数据挖掘在CRM中应用研究.docVIP

数据挖掘在CRM中应用研究 　　[摘要] CRM是数据挖掘技术在企业决策支持系统中的重要应用领域。本文在数据挖掘技术和CRM基本概念的基础上，分析了数据挖掘技术在CRM中的应用，最后用SPRINT算法构建了客户信用卡的分类模型。 　　[关键词] 数据挖掘 CRM 客户分类 　　 　　一、引言 　　随着电子商务的发展，愈来愈多的先进企业将重点从“以产品为中心”向“以客户为中心”的客户关系管理转移。客户关系管理为企业经营、决策和管理提供了一种新型商业模式。数据挖掘主要是基于人工智能技术、统计技术与数据库技术，高度自动化地分析企业中的数据，从中挖掘出潜在的信息，帮助用户进行决策。数据挖掘是一种新的商业信息处理技术，其主要特点是对商业数据库中的大量业务数据进行抽取、转换、分析和其他模型化处理，从中提取辅助商业决策的关键性数据。客户关系管理是数据挖掘技术在企业决策支持系统中的重要应用领域。利用数据挖掘技术，发掘客户数据中蕴涵的知识，从而强化跟踪服务和信息分析能力，使企业以提供更快捷和周到的优质服务，提高客户满意度，吸引和保持更多的客户从而增加营业额，并通过信息共享和优化商业流程有效地降低企业经营成本。 　　二、基本概念 　　1.CRM的概念 　　客户关系管理（CRM）是指对企业和客户之间的交互活动进行管理的过程。它是企业为了提高核心竞争力，通过改进对客户的服务水平，以客户为核心的经营理念；是实施于企业的市场营销、销售、服务、技术支持等与客户相关的领域，旨在改善企业与客户之间关系的新型机制；也是企业通过技术投资，建立能搜集、跟踪和分析客户信息的系统，创造并使用先进的信息技术，以及优化的管理方法和解决方案的总和。 　　按照目前市场上流行的功能分类方法，CRM应用系统可以分为操作型CRM、分析型CRM和协作型CRM。其中，分析型CRM就是利用数据仓库、数据挖掘等技术对各种数据进行分析，并从中获得有价值的信息，支持发掘和理解客户行为。 　　2.数据挖掘技术 　　数据挖掘是当前信息分析领域中的热门技术。数据挖掘是从大量数据中提取出可信的、新颖的、有效的并能被人理解的模式的处理过程。数据挖掘任务一般可分为两类：描述和预测。描述型挖掘任务刻画数据库中的数据的一般类型，预测型挖掘任务在当前数据上进行推断及预测。数据挖掘的功能以及可以发现的模式类型介绍如下: 　　（1)分类。分类是数据挖掘中一项非常重要的任务，目前在商业上应用最多。分类是使用类标记已知的数据对象作为训练集，通过对该数据集的分析，导出数据的分类模型，然后使用模型预测未知数据。 　　（2)聚类。聚类是根据数据的不同特征，将其划分不同的数据类，目的是使同一类别的个体之间的距离尽可能小，而不同类别上的个体间的距离尽可能大。 　　（3)关联分析。关联规则挖掘是从大量的商业事务记录中发现大量数据项之间有趣的相关性。关联规则发现广泛应用于市场营销、事务分析等领域。 　　（4)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的规律(模型)的数据对象就被称为孤立点。对这些数据的挖掘分析可以处理一些特殊事件。 　　（5)演变分析。数据演变分析描述行为随时间变化的对象的规律或趋势，并对其建模。可以进行趋势分析、相似性分析、与时间有关数据的序列模式挖掘和周期模式挖掘。 　　三、数据挖掘在CRM中的应用分析 　　1.客户分类分析 　　所谓客户分类就是将一个大的消费群体划分成一系列细分群体的过程。通过客户群体分类，数据挖掘可以通过聚类和分类的方法把大量的客户分成不同的类。企业可以针对不同类型的客户提供个性化的服务，使企业以最小的投入获得最大的回报。 　　2.客户行为分析 　　（1)客户满意度分析。客户满意度分析是对某项产品或服务的消费经验的总体评价，应用数据挖掘的分析方法对客户的信息进行分析，找出客户的不满意的原因，从而增加客户的忠诚度。 　　（2)客户忠诚度分析。客户忠诚度是指某个企业的用户愿意继续购买该企业产品或服务的倾向。企业以客户的购买倾向为度量，对已有的客户数据进行分析，从而保持现有的客户。 　　（3)客户盈利能力分析。客户盈利能力分析是利用数据挖掘技术来分析和预测不同市场活动情况下客户盈利能力的变化，帮助企业制定适合的市场策略，留住有价值的客户，开发潜在客户。 　　（4)客户生命周期价值分析。客户生命周期价值分析是对现有客户或潜在客户在一段时期内的预期价值。主要是分析客户在不同时期的收入、成本、风险，利用价值理论公式得出客户的价值并提供预测。 　　（5)客户流失分析。客户流失分析是根据以前的客户流失数据包括的客户属性、服务属性和客户消费属性与客户流失可能性关联的数学模型，找出客户流失原因，建立预测模型来推测出现有客户的流失情况。 　　（6)交叉