数据挖掘中客户特征化及其划分.docVIP

数据挖掘中客户特征化及其划分 　　[摘要] 良好客户关系已成为电子商务时代制胜的关键。在激烈的市场竞争中，客户关系管理逐渐成为企业关注的焦点。深入研究客户和潜在客户是在市场中保持竞争力的关键。本文通过对客户行为的特征化分析，以数据挖掘为分析工具，对客户关系管理进行了讨论，给出了相应的划分方法，使用这些划分方法，对客户进行分析是有意义的。 　　[关键词] 客户关系管理 数据挖掘 聚类分析 　　 　　一、引言 　　在激烈的市场竞争中，客户关系管理(Customer Relationship Management)逐渐成为各企业关注的焦点。一个成熟的CRM 系统要能够有效地获取客户的各种信息，识别客户与企业间的关系及所有交互操作，寻找其中的规律，为客户提供个性化的服务，为企业决策提供支持。 　　在企业与客户的交互操作中，“二八原则”是值得借鉴的，即20%的客户对企业做出80%的利润贡献。但究竟谁是那20%的客户？又如何确定特定消费群体的消费习惯与消费倾向，进而推断出相应消费群体或个体下一步的消费行为？这都是企业需要认真研究的问题。 　　二、客户的特征化及其划分 　　企业认识客户和潜在客户是在市场保持竞争力的关键。特征分析是了解客户和潜在客户的极好方法，包括对感兴趣对象范围进行一般特征的度量。一旦知道带来最大利润客户的特征和行为，就可以直接将其应用到寻找潜在客户之中。有效寻找客户，认识哪些人群像自己的客户。因此，在争取客户的活动中，对感兴趣对象进行特征化及其划分是很有意义的。 　　对客户的特征化，顾名思义就是用数据来描述或给出客户（潜在客户）特征的活动。特征化可以在数据库（或数据库的不同部分）上进行。这些不同部分也称为划分，通常他们互不包含。 　　划分分析（Segmentation Analysis）通常用于根据利润和市场潜力划分客户。如：零售商按客户在所有零售商店的总体购买行为，将客户划分为若干描述他们各自购买行为的区域，这样零售商可以评估哪些客户有最大利润。划分是把数据库分成互不相交部分或分区的活动。一般有两种方法：市场驱动法和数据驱动法。市场驱动法需要决定那些对业务有重要影响??特征，即需要预先选择一些特征变量（属性），以最终定义得到划分。数据驱动法是利用数据挖掘中的聚类技术或要素分析技术寻找同质群体。 　　三、数据挖掘的概念 　　数据挖掘(Data Mining)是从大型数据库或数据仓库中提取人们感兴趣的知识，这些知识是隐含的、事先未知的潜在有用信息。通过数据挖掘提取的知识表示为概念、规则、规律、模式等，它对企业的趋势预测和行为决策提供支持。 　　1.分类分析 　　分类是指将数据映射到预先定义好的群组或类。分类要求基于数据属性值来定义类别，通过数据特征来描述类别。根据它与预先定义好的类别相似度，划分到某一类中去。分类的主要应用是导出数据的分类模型，然后使用模型预测。 　　2.聚类分析 　　聚类是对抽象样本集合分组的过程。与分类不同之处在于聚类操作要划分的类是事先未知。按照同一类中对象之间较高相似度原则进行划分，目的是使同一类别个体之间距离尽可能小，不同类别中个体间距离尽可能大。类的形成是由数据驱动的。 　　3.关联规则 　　关联规则是从大量的数据中挖掘出有价值的描述数据项之间相互关联的知识。关联规则中有两个重要概念：支持度（Support）和信任度(Confidence)。它们是两个度量有关规则的方法，描述了被挖掘出规则的有用性和确定性。关联规则挖掘，希望发现事务数据库中数据项之间的关联，这些规则往往能反映客户的购买行为模式。 　　4.时间序列分析 　　时间序列分析是通过对过去历史行为的客观记录分析，揭示其内在的规律，预测未来行为。它旨在从大量的时间序列中提取人们事先不知道的，但又是潜在有用的、与时间属性相关的信息和知识。 　　5.孤立点分析 　　数据库中包含那些不符合大多数数据对象所构成规律(模型)的数据对象，称为孤立点。对孤立点挖掘分析可以处理一些特殊事件。 　　6.回归分析 　　在掌握大量观察数据的基础上，利用数理统计方法，建立因变量与自变量之间的回归关系函数。回归分析法是定量预测方法之一，它依据事物内部因素变化的因果关系来预测事物的发展趋势。 　　四、数据挖掘在CRM中的应用 　　1.对客户的相关属性分析 　　(1)挖掘客户的特性 　　DM的第一步就是识别客户群，挖掘客户特性，如：了解客户地址、年龄、性别、收入、教育程度、爱好等基本信息，还有健康、嗜好、配偶、家庭环境等特征信息，发现其行为规律，制定吸引客户的策略。 　　运用分类与聚类方法，从客户基本库中发现不同的客户群，用购买模式刻画不同客户群的特征，针对不同类型的客户，提供个性化的服务。 　　 (2)客户