數(shù)據(jù)挖掘在客戶關(guān)系管理系統(tǒng)中的應(yīng)用研究

申請(qǐng)免費(fèi)試用、咨詢電話：400-8352-114

  客戶關(guān)系管理是企業(yè)管理中一項(xiàng)重要的內(nèi)容，在CRM中使用數(shù)據(jù)挖掘技術(shù)，可以提高企業(yè)的管理水平。本文深入研究了客戶管理系統(tǒng)與數(shù)據(jù)挖掘相關(guān)方法，并采用數(shù)據(jù)挖掘技術(shù)對(duì)客戶貢獻(xiàn)和客戶價(jià)值等方面進(jìn)行了詳細(xì)的分析，總結(jié)了相關(guān)的步驟和方法。

    由于CRM的應(yīng)用能夠提高企業(yè)效率，提升客戶的忠誠(chéng)度、節(jié)省運(yùn)營(yíng)開(kāi)支和增加營(yíng)業(yè)收入，所以越來(lái)越多的企業(yè)開(kāi)始建立CRM系統(tǒng)。然而隨著CRM系統(tǒng)中數(shù)據(jù)庫(kù)技術(shù)的迅速發(fā)展以及業(yè)務(wù)操作流程自動(dòng)化的廣泛應(yīng)用，企業(yè)積累了越來(lái)越多的數(shù)據(jù)。目前的數(shù)據(jù)庫(kù)技術(shù)雖然可以很方便的進(jìn)行數(shù)據(jù)的查詢和統(tǒng)計(jì)，但是要從大量的數(shù)據(jù)中發(fā)現(xiàn)其存在的規(guī)則和關(guān)系則很乏力，所以將數(shù)據(jù)挖掘應(yīng)用的客戶關(guān)系管理中是必然也是必要的。

    結(jié)合數(shù)據(jù)挖掘的功能，可以在企業(yè)決策分析和客戶關(guān)系管理等各方面和各階段發(fā)揮其作用，而在客戶關(guān)系管理中，數(shù)據(jù)挖掘可以應(yīng)用到客戶群體細(xì)分、客戶的保留與獲取、交叉銷售、客戶貢獻(xiàn)分析等多個(gè)方面。

1 數(shù)據(jù)挖掘的方法

    （1）統(tǒng)計(jì)分析方法。利用概率論和數(shù)理統(tǒng)計(jì)的原理統(tǒng)計(jì)分析相關(guān)的屬性，發(fā)現(xiàn)相互之間的關(guān)系和規(guī)律。

    （2）遺傳算法。遺傳算法是模擬生物在自然環(huán)境中的遺傳和進(jìn)化過(guò)程而形成的一種自適應(yīng)全局優(yōu)化概率搜索算法。

    （3）決策樹(shù)方法。通過(guò)生成一個(gè)測(cè)試函數(shù)建立結(jié)點(diǎn)和分支，即生成一棵決策樹(shù)。然后對(duì)決策樹(shù)進(jìn)行剪枝處理，最后把決策樹(shù)轉(zhuǎn)化為規(guī)則，決策樹(shù)方法主要用于分類挖掘。

    （4）關(guān)聯(lián)分析。實(shí)現(xiàn)關(guān)聯(lián)分析的技術(shù)主要是統(tǒng)計(jì)學(xué)中的置信度和支持度分析。關(guān)聯(lián)規(guī)則的挖掘有多種方法，比較典型的有ARGen算法和Apriori算法。

    關(guān)聯(lián)分析即利用關(guān)聯(lián)規(guī)則進(jìn)行數(shù)據(jù)挖掘。關(guān)聯(lián)分析的客戶保留則是在客戶識(shí)別的基礎(chǔ)上有目的地改善企業(yè)的服目的是挖掘隱藏在數(shù)據(jù)間的相互關(guān)系。

    （5）聚類分析。聚類分析是根據(jù)事物的特征對(duì)其進(jìn)行聚類或分類，以期從中發(fā)現(xiàn)規(guī)律和典型模式。

2 基于數(shù)據(jù)挖掘的客戶分析

    2.1 客戶貢獻(xiàn)分析

    客戶的購(gòu)買力對(duì)企業(yè)的盈利有很大的影響，客戶的貢獻(xiàn)越多，企業(yè)相應(yīng)的利潤(rùn)也就越豐厚。所以按客戶的貢獻(xiàn)大小對(duì)客戶群進(jìn)行分類，然后對(duì)不同的貢獻(xiàn)率的客戶采取不同的措施，對(duì)于企業(yè)提高收益具有巨大的意義。

    2.1.1 基本思路

    企業(yè)的數(shù)據(jù)倉(cāng)庫(kù)中有客戶的具體信息，利用數(shù)據(jù)挖掘技術(shù)對(duì)這些客戶信息進(jìn)行分析，用分類判定樹(shù)對(duì)客戶的各種屬性特征和對(duì)企業(yè)的貢獻(xiàn)率的大小進(jìn)行歸納和分類。這樣就建立起一個(gè)對(duì)于客戶貢獻(xiàn)大小分析的模型，然后將客戶貢獻(xiàn)大小不清楚的客戶信息輸入這個(gè)模型，利用已經(jīng)歸納出的模型對(duì)這些客戶進(jìn)行分類，這樣就得到了客戶對(duì)應(yīng)的貢獻(xiàn)率分類結(jié)果。

    2.1.2 具體步驟

    （1）構(gòu)造數(shù)據(jù)集市。根據(jù)對(duì)客戶貢獻(xiàn)大小的研究，分析貢獻(xiàn)大小與客戶屬性特征相關(guān)的屬性。

    （2）數(shù)據(jù)預(yù)處理。對(duì)客戶屬性如客戶姓名、滿意度、工作地、貢獻(xiàn)度和購(gòu)買次數(shù)等，進(jìn)行必要的清洗、集成、轉(zhuǎn)換、離散和歸約等一系列的處理工作，達(dá)到挖掘算法的規(guī)范和標(biāo)準(zhǔn)。

    （3）建立相關(guān)屬性集。通過(guò)對(duì)屬性相關(guān)性的分析，刪除那些與數(shù)據(jù)挖掘不相關(guān)的屬性，剩下相關(guān)的屬性就組成了相關(guān)數(shù)據(jù)集。

    （4）建立模型。根據(jù)上一步得到的相關(guān)數(shù)據(jù)集對(duì)客戶貢獻(xiàn)度建立模型。首先對(duì)相關(guān)數(shù)據(jù)集進(jìn)行分析和訓(xùn)練形成訓(xùn)練數(shù)據(jù)集。然后歸納判定樹(shù)。接著，對(duì)分類規(guī)則進(jìn)行提取。最后，對(duì)得到的基本模型進(jìn)行評(píng)價(jià)和改進(jìn)。

    （5）使用模型進(jìn)行分類。當(dāng)模型的準(zhǔn)確率改進(jìn)到某個(gè)可以接受的閾值，就可以用這個(gè)模型對(duì)貢獻(xiàn)度未知的客戶進(jìn)行分類。將客戶數(shù)據(jù)輸入模型，然后就可以得到這個(gè)客戶對(duì)應(yīng)的客戶貢獻(xiàn)率分類結(jié)果。

    2.2 客戶價(jià)值分析

    客戶是企業(yè)最重要的資源了，擁有越多的客戶就以為著企業(yè)有更多地發(fā)展機(jī)會(huì)，而不同的客戶對(duì)于企業(yè)的價(jià)值是不一樣的，這就需要對(duì)客戶的價(jià)值進(jìn)行分析，有助于企業(yè)合理利用，提高企業(yè)的收益。

    客戶價(jià)值分析的方法：

    可以根據(jù)客戶購(gòu)買行為對(duì)客戶群進(jìn)行細(xì)分。在模型上，采用客戶價(jià)值矩陣分析方法。首先選擇K均值算法作為聚類算法，然后采用決策樹(shù)算法對(duì)客戶群的特征進(jìn)行提取，從而得到聚類分析中每個(gè)客戶群的對(duì)應(yīng)的特征。

    （1）基于K均值算法的客戶細(xì)分分析。首先選取500名客戶5年的購(gòu)買數(shù)據(jù)作為數(shù)據(jù)挖掘的樣本數(shù)據(jù)，樣本數(shù)據(jù)主要包括客戶代號(hào)、平均采購(gòu)額度和購(gòu)買次數(shù)3個(gè)方面信息。然后設(shè)置K值，然后執(zhí)行K均值聚類算法。算法執(zhí)行后，樣本數(shù)據(jù)就進(jìn)行了分類。

    （2）基于決策樹(shù)分類的客戶群特征提取。首先進(jìn)行數(shù)據(jù)準(zhǔn)備和預(yù)處理，即對(duì)對(duì)客戶數(shù)據(jù)進(jìn)行編碼和分類，然后構(gòu)造訓(xùn)練集，利用聚類結(jié)果提取客戶特征，最后，根據(jù)前面處理過(guò)的的客戶特征信息樣本數(shù)據(jù)，進(jìn)行計(jì)算最終得到一棵客戶價(jià)值分析決策樹(shù)。采用決策樹(shù)的方法也對(duì)客戶流失進(jìn)行了分析，預(yù)測(cè)了哪些客戶最容易流失，這些容流失的客戶又具有哪些特性，從而分析出了客戶流失的原因，為企業(yè)保留客戶提供了幫助。

3 結(jié)束語(yǔ)

    客戶資源是市場(chǎng)競(jìng)爭(zhēng)至關(guān)重要的寶貴資源，擁有客戶就意味著擁有市場(chǎng)。數(shù)據(jù)挖掘技術(shù)能從日積月累的數(shù)據(jù)中挖掘出對(duì)企業(yè)決策有幫助的潛在知識(shí)和規(guī)則，挖掘現(xiàn)有客戶的消費(fèi)潛力，減少客戶的流失，為企業(yè)的決策和發(fā)展提供幫助。