《数据挖掘技术在客户管理系统中的应用(共8页).doc》由会员分享，可在线阅读，更多相关《数据挖掘技术在客户管理系统中的应用(共8页).doc（8页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、精选优质文档-倾情为你奉上数据挖掘技术在客户关系管理系统中的应用关键词：数据挖掘 客户关系 管理 应用 步骤 摘要 随着电子商务时代的来临，客户变得越来越重要，谁能掌握客户的需求趋势、加强与客户的联系，有效管理和发掘客户资源，谁就能取得市场竞争优势。客户关系管理成为企业制胜的关键。客户关系管理作为一种“以客户为中心”的先进的经营管理理念，能够实现通过客户利益的最大满足促进企业利润极大增长的经营目标。在客户关系管理中，企业将面临大量的来自于客户和市场的数据和信息，这些数据是大量的、不完全的、有噪声的、模糊的、随机的，但同时又是非常有用的。数据挖掘技术可以将这些数据有效的分析、整理，从而给数据使用
2、者提供有效、及时的信息。本文就数据挖掘技术在客户关系管理中如何应用做了粗浅的探讨。 根据波特的影响企业的利益相关者理论，企业有五个利益相关者，分别是客户、竞争对手、供应商、分销商和政府等其他利益相关者。其中，最重要的利益相关者就是客户。现代企业的竞争优势不仅体现在产品上，还体现在市场上，谁能获得更大的市场份额，谁就能在竞争中占据优势和主动。而对市场份额的争夺实质上是对客户的争夺，因此，企业必须完成从“产品”导向向“客户”导向的转变，对企业与客户发生的各种关系进行管理。进行有效的客户关系管理，就要通过有效的途径，从储存大量客户信息的数据仓库中经过深层分析，获得有利于商业运作，提高企业市场竞争力的
3、有效信息。而实现这些有效性的关键技术支持就是数据挖掘，即从海量数据中挖掘出更有价值的潜在信息。正是有了数据挖掘技术的支持，才使得客户关系管理的理念和目标得以实现，满足现代电子商务时代的需求和挑战。 一、 客户关系管理（CRM） 客户关系管理（ Customer Relationship Management，CRM ）是一种旨在改善企业与客户之间关系，提高客户忠诚度和满意度的新型管理机制。它是企业通过富有意义的交流和沟通,理解并影响客户行为,最终实现提高客户获取、客户保留、客户忠诚和客户创利的目的。它包括的主要内容有客户识别、客户关系的建立、客户保持、客户流失控制和客户挽留。通过客户关系管理能
4、够提高企业销售收入，改善企业的服务，提高客户满意度，同时能提高员工的生产能力。CRM作为管理企业与客户关系的主要管理系统平台，不仅要处理企业与客户之间的业务，还要处理企业内部相关部门的业务。CRM中不仅包含客户的信息资料，而且涉及市场竞争对手的情报资料，还包括了企业进行营销、销售及支持服务所需的各种数据。信息数据的来源是多种多样的，可以是本地数据库，也可以是异地数据库，甚至可以是E-mail、文本文件等。客户与企业、部门与部门、业务与业务、销售与市场及服务间复杂关系，导致CRM中的数据不论是结构、类型还是彼此间的关联都是复杂多变的；对这种数据进行的处理也是多种多样的。因此，要实现对CRM数据的
5、及时、准确的处理和有效利用，就需要：(1) 建立统一的信息编码系统；(2) 设计能够良好反映事务特性的数据模型；(3) 划分数据库类型，在分布式数据库管理系统和网络平台基础上，设计全局共享及局部共享数据库，以支持分布式数据处理，实现各分系统之间及其内部各功能模块之间的信息集成；(4) 提供强大的数据库管理系统，并在此基础上敬爱拿过来完善的客户销售数据库、客户市场数据库、客户支持与服务数据库、企业综合信息数据库等。由于CRM是以客户为整个管理的中心，不同于其它管理系统，其数据库管理有自己的特性。因此，需要建构自己的CRM数据库。在构建CRM数据库时，应注意CRM的特性，同时也要注意CRM系统与企
6、业其它管理系统的协调。 二、数据挖掘（DM） 数据挖掘技术是客户关系管理的引擎数据挖掘（Data Mining ，DM），又称知识发现 ( Knowledge Discovery in Database，简称 K DD )，是通过从数据仓库中存储的大量的、不完全的、有噪声的、模糊的、随机的实际应用的数据中，抽取人们感兴趣的、有意义的、隐含的、以前未知的并有潜在使用价值的知识的过程。在分析型CRM系统中，数据挖掘是其中的核心技术，数据挖掘是从大量的数据中，抽取出潜在的、有价值的知识、模型或规则的过程。对于企业而言，数据挖掘可以有助于发现业务发展的趋势，揭示已知的事实，预测未知的结果，并帮助企业分
7、析出完成任务所需的关键因素，以达到增加收入、降低成本，使企业处于更有利 的竞争位置的目的。1. 数据挖掘常用的算法。（1）决策树(decision tree)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。（2）神经网络(Neural Network)。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。（3）遗传算法(Genetic Algor
8、ithms)。遗传算法根据适者生存的原则，形成由当前群体巾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。（4）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臧不精确或不确定的知识。粗糙集用于特征归约和相关分析。（5）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.数据挖掘常用的方法（1）关联分析。关联分析主要用于发现
9、不同事件之间的关联性，即一个事件发生的同时，另一个事件也经常发生。关联分析的重点在于快速发现那些有实用价值的、关联发生的事件。即从给定的数据集中发现频繁出现的项集模式知识。例如，某商场通过关联分析，可以找出若干个客户在本商场购买商品时，哪些商品被购置率较高，进而可以发现数据库中不同商品的联系，进而反映客户的购买习惯。（2）序列模式分析。它与关联分析相似，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，序列分析技术主要用于发现一定时间间隔内接连发生的事件，这些事件构成一个序列，发现的序列应该具有普遍意义，其依据除了统计上的概率之外，还要加上时间的约束。其目的也是
10、为了控制挖掘出的数据间的联系。但序列模式分析的侧重点在于分析数据间的前后（因果）关系。例如，可以通过分析客户在购买A商品后，必定（或大部分情况下）随着购买B商品，来发现客户潜在的购买模式。（3）分类分析。分类分析通过分析具有类别的样本的特点，得到决定样本属于各种类别的规则或方法，利用这些规则和方法对未知类别的样本分类时应该具有一定的准确度，其主要方法有基于统计学的贝叶斯方法、神经网络方法、决策树方法以及support vector machines 等。利用分类技术，可以根据顾客的消费水平和基本特征对顾客进行分类，找出对商家有较大利益贡献的重要客户的特征，通过对其进行个性化服务，提高他们的忠诚
11、度。例如，银行可以根据客户的债务水平、收入水平和工作情况，可对给定用户进行信用风险分析。（4）聚类分析。聚类分析是根据物以类聚的原理，将本身没有类别的样本聚集成不同的组，并对每一个这样的组进行描述的过程，其主要依据是聚到同一个组中的样本应该彼此相似，而属于不同组的样本应该足够不相似。是从给定的数据集中搜索数据对象之间所存在的有价值联系。在商业上，聚类可以通过顾客数据将顾客信息分组，并对顾客的购买模式进行描述，找出他们的特征，制定针对性的营销方案。（5）孤立点分析。孤立点是数据库中与数据的一般模式不一致的数据对象，它可能是收集数据的设备出现故障、人为输入时的输入错误等。孤立点是度量错误或固有的数
12、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。孤立点分析方法可分为三类：统计学方法，基于距离的方法和基于偏移的方法。孤立点分析就是专门挖掘这些特殊信息的方法。例如，银行可以利用孤立点分析发现信用卡诈骗，电信部门可以利用孤立点分析发现电话盗用等。（6）预测。预测与分类类似，但预测是根据样本的已知特征估算某个连续类型的变量的取值的过程，而分类则只是用于判别样本所属的离散类别而己。预测模型可以使用较为传统的统计回归技术，也可以使用新的分类技术，目前最通用的是决策树归纳技术。（7）演变分析。用于中的趋势分析、相似性搜索、与时间有关的序列模式挖掘和周期模式挖掘。（8）复杂类型的数
13、据挖掘。它是数据挖掘技术的当前一个重要的研究领域，极大提升了数据分析能力的深度和广度，主要包括：多媒体数据挖掘、文本挖掘和挖掘等。基于数据仓库及其数据挖掘技术 ,使得企业能够全方位的了解客户 ,把握客户的特征与需求 ,更有效地掌握客户的行为与需求.如果说客户关系管理是实现企业目标利润最大化的最有力的工具 ,那么数据挖掘则是这个工具的最佳引擎。 三、数据挖掘在客户关系管理中的应用 在企业管理客户生命周期的各个阶段都会用到数据挖掘技术。数据挖掘能够帮助企业确定客户的特点，从而可以为客户提供有针对性的服务。通过数据挖掘，可以发现使用某一业务的客户的特征，从而可以向那些也同样具有这些特征却没有使用该业
14、务的客户进行有目的的推销；还可以找到流失的客户特征，在那些具体相似特征的客户还未流失之前，采用针对性的措施。目前，数据挖掘技术在CRM关系中的应用有以下几个方面。1. 进行客户分类 客户分类是将大量的客户分成不同的类别，在每一类别里的客户具有相似的属性，而不同类别里的客户的属性不同。客户作为企业宝贵的资源，每一次与客户接触既是了解客户的过程，也是客户体验企业的机会。因此，真正关心客户，为每位客户提供与客户需求一致的、个性化的服务，才能让客户体会到企业的价值。近年来，一对一营销正在被众多的企业所青睐。一对一营销是指了解每一个客户，并同其建立起持久的关系。数据挖掘可以帮助企业进行客户分类，针对不同
15、类别的客户，提供个性化的服务来提高客户的满意度，提高现有客户的价值。细致而可行的客户分类对企业的经营策略有很大益处。例如，保险公司在长期的保险服务中，积累了很多的数据信息，包括对客户的服务历史、对客户的销售历史和收入，以及客户的人口统计学资料和生活方式等。保险公司必须将这些众多的信息资源综合起来，以便在数据库里建立起一个完整的客户背景。在客户背景信息中，大批客户可能在保险种类、保险年份和保险金额上具有极高的相似性，因而形成了具有共性的客户群体。经过数据挖掘的聚类分析，可以发现他们的共性，掌握他们的保险理念，提供有针对性的服务，提高保险公司的综合服务水平，并可以降低业务服务成本，取得更高的收益。
16、 2. 进行客户识别和保留 企业的增长和发展壮大需要不断获得新的客户并维持老的客户。不论企业希望得到的是哪类客户，数据挖掘都能帮助识别出这些潜在的客户群，并提高市场活动的回应率，做到有的放矢。现在各个行业的竞争都越来越激烈，企业获得新客户的成本正在不断上升，因此建立客户流失预测模型，得出即将流失的客户，对他们采取有效措施进行挽留，从而有效减少客户流失就显得越来越重要，数据挖掘可以帮助发现打算离开的客户，以使企业采取适当的措施挽留这些客户。（1）在CRM中,首先应识别潜在客户,然后将他们转化为客户 这时可以采用DM中的分类方法。首先是通过对数据库中各数据进行分析，从而建立一个描述已知数据集类别或
17、概念的模型，然后对每一个测试样本，用其已知的类别与学习所获模型的预测类别做比较，如果一个学习所获模型的准确率经测试被认可，就可以用这个模型对未来对象进行分类。例如，图书发行公司利用顾客邮件地址数据库，给潜在顾客发送用于促销的新书宣传册。该数据库内容有客户情况的描述，包括年龄、收入、职业、阅读偏好、订购习惯、购书资金、计划等属性的描述，顾客被分类为“是”或“否”会成为购买书籍的顾客。当新顾客的信息被输入到数据库中时，就对该新顾客的购买倾向进行分类，以决定是否给该顾客发送相应书籍的宣传手册。 （2）在客户保留中的应用 客户识别是获取新客户的过程，而客户保留则是留住老顾客、防止客户流失的过程。对企业
18、来说，获取一个新顾客的成本要比保留一个老顾客的成本高。在保留客户的过程中，非常重要的一个工作就是要找出顾客流失的原因。例如，某专科学校的招生人数在逐渐减少，那么就要找出减少的原因，经过广泛的搜集信息，发现原因在于本学校对技能培训不够重视，学生只能学到书本知识，没有实际的技能，在就业市场上找工作很难。针对这种情况，学校应果断的抽取资金，购买先进的、有针对性的实验实训设备，同时修改教学计划，加大实验实训课时和考核力度，培训相关专业的教师。 （3）对客户忠诚度进行分析 客户忠诚被认为是企业取得盛器利润增长的途径。客户关系管理需要培养和选择忠诚客户，使之与公司保持长期关系，但不是所有客户都愿意与公司保
19、持联系，一些客户的购买决策只受价格、方便等因素的影响。不论公司如何以诚相对，提供高的顾客让渡价值，客户一旦发现其他公司有更低价格的商品，便马上离开转向该公司；也有一些顾客更关心商品的质量、价值、服务、节约时间等，当他用本公司的产品感到满意以后，就会成为公司的忠诚顾客。通过对许多客户资料进行分析表明，公司80%的利润来自20%的客户。因此，忠诚客户对公司所带来的利润是巨大的，数据挖掘在客户忠诚度分析中主要是对客户持久性、牢固性和稳定性进行分析，可以通过对数据库中的大量数据进行分析，以确定消费者的购买习惯、购买数星和购买频率，分析客户对某个产品的忠诚程度、持久性、变动情况等，以确定忠诚客户，并为他
20、们提供“一对一”的个性化服务，增强客户的忠诚度，最大限度地挖掘客户对企业的终生价值，为企业创造更大的利润。数据挖掘中的差异性分析可用于发现客户的欺诈行为，分析客户的诚信度，从而获得诚信较好的客户。比如大型超市通过会员的消费信息，如最近一次消费、消费频率、消费金额三个指标对数据进行分析,可以预测出顾客忠诚度的变化，据此对价格、商品的种类以及销售策略加以调整和更新，以便留住老顾客，吸引新顾客。 （4）对客户盈利能力分析和预测 对于一个企业而言，如果不知道客户的价值，就很难做出合适的市场策略。不同的客户对于企业而言，其价值是不同的。研究表明，一个企业的80%的利润是由只占客户总数的20%的客户创造的
21、，这部分客户就是有价值的优质客户。为了弄清谁才是有价值的客户，就需要按照客户的创利能力来划分客户，进而改进客户关系管理。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，帮助企业制定合适的市场策略。商业银行一般会利用数据挖掘技术对客户的资料进行分析，找出对提高企业盈利能力最重要的客户，进而进行针对性的服务和营销。 （5）交叉销售和增量销售 交叉销售是促使客户购买尚未使用的产品和服务的营销手段，目的是可以拓宽企业和客户间的关系。增量销售是促使客户将现有产品和服务升级的销售活动，目的在于增强企业和客户的关系。这两种销售都是建立在双赢的基础上的，客户因得到更多更好符合其需求的服务而
22、获益，公司也因销售增长而获益。数据挖掘可以采用关联性模型或预测性模型来预测什么时间会发生什么事件，判断哪些客户对交叉销售和增量销售很有意向，以达到交叉销售和增量销售的目的。例如，保险公司的交叉营销策略：保险公司对已经购买某险种的客户推荐其它保险产品和服务。这种策略成功的关键是要确保推销的保险险种是用户所感兴趣的，否则会造成用户的反感。（6）客户欺诈风险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。据统计资料表明，企业间的欺诈行为是非常普遍的，而且一旦发生
23、，给企业带来的损失是巨大的。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。可以利用数据挖掘中的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，分析欺诈为什么会发生？哪些因素容易导致欺诈？欺诈风险主要来自于何处？如何预测到可能发生的欺诈？采取何种措施可以减少欺诈的发生？以便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，进而采取有效的回避和监督措施，在欺诈风险发生之前对其进行预警和控制。四、客户关系管理应用数据挖掘的步骤 1. 需求分析 只有确定需求，才有分析和
24、预测的目标，然后才能提取数据、选择方法，因此，需求分析是数据挖掘的基础条件。数据挖掘的实施过程也是围绕着这个目标进行的。在确定用户的需求后,应该明确所要解决的问题属于哪种应用类型,是属于关联分析、分类、聚类及预测，还是其他应用。应对现有资源如已有的历史数据进行评估，确定是否能够通过数据挖掘技术来解决用户的需求，然后将进一步确定数据挖掘的目标和制定数据挖掘的计划。 2. 建立数据库 这是数据挖掘中非常重要也非常复杂的一步。首先,要进行数据收集和集成，其次,要对数据进行描述和整合。数据主要有四个方面的来源：客户信息、客户行为、生产系统和其他相关数据。这些数据通过抽取、转换和装载，形成数据仓库，并通
25、过OLAP和报表，将客户的整体行为结果分析等数据传递给数据库用户。 3. 选择合适的数据挖掘工具 如果从上一步的分析中发现，所要解决的问题能用数据挖掘比较好地完成，那么需要做的第三步就是选择合适的数据挖掘技术与方法。将所要解决的问题转化成一系列数据挖掘的任务。数据挖掘主要有五种任务：分类，估值预测，关联规则，聚集，描述。前三种属于直接的数据挖掘。在直接数据挖掘中，目标是应用可得到的数据建立模型，用其它可得到的数据来描述感兴趣的变量。后两种属于间接数据挖掘。在间接数据挖掘中，没有单一的目标变量，目标是在所有变量中发现某些联系。 4. 建立模型 建立模型是选择合适的方法和算法对数据进行分析，得到一
26、个数据挖掘模型的过程。一个好的模型没必要与已有数据完全相符，但模型对未来的数据应有较好的预测。需要仔细考察不同的模型以判断哪个模型对所需解决的问题最有用。如决策树模型、聚类模型都是分类模型，它们将一个事件或对象归类。回归是通过具有已知值的变量来预测其它变量的值。时间序列是用变量过去的值来预测未来的值。这一步是数据挖掘的核心环节。建立模型是一个反复进行的过程，它需要不断地改进或更换算法以寻找对目标分析作用最明显的模型，最后得到一个最合理、最适用的模型。 5. 模型评估 为了验证模型的有效性、可信性和可用性，从而选择最优的模型，需要对模型进行评估。我们可以将数据中的一部分用于模型评估，来测试模型的
27、准确性，模型是否容易被理解模型的运行速度、输入结果的速度、实现代价、复杂度等。模型的建立和检验是一个反复的过程，通过这个阶段阶段的工作，能使数据以用户能理解的方式出现，直至找到最优或较优的模型。6. 部署和应用 将数据挖掘的知识归档和报告给需要的群体，根据数据挖掘发现的知识采取必要的行动，以及消除与先前知识可能存在的冲突，并将挖掘的知识应用于应用系统。在模型的应用过程中，也需要不断地对模型进行评估和检验，并做出适当的调整，以使模型适应不断变化的环境。 五、结论客户关系管理是企业保持市场竞争力的重要手段和必不可少的重要环节。数据挖掘技术是当今发展迅速的热点技术之一，它的发展为客户关系管理提供良好
28、的技术支持，同时也是是实现对客户数据进行深入分析的有效工具。本文讨论了数据挖掘技术在客户关系管理中的一些应用领域，利用数据挖掘技术对客户的相关信息进行收集、加工和存储处理，以确定特定客户群体或个体的兴趣、消费习惯，消费者倾向和消费需求，分析客户的特征，探索企业和所对应市场的运营规律性，提供既定性又定量的分析，为企业的客户关系管理工作提供决策支持，及时、准确地掌握客户的变化趋势，加强与客户的联系，有效管理和挖掘客户资源，使企业获得独特的竞争优势。参考文献: 1罗纳德S史威福特客户关系管理M杨东龙译北京：中国经济出版社，2002 2马刚:客户关系管理M大连：东北财经大学出版社，2008 3朱美珍:以数据挖掘提升客户关系管理J高科技产业技术与创新管理，2006，（27） 4顾桂芳何世友:数据挖掘在客户关系管理中的应用研究J.企业管理，2007，（7） 5苏红澜:数据挖掘技术在客户关系管理中的应用J成都教育学院学报，2004（8） 6李雄飞李军:数据挖掘与知识发现M.北京：高等教育出版社, 2005 7李琪 主编. 客户关系管理. 重庆大学出版社M. 2004.8专心-专注-专业