客户关系管理中数据挖掘的应用，本文主要内容关键词为：客户关系管理论文,数据挖掘论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
中图分类号：F270.7文献标识码：A文章编号：1001-148X(2008)09-008-02
面对激烈的市场竞争，客户价值越来越多地影响了企业价值，客户资源也成为各企业争夺的最重要战略资源之一。因此，了解客户需求，辨析最具利润贡献率的客户，已成为现代大多数企业经营的驱动力。客户关系管理(Customer Relationship Management,CRM)，恰是一种以客户为中心的经营策略，它以信息技术为手段，对工作流程进行重组，整合发挥企业资源优势，赋予企业更完善的客户交流能力，最大化客户收益率。
一、数据挖掘技术
企业需要尽可能多地了解客户行为，但随着客户数量的大量累积，客户信息的日趋复杂，如何管理和分析这些客户信息，从中找出对企业管理决策有价值的知识，就需要有更先进的技术和工具支持。而数据挖掘(Data Mining)技术为CRM分析大量复杂客户数据，挖掘客户价值提供了良好的技术支持。数据挖掘可从大量数据中抽取出潜在的、有价值的知识、模型、规则，是发现潜在关联、模式，做出预测性分析的有效工具。
二、CRM中数据挖掘的价值
CRM通过搜集、累积大量市场及客户资料，为企业建立起庞大的数据仓库，数据挖掘的关键所在正是从海量数据中区分出真正有价值的信息并找出其间的关联。
每个企业都期望通过采用一定工具和手段快速并准确辨析出企业最重要、最有价值的客户信息。数据挖掘技术从装有海量数据的数据仓库中经过深层分析，寻找隐藏在数据中的信息，发掘出有利于商业运作、提高竞争力的信息或知识；它能帮助企业管理客户生命周期的各阶段，包括争取新客户，让已有客户创造更多利润、保持住有价值的客户等；它能对客户需求做深入分析，满足企业对个体细分市场的客户关系管理需求，帮助企业确定客户特点，使企业通过为客户提供有针对性服务而增加商机。
对企业而言，在CRM中应用数据挖掘有助于发现业务发展趋势，揭示已知事实，预测未知结果，并帮助企业分析出完成任务所需的关键因素，从而使企业增加收入、降低成本，处于更有利的竞争地位。
三、CRM中数据挖掘的应用范畴
数据挖掘通过对客户信息的自动筛选，从大量相关客户数据中挖掘出隐含的、未知的、对企业决策有潜在价值的知识和规则，帮助企业找出未被发现的新机会，预测在商业中制胜的策略，快速做出决策。其以下方面的应用尤为突出。
客户特征分析：除客户地址、性别、年龄、职业、收入、教育等基本信息外，获取诸如爱好、婚姻、配偶、健康、家庭环境等特征信息，可更详尽地了解客户，发现其行为规律，进而更好地制定客户策略，提高市场活动响应率。通过对大量客户消费行为信息采用分类、聚类等挖掘方法，按客户年龄、性别、收入、交易行为特征等属性细分为具有不同需求和交易习惯的群体，从而得出客户最关注点，有针对性地制定个性化营销策略。
客户忠诚度分析：通过客户行为分析归类出高消费客户群、最稳定客户群、有价值的潜在客户群、有更多消费需求客户群等，从而做出客户持久性及稳定性分析，对客户需求能快速响应，使客户获得高度个性化服务。据统计，企业获得新客户成本远比保持老客户高得多，尽管各行业成本差异不同，但无论什么行业，6～8倍以上的差距是业界公认的；同时，根据80/20(20％的客户贡献80％销售额)的营销原则，对高消费及高忠诚度客户，更应采取策略培养其忠诚度。
营销交叉分析：企业掌握的客户先前消费信息中，可能正包含着决定该客户下一消费行为的关键、甚至决定因素，利用数据挖掘技术去发现隐藏在数据间的表面看似独立事件间的关系，从而帮助企业找到影响其消费行为的因素，有针对性展开营销策略，适时推荐其它产品。如关联规则分析能发现客户倾向于关联购买哪些产品；聚类分析能发现对特定产品感兴趣的用户群；神经网络、回归等方法能预测客户购买该新产品的可能性。
客户获取和流失分析：企业的增长壮大需不断维持老客户并获取新客户，通过分类、聚类、决策树等技术挖掘大量客户信息，识别出潜在的可开发客户群，判断具备哪些特性的客户群最易流失，并建立客户流失预测模型，较准确地找出易流失客户群，帮助企业制订方案，对其提前采取相应营销措施，最大程度地保持住老客户。
跟踪评价：通过数据仓库的数据清理与集中过程，将客户反馈信息自动输入数据仓库中，实现客户行为跟踪，分析出客户满意度、信用等级等，从而评价及优化现行策略。如对不同信用等级客户采取不同赊销方案，这既保持了客户忠诚度又规避了不必要风险。通过跟踪评价可保证企业客户关系管理达到既定目标，建立良好客户关系。
四、客户流失分析
商业企业通常通过交易记录、抽奖、会员制等活动来记载销售信息和客户资料，进而从这些信息中挖掘出客户偏好的商品组合、消费习性，或是找出流失客户特征。下面以商业企业客户流失分析为例来说明CRM中数据挖掘的过程。
(一)数据选择
选取目标变量：即客户流失状态。通过分析具体问题，选择一个或多个已知量的组合作为目标变量。对于因消费特征改变而发生的流失，需要对相关具体问题加以考虑：是收入改变？偏好改变？还是购物环境要求改变？
选取输入自变量：输入自变量分静态数据和动态数据。静态数据是诸如客户基本资料(性别、婚姻状况、职业、居住区等)等不常变化的数据；动态数据是诸如月消费金额、消费特征等频繁或定期改变的数据。输入自变量与目标变量有内在联系，但却无法量化表示，这为数据挖掘提供了可发挥的空间。若一时无法确定某种数据是否与客户流失概率有关联，可暂时将其选入模型，在后续步骤考察各变量分布情况和相关性时再行取舍。
选取建模数据：客户流失方式分为客户自然消亡(因迁址而导致客户不再存在；或因客户服务升级，如普通客户升级为贵宾造成特定服务的目标客户消失)和客户转移到竞争对手两种。后者流失是商家真正关心且具挽留价值的客户，选择建模数据时必须选择后者流失客户数据参与建模。
(二)数据规约
数据规约是建模前的数据准备工作，一方面保证建模数据的正确性和有效性，另一方面通过对数据格式和内容的调整，使数据更符合建模需要。主要工作包括对数据的转换、整合、抽样、随机化、缺失值处理等。如按比例抽取未流失客户和已流失客户，将这两类数据合并，构成建模的数据源。模型建立后需大量数据来进行检验，故把样本数据分为用于建模和用于模型检验及修正两部分。
(三)模型建立
建模前利用数据挖掘工具的相关性比较功能，找出每一输入自变量和客户流失概率的相关性，删除相关性较小的变量，从而降低模型复杂度，缩短建模周期。现有数据挖掘工具很多，如神经网络、回归、决策树、关联、聚类等，可使用其中的多种方法预先建立多个模型，再对这些模型进行优劣比较，选出最适合客户流失分析的建模方法，建模过程中可使用多种近似算法来简化模型优化过程。模型建立后的调整是数据挖掘过程的核心部分，通常由数据分析专家完成。不同商业问题和不同数据分布属性会影响模型建立与调整策略，因此需业务专家参与调整策略的制定，以避免不适当优化造成业务信息的丢失。
(四)模型评价与解释
为得到准确结果，可利用未参与建模的数据进行模型评估。检验的方法是使用模型对已知客户状态的数据进行预测，将预测值与实际客户状态作比较，预测正确率最高的模型是最优模型。通过对模型做出合理的业务解释，可找出一些潜在规律来指导商家行为；反过来，通过业务解释也能证明数学模型的合理性和有效性。
(五)模型应用
可先选择一试点实施应用，试点期间随时注意模型应用的收益情况。若发生异常偏差，则停止应用，修正模型。试点结束后，若模型被证明应用良好，可考虑大范围推广。推广时要注意地区差异，不能完全照搬模型。经济环境发生重大变化或模型应用一段时期后，模型偏差可能会增大，这时可考虑重新建立一更具适用性的模型。
通过客户流失模型对客户流失情况的监控，若流失可能性过高，可采用促销等手段来提高客户忠诚度，防止客户流失的发生，从而彻底改变以往商家在成功获得客户后无法监控客户流失、无法有效实现客户关怀的状况。
五、结束语
数据挖掘作为CRM的前提和基础，不再仅局限于客户接触层面的客户关系管理，已深入到客户的消费行为和消费喜好，从更加深入全面的角度洞察客户、理解客户价值。采用了数据挖掘技术的CRM系统，在目前竞争日益激烈的知识经济环境和电子商务经济模式下，已成为现代企业在激烈市场竞争中生存和制胜的关键。在CRM中有效利用数据挖掘，可不断促进企业单个客户价值提升和客户规模的扩大，可指导企业高层决策者制定出最优的企业营销策略、降低运营成本、加速企业发展，有效推动企业价值和实力的不断攀升。
标签：数据挖掘论文; 市场营销论文; 大数据论文; 客户信息论文; 数据挖掘算法论文; 数据建模论文; 客户分析论文; 数据分析论文;