将介绍在CRM应用中如何利用数据挖掘技术。

2、数据挖掘技术和任务

数据挖掘又叫数据开采，它是从大量的数据中抽取出潜在的、有价值的知识或规则的过程。它是数据库中的知识发现（KDD）中的一个最重要的步骤。

2.1 数据挖掘技术

常用的数据挖掘方法和技术有：

(1)决策树方法：用树形结构来表示决策集合，这些决策集合通过对数据集的分类产生规则。比较典型的决策树方法有ID3算法和CART（分类回归树）算法等。

(2)遗传算法：它是在生物进化的概念基础上设计的一种优化技术，它包括基因组合、交叉、变异和自然选择等一系列过程，通过这些过程已达到优化的目的。

(3)人工神经网络：它从结构上模仿生物神经网络，是一种通过训练来学习的非线性预测模型，可以完成分类、聚类、特征挖掘等多种数据挖掘任务。

(4)最近临技术：这种技术通过已辨别历史记录的组合来辨别新的记录，它可以用来作聚类和偏差分析。

(5)规则归纳：通过统计方法来归纳、提取有价值的规则。规则归纳技术在数据挖掘中被广泛应用。典型的方法有集合论的粗集（rough set）方法和概念树方法等。

另外，还有可视化方法、公式发现方法等。

2.2 数据挖掘任务
数据挖掘的任务主要有：关联分析、时序模式、分类、聚类、偏差分析以及预测等。

(1)关联分析：其目的就是挖掘出隐藏在数据间的相互关系。例如，买电脑的顾客同时会买某种软件，这就是一条关联规则。

(2)时序模式：通过时间序列搜索出重复发生概率较高的模式，这里强调时间序列的影响。例如，购买了激光打印机的人中，半年后80%的人会买新硒鼓。

(3)分类：找出一个类别的概念描述，它代表了这类数据的整体信息。分类数据挖掘中应用最多的任务。

(4)聚类：按一定规则将数据分为一系列有意义的子集。同一聚类中，个体之间的差距较小，不同聚类中，个体之间的距离偏大。

(5)偏差分析：从数据库中找出异常数据。例如，金融欺诈，洗黑钱。

(6)预测：利用历史数据找出规律，建立模型，并用此模型预测未来数据的种类、特征等。

上面介绍的数据挖掘的常用技术，可以完成这些任务，不同技术完成的任务和侧重点有很大不同。在具体应用中可根据具体的任务目的，选用合适的技术方案。

3、数据挖掘技术在CRM中的应用

3.1 应用领域

根据数据挖掘所能够完成的任务，数据挖掘的技术可以应用到以客户为中心的企业决策分析和管理的各个不同领域和阶段。在客户关系管理中，它可以应用到以下几个方面：

(1) 客户群体分类分析；

近年来，特别是在电子商务环境下一对一营销正在受到企业的青睐，这意味着企业要了解每一个客户，并同其建立起持久的关系。利用数据挖掘技术可对大量的客户分类，提供针对性的产品和服务。

(2) 交叉销售；

现代企业和客户之间的关系是经常变动的，一旦拥有了新的客户，就要竭力完善这种关系，需要对其进行交叉销售，为原有客户提供新的产品或服务。数据挖掘可以帮助你分析出最优的合理的销售匹配。

(3) 客户的获得、流失和保持分析；

企业的增长和发展壮大需要不断维持老客户和获得新客户。数据挖掘可以帮助你识别出潜在的客户群，提高市场活动的响应率，使你做到心中有数，有的方矢。

(4) 客户盈利能力分析和预测；

对于一个企业来讲，如果不知道客户的价值，就很难做出合适的市场策略。很显然，不同客户对于企业来讲，其价值是不同的。数据挖掘技术可以用来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。

(5) 客户背景分析；

了解客户背景资料，有助于企业对客户的分析，从而更好的制定客户策略。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模式。

(6) 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。数据挖掘可从零散的客户反馈信息中，分析出客户的满意度。

(7) 客户信用分析。

分析客户信用，对商家很有意义，对不同信用级别的客户，采取不同的赊销方案等。数据挖掘，可从大量历史数据中分析出具体客户的信用等级。

3.2 实施过程

我们在接触到一个具体的应用问题后，如何实施呢？大体可按下过程实施：

(1) 明确问题的类型

我们应该明确所解决问题属于那种应用类型，是属于关联分析、时序模式、分类、聚类、偏差分析以及预测，还是综合应用。例如，我们要做信用卡客户的流失分析，我们应该首先明确其任务主要是分类。

明确此问题之后，我们就可以知道所要解决的问题能否从数据挖掘中找到满意答案。

(2) 选择合适的数据挖掘技术和工具

在明确了所要解决的商业问题属于哪一类应用问题后，就可以选择合适的数据挖掘技术。例如上面的问题，我们明确了其任务主要是分类，那么可以采用的技术有遗传算法、决策树和人工神经网络等，我们最后选择的是决策树，因为分类之后，我们还需要知道每个类的流失原因和预测。选择合适的挖掘技术和工具，对于未来系统的性能和可靠性有重大影响，应该认真分析商业目的，慎重选择。

(3) 准备数据。

数据挖掘是由可以获取的数据驱动的，其成功在很大程度上取决于数据的数量和质量。我们应从大量的企业客户数据中找到与分析问题有关的样本数据子集。这样可以减少处理的数据量，但必须保证其样本子集具有典型的代表性。然后，进行数据预处理、分析，尽可能的对问题解决的要求进一步明确化、进一步量化。按问题要求对数据进行增删或组合生成新的变量，以体现对问题状态的有效描述。

(4) 建立模型和知识发现

在选择好数据挖掘的技术和方法后，下面就要对其建立模型，这是数据挖掘的核心环节。不同的技术方案产生的结果模型有很大不同，而且模型结果的可理解性也存在较大差异。例如，用决策树方法产生模型结果就比用神经网络技术的结果易于理解。另外，对结果的分析和描述（即进行知识发现）也很关键，不恰当的描述会造成误导。

(5) 证实和评价

通过上面的处理之后，就会得到一系列的分析结果和模式，它们是对目标问题的多侧面的描述，这时需要对它们进行验证和评价，以得到合理的完备的决策信息。可以采用的方法有直接使用原来建立模型的样本数据进行检验，或另找一批数据对其进行检验，也可以在实际运行中取出新鲜数据进行检验。

4、结语

客户关系管理（CRM）系统的开发和应用已经受到企业的很大关注，目前已有许多比较成熟的产品。在当前环境下，客户关系管理系统的实施可以大大增强企业的竞争力。而数据挖掘技术是当今发展迅速的热点技术之一，它的发展必将为客户关系管理的实施提供良好的基础。