數據挖掘技術在ＣＲＭ中的應用

摘要:本文闡述了CRM的內涵和外延及數據挖掘技術常用的算法和分析方法，并在此基礎上重點分析了數據挖掘技術在CRM中的功能和應用。

關鍵詞：數據倉庫；數據挖掘；知識發現；客戶關系管理

一、CRM的概念

經過20多年的發展，市場經濟的觀念已深入人心，一些先進企業的經營理念正在經歷著從以產品為中心向以客戶為中心的轉移。在這種背景下，企業有必要對客戶的各種活動和信息進行集成，實現對客戶的全面管理，這就是所謂的“客戶關系管理”（CRM）。

客戶關系管理(CRM)源于以客戶為中心的商業模式，其通過對客戶關系的有效管理，以鑒別、獲得、保持為企業帶來利潤的客戶，是一種新型的管理機制。到目前為止，CRM還沒有統一的定義，最早提出CRM概念的Gartner Group認為，客戶關系管理是為企業提供全方位的管理視角，賦予企業更完善的客戶交流能力，從而實現客戶收益率的最大化。根據企業資源管理研究中心（AMT）的定義，CRM是一種以客戶為中心的經營策略，它以信息技術為手段對相關業務功能進行重新設計，并對相關工作流程進行重組，以達到留住老客戶、吸引新客戶、提高客戶利潤貢獻度的目的。筆者認為，客戶關系管理（CRM）是現代企業管理的核心思想，它貫徹以客戶為中心的經營理念，利用信息技術來充分把握和了解客戶，在適當的時候，把適當的產品，通過適當的途徑，提供給適當的客戶。CRM為企業提供了一個收集、分析 和利用各種客戶信息的系統，幫助企業充分利用其客戶管理資源，也為企業在電子商務時代從容應對不同的客戶提供了科學的手段和方法。

二、數據挖掘技術

1． 數據挖掘常用的算法。

（1）決策樹（decision tree）決策算法。決策樹是一個類似于流程圖的樹結構，其中每個內部節點表示在一個屬性上的測試，每個分枝代表一個測試輸出，而每個樹葉節點代表類或類分布。決策樹算法包括樹的構造和樹的剪枝，有兩種常用的剪枝方法：先剪枝和后剪枝。

（2）神經網絡（Neural Network）。神經網絡是一組連接的輸入/輸出單元，其中每個連接都與一個權相連，在學習階段，通過調整神經網絡的權，使得能夠預測輸入樣本的正確類標號來學習。

（3）遺傳算法（Genetic Algorithms）。遺傳算法根據適者生存的原則，形成由當前群體中最適合的規則組成新的群體，以及這些規則的后代。遺傳算法用于分類和其他優化問題。

（4）粗糙集方法。粗糙集方法基于給定訓練數據內部的等價類的建立。它將知識理解為對數據的劃分，每一被劃分的集合稱為概念，利用已知的知識庫來處理或刻畫不精確或不確定的知識。粗糙集用于特征歸約和相關分析。

（5）模糊集方法。基于規則的分類系統有一個缺點：對于連續屬性，他們有陡峭的截斷。將模糊邏輯引入，允許定義“模糊”邊界，提供了在高抽象層處理的便利。

其它還有貝葉斯網絡、可視化技術、臨近搜索方法和公式發現等方法。

2． 數據挖掘常用的分析方法。

（1）分類和預測。分類和預測是兩種數據分析形式，可以用于提取描述重要數據類的模型或預測未來的數據趨勢。數據分類（data classfication）是一個兩步過程，第一步，建立一個模型，描述預定的數據類集或概念集，通過分析有屬性描述的數據庫元組來構造模型。第二步，使用模型進行分類。首先評估模型的預測準確率，如果認為模型的準確率可以接受，就可以用來對類標號未知的數據遠祖或對象進行分類。

預測是構造和使用模型評估無標號樣本類，或評估給定樣本可能具有的屬性值或值區間。分類和預測具有廣泛的應用，如信譽證實、醫療診斷、性能預測和選擇購物。分類和預測常用的算法包括決策樹歸納、貝葉斯分類、貝葉斯網絡、神經網絡、K-最臨近分類、遺傳算法、粗糙集和模糊集技術。

（2）聚類分析。聚類是將數據對象分組成為多個類或簇（cluster），在同一個簇中的對象之間具有較高的相似度，而不同簇中的對象差別較大。作為統計學的一個分支，聚類分析已被廣泛的研究了許多年，現在主要集中在基于距離的聚類分析，基于k-means(k-平均值)、k-medoids(k-中心點)和其他的一些聚類分析工具也有不少的應用。

（3）關聯規則。關聯規則挖掘給定數據集中項之間的有趣聯系。設I={i1，i2，…im}是項的集合，任務相關的數據D是數據庫事務的集合，其中每個事務T是項的集合，使得T包含于I。關聯規則是形如A=>B的蘊涵式，其中A∈I，B∈I，并且A∩B為空。關聯規則的挖掘分成兩步：①找出所有頻繁項集，這些項集出現的頻繁性至少和預定義的最小支持計數一樣。②由頻繁項集產生強關聯規則，這些規則必須滿足最小支持度和最小置信度。

（4）序列模式。序列模式分析和關聯規則分析類似，也是為了挖掘數據項之間的聯系，不過序列模式分析的是數據項在時間維上的先后序列關系，如一個顧客在購買了計算機半年后可能再購買財務分析軟件。

（5）孤立點分析。孤立點是度量錯誤或固有的數據變異性的結果。許多數據挖掘算法都試圖使孤立點的影響最小，或排除它們。一個人的噪聲可能是另一個人的信號，在有些時候，孤立點是非常有用的。孤立點挖掘可以描述如下：給定一個n個數據點或對象的集合，以及預期的孤立點的數目k，發現與剩余的數據相比是顯著相異的或不一致的頭k個對象。孤立點探測方法可分為三類：統計學方法，基于距離的方法和基于偏移的方法。

三、數據挖掘在客戶關系管理中的應用

1． 客戶細分。

客戶細分是指將一個大的客戶群體劃分為多個較小的客戶群體，在每個劃分后的客戶群體中，客戶在某個或幾個屬性值上具有高度的相似性，而在不同的群體之間客戶則差別較大。對一個商業銀行來說，如果問“誰是企業客戶？誰是私人客戶？”應該是一個容易回答的問題，但根據消費行為，“客戶可以分為哪幾個群體？”卻不是容易回答的問題。事實上，每個客戶都有一系列的相關屬性，而對一些企業來說重要的分類需綜合一系列屬性而非單個屬性來評判。數據挖掘中的聚類方法，能夠幫助企業按照客戶的類別、行業、區域、職業、收入等企業感興趣的各種條件細分市場。客戶細分是企業確定產品和服務的基礎，也是建立一對一營銷的基礎。2000年荷蘭銀行將客戶細分為頂級、重要、核心和大眾四類客戶群，提供有針對性的差別服務，營業收入增長了一倍以上。

2． 客戶獲得。

獲取客戶的傳統方式一般是通過各種媒體廣告、散發傳單等吸引新客戶，但是這種方式有著嚴重的缺陷，如不能做到有的放矢，造成資源浪費，預期效果不理想等.數據挖掘中的分類、聚類技術可以幫助企業分析現有客戶來自哪里，他們有什么共同特征，然后建立響應模型，估算客戶對一個產品與服務的響應概率，挖掘潛在客戶。Eddie Bauer 公司使用SAS公司提供的數據挖掘工具，通過預期建模來決定哪些客戶會購買相關產品，并向那些客戶發送郵件和產品目錄，收到了良好的效果。

3． 分析客戶行為，進行交叉銷售。

交叉銷售是指企業向原有的客戶銷售新的產品或服務，它是購物籃分析中的一個典型例子。在很多情況下，企業需要了解顧客的購物習慣，如“顧客在一次購物時會同時購買什么樣的商品組合？”，以便進行市場規劃、廣告策劃和分類設計。如果顧客購買計算機也傾向于同時購買財務管理軟件，那么將硬件擺放得離軟件近一點，可能有助于增加二者的銷售。數據挖掘中的關聯規則挖掘可以幫助發現大量數據中項集之間的這種有趣的關聯或聯系，

4． 分析客戶忠誠度，避免客戶流失。

研究表明：獲得一個新客戶是留住一個老客戶的成本的5~8倍；對客戶保留率提高5%，利潤會提高85%；推銷產品或服務給一位新客戶和一位老客戶的成交機會分別為15%和50%；如補救得當，70%的不滿意的客戶會繼續購買企業的產品或服務；著名的網上書店Amazon.com獲得了極大的成功，主要的原因是提升了客戶忠誠度，來自160個國家的800萬的客戶當中，有65%的客戶是以前的老客戶。

因此現代企業要通過客戶關系管理提高現有的和潛在客戶的忠誠度，避免客戶流失。數據挖掘技術通過流失建模幫助企業分析客戶忠誠度，了解哪些客戶流失了，他們的共同特征是什么，什么時候流失的，流失的原因是什么，這種對客戶保持和流失的分析可以幫助企業制定有效措施，提高客戶忠誠度。

5． 客戶盈利能力分析與預測。

根據20/80規則，20%的客戶通常會帶來80%的利潤，因此企業需要了解哪些客戶是給企業帶來利潤的客戶，哪些客戶會給企業帶來損失，從而將資源更多的分配給為公司貢獻利潤的客戶，減少在不為公司貢獻利潤的客戶身上所花的費用，杜絕風險極高的客戶。利用數據挖掘中的分類與預測技術建立生命周期價值（LifeTime Value， LTV）模型可以預測客戶在預定時間長度內的總體利潤。如電信公司可以預測一個新客戶的利潤貢獻度，并據此制定相應的營銷策略。

6． 客戶滿意度分析。

通過自定義的定量的度量標準和公式，并根據時間和其他參數，利用數據挖掘技術和企業的數據倉庫中關于客戶購買、維修、反饋意見、建議、投訴等信息，可對客戶的滿意度進行分析，找出客戶不滿意的原因并制定相應的策略，提高客戶忠誠度，增加企業的利潤。

7． 異常監測。

利用數據挖掘技術中的孤立點分析可以發現異常數據，這些異常數據對分析客戶的信用度是非常有用的，如在金融業利用孤立點分析可以發現信用卡惡意透支、洗黑錢等，在零售業可以分析客戶欺詐、銷售異常等。

參考文獻：

1．Jiawei Han，Micheline Kamber著．范明，孟小峰等譯．數據挖掘概念與技術．機械工業出版社，2002．

2．Olivia Parr Rud著．朱揚勇，左子葉，張忠平等譯．數據挖掘實踐．機械工業出版社，2003．

3．楊德宏，李玲編著．客戶關系管理成功案例．機械工業出版社，2002．

作者簡介：南京大學商學院碩士生。

收稿日期：2004-01-29。