CRM系统:数据挖掘在分析型C R M 中的应用

数据挖掘在分析型C R M 中的应用詹　川　重庆工商大学商务策划学院 [摘　要] 分析型CRM 与传统的操作型CRM 有着重大的区别，数据挖据技术在分析型CRM 应用中占重要的地位。本文介绍了分析型CRM 的概念，分析了分析型CRM 与操作型CRM 的区别，指出分析型CRM 所具备的功能；然后介绍数据挖掘技术的发展过程以及数据挖掘基本功能；最后阐述了数据挖掘技术在分析型CRM 的具体应用。 [关键词] 数据挖掘　分析型CRM　应用 21世纪随着全球经济一体化和市场竞争日益激烈，企业再难以单靠产品质量赢取竞争优势。现代企业已逐步从以“产品为中心”的经营管理模式转变为以“客户为中心” 的模式。企业通过实施以“客户为中心”的关系营销策略，提高顾客满意度，保留住老客户，开发新用户，提升对企业的忠诚度，对客户进行个性化服务，最终增强企业竞争力。在企业内部对客户管理的需求、信息技术推动以及管理理念的更新下，运营而生了客户关系管理（Customer Relationship Management， CRM）。CRM概念最早由美国Gartner Group提出，认为CRM 是一个使企业在客户服务、市场竞争、销售及支持方面形成彼此协调的、全新的关系实体，为企业带来长久竞争优势的系统。CRM 的核心是以“客户为中心”，提高客户满意度，改善客户关系，提高企业竞争力。CRM 系统根据其功能划分为操作型 CRM 和分析型CRM。目前国内企业运用的大部分是操作型CRM。一、分析型CRM 1.定义。分析型CRM 系统是一种决策支持系统，它帮助企业把收集到原始数据转换成针对商业主题所需的客户个性化特征，分析出客户行为模式，达到完整、全面地认识客户，合理选择市场渠道，增强与客户沟通的能力。 2.操作型CRM 与分析型CRM 的区别。分析型CRM 运用数据仓库、OLAP 和数据挖掘等技术从收集来的大量客户与企业之间的数据中分析和提取相关规律、模型和趋势。为企业的战略规划、科学决策和各业务流程管理提供支持，提高在所有渠道上同客户交互的有效性和针对性，通过合适的渠道、合适的时间、把合适的产品提供给合适的客户，实现企业利润的最大化。通过分析型CRM，企业可以全方位，360 度了解客户，掌握客户的个性和需求，改善产品和服务，从而进一步提高客户满意度和客户忠诚度。而操作型CRM主要是通过企业与客户之间的多种接触渠道收集客户的各种背景信息、偏好、行为习惯、交易数据、信用状况等，以便于高效管理市场营销、销售、服务等业务流程。操作型CRM系统多偏重于对流程数据的收集——数据库的建设与数据的存储，而较少进行数据的信息挖掘。由于简单的处理与独立的数据调用，忽视了连续的历史数据隐藏的信息和知识，从而导致企业决策缺乏连贯性与前瞻性导致企业采取过多短视的战术性措施。 META Group 认为缺乏分析功能的CRM 将不可能使公司长期的、全面的认识客户。他们在调查已实施CRM 项目企业，发现那些缺乏分析功能的CRM 项目都没有帮助企业有效改善客户关系。 3.分析型CRM 的功能。 (1)收集所有与客户有关的信息。分析型CRM 并不只是建立一个可靠的有关于客户的信息平台，它需要把来自于不同部门、不同渠道获得的客户信息有机地，一致地融合在一起，为企业提供决策。分析型CRM 还应与后台办公系统整合。通过后台办公系统可以获得大量与客户有关的业务往来信息，从而企业可以更全面的了解客户。通过分析型CRM 的深入分析，企业可透过客户数据深入了解客户和市场，形成企业竞争优势。 (2)评估与优化客户关系。在企业市场、销售和服务部门制定面向客户的策略时，最好的办法就是深入的了解客户。企业对客户越了解，越能为客户提供客户所需要的产品和服务。分析型 CRM 能从基础客户数据中挖掘出客户的消费行为模式、客户可盈利率、客户生命周期及潜在客户价值、客户群体的组成情况。利用客户消费行为模式，企业能通过侧面观察用户的行为特征，了解谁是它真正的客户；利用这些信息建立预测模型帮助企业获得、发展和保持对企业有吸引力、有利润的客户。 (3)建立客户行为模型。分析型CRM 可利用聚类分析、客户评分方法来定义同类客户群体，作为制定市场、销售和服务的基础；可以利用客户评分、决策树方法帮助企业从当前企业最有价值的客户特征找到新的最有价值客户；利用关联分析，帮助企业发现交叉销售和增量销售的机会；通过了解客户采购模式以及客户流失原因，帮助企业保持有利润客户。 (4)客户价值的评估。客户价值分析是分析型CRM的核心，它帮助企业把有限的资源高效地集中在对企业最有价值的客户关系上。客户价值包含客户盈利率、客户生命周期和客户保持率。客户盈利率是评价客户最常用和最重要的参数。而客户生命周期不同于客户盈利率，它是决定投入多少成本去开发新客户的最佳测算方法。通过客户生命周期，可以计算出客户在一段时间内从客户来所能获得的净利润。通过ABC分析可以了解客户特征和客户结构。根据客户价值，企业能正确合理分配企业在市场、营销和服务中的资源给客户。并且可调整客户结构，优化客户资源。二、数据挖掘 1.数据挖掘定义。数据挖掘是利用统计等方法从大量的、不完全的、有噪声的、模糊的、随机的数据中发现其中蕴含在其中的、人们事先不知道的但潜在有用的的关系和规律的一种综合方法。类似于金矿挖掘过程，从大量的数据中发现和提取知识的过程。数据挖掘的目的在于从数据中揭示以前未知的信息，事物间内在的关系。这些信息有时甚至可能与我们看到的表象相反。它是统计、在线分析等数据分析工具的一个有效补充。 2.数据挖掘的演化。数据挖掘是人工智能、数据库技术、统计学研究和发展的结果。数据处理技术到目前为止大致经历了四个阶段：最早开始于单机的数据存贮。然后随着数据存取技术的发展，出现关系数据库，大大推动数据库技术的应用。第三阶段是随着多维数据库和OLAP 技术的出现，可以实时地进行多粒度的数据分析。第四阶段是数据挖掘。下面是对四个阶段的技术特征和应用范围的简单描述：第一阶段，数据收集，1960年代利用电脑收集数据进行简单的计算，如汇总或平均。数据存储在单机上，电脑与电脑之间的数据是独立的。由于数据不规范、难于共享。能解决的问题范围只限于单机所存储的数据范围，如总收入或一定时期内的平均收入，如公司过去五年的总收入。该阶段只能提供静态的历史数据。 1980 年代，进入第二阶段——数据存取。由于关系数据库， SQL 语言的出现，数据按结构格式存储在数据库中，数据来源基于整个企业。该阶段可以获得某个特定时间里某类产品的销售情况，如上月在西南地区的销售量。该阶段数据特征是动态的，记录级别的，历史数据。随着1990 年代在线分析、多维数据库，数据仓库的出现，可以对数据进行多粒度的分析。该阶段可以通过上扬与下钻技术获得全局或某个局部的数据进行分析。在这个阶段，比如我们不仅可以了解上月在西南地区的销售量，还可进一步下钻数据，了解其中局部数据，如重庆地区的销售量。该阶段数据是动态的，多维的历史数据。到了2000年后，随着数据挖掘的出现，应用高级算法，多处理器，大规模数据库等技术，我们可以解决如“预测下个月重庆地区的销售量，为什么？”等问题。此时传送的数据是前瞻性的信息。 3.数据挖掘的功能。数据挖掘是从大量的数据中挖掘出其内在的关系和模式，从处理的方向来分，数据挖掘可分为三大类：发现——是分析大量的数据，找出隐含在内部的联系和规律。如条件逻辑，关联分析，趋势和变化分析。预测——通过使用从数据中发现的规律来预测未来的趋势。如结果估计，预测。异常分析——利用提取的常规模型来发现异常的情况。偏差检测，链接分析。具体的，数据挖掘主要有以下几个方面的功能： (1)概念/ 类描述。概念描述以简洁汇总的形式描述给定的相关数据集，描述该数据的有关特性。概念或类描述分为数据特征化和数据区分，前者描述该类数据的共有特征，而后者描述的是不同类数据间的区别。 (2)关联分析。关联分析是发现数据中两个或多个变量之间存在的内在关系和规律。关联关系可分为简单关联、时序关联和因果关联。关联分析被广泛应用于购物篮、商务管理和决策分析，是商业分析中应用最为广泛的一种数据挖掘方法和模式。 (3)分类和预测分析。分类和预测的共同点在于都要经过前期有指导的学习，建立一套规则或模型。两者不同在于分类是对离散值的估计而预测是对连续值的估计。分类的主要技术有：决策树、贝叶斯公式、神经网络、遗传算法、粗糙集、模糊集等；而预测的技术是线性回归和非线性回归。 (4)聚类分析。聚类是把对象集合划分为由类似的对象组成的多个类的过程。与分类不同，它属于无指导学习，在学习训练样本时，样本的类别是未知的。对象根据类内相似性最大化、类间相似性最小化的原则进行聚类或分组。主要方法包括：划分方法、层次方法、基于密度的方法、基于网格的方法、基于模型的方法等。 (5)孤立点分析。孤立点是这样一些数据对象，它们不符合数据的常规行为或一般模型。孤立点可能是事物的偶然异常或分析操作失误等造成的，常被视为噪声被剔除，但是也可能蕴涵着重要的信息，比如信用卡欺诈行为。基于计算机的孤立点挖掘方法包括统计学方法、基于距离的方法和基于偏差的方法。 (6)演变分析。演变分析描述的是随时间变化的行为的规律或趋势，并建立与时间的关系模型。包括趋势分析、时序分析中的相似搜索、与时间有关的序列模式挖掘和周期模式挖掘。三、数据挖掘在分析型CRM 中的应用分析型CRM的目的在于对收集的大量有关于客户的数据进行分析，从中让企业了解客户的行为特征、兴趣爱好、潜在需求等，全面、深入地了解客户，从而使企业改善产品和服务，切实贯彻 “客户为中心”的战略，最终提高客户的满意度和忠诚度，增强企业的竞争力。数据