e 商业时代基于数据挖掘的客户关系管理 4页

文章编号：1009-8119（2006）04-0045-03E商业时代基于数据挖掘的客户关系管理冀玉苓1胡华1赵远华2（1．潍坊医学院附属青州医院，青州262500；2．山东省民族中等专业学校，青州262500）摘要在分析目前企业实施客户关系管理不足的基础上，深入探讨了数据挖掘技术在企业客户关系管理中的应用，提出了基于数据挖掘的客户关系管理框架，并利用该框架，以商业零售企业为例，给出了基于数据挖掘的客户关系管理具体应用方案。关键字客户关系管理，数据挖掘，数据源CustomerRelationshipManagementBasedOnDataMininginE-BussinessTimesJiYuling1HuHua1ZhaoYuanhua2(1．AffiliatedQingzhouHospitalofWeifangMedicalCollege,Qingzhou262500；2．ShandongProvinceNationalMiddleSpecialtySchool,Qingzhou262500)AbstractCRMisanewmechanismofmanagementtoimprovetherelationshipbetweenthecorporationsandcustomers.ThereissomeshortageofCRMinuse.Inthispaper,wasusedtoanewframeofCRMisestablishedbasedonDataMiningtechnology.Usingthisframe,anapplicationmodeltodealwithCRMforretailcorporationwasdescribedtoshowtheeffectivityofthismodel.KeywordsCustomerrelationshipmanagement，Datamining，Datasources1引言企业竞争无处不在，而客户资源已经成为各企业争夺的最重要的战略资源之一。为此，企业需要尽可能地了解客户的行为，但是企业的客户成千上万，这种了解不可能通过与客户接触直接获得，因为企业不可能逐个与客户交谈，而且他们所需要的信息单个客户往往无法提供，企业所能做的，就是尽可能收集顾客的信息，借助各种分析方法，透过无续的，表层的信息挖出内在的知识和规律。企业则根据这些规律和信息设计数学模型，对未发生行为做出结果预测，为企业的综合经营决策、市场策划提供依据。客户关系管理（CustomerRelationshipManagement，CRM）是一种全新的管理思想，其本意是要帮助公司较好地识别客户，通过“在正确的时间、以正确的方式，合适的价格，把客户所需要的商品／服务以正确的渠道提供给客户”，从而赢得较高的客户保留度和客户赢利能力。随着CRM理论的成熟，CRM思想逐步应用到其它领域。目前有大量的技术用于支持CRM，包括Internet和电子商务、多媒体技术、专家系统和人工智能、呼叫中心等等。这些技术使得企业完成从市场、销售到服务的全部流程的自动化。但是，随着客户信息的日益复杂，客户数量的大量积累，仅限于营销流程的管理已很难满足企业进一步的需要，于是数据挖掘便被引入了CRM，通过数据挖掘来分析大量的复杂的客户数据，挖掘客户价值。２数据挖掘数据挖掘（DataMining）就是从大量的、不完全的、有燥声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的但又是潜在有用的信息和知识的过程，数据挖掘功能用于指定数据挖掘任务中要寻找的模式类型，数据挖掘任务一般可以分为两类：描述和预测。描述性挖掘任务刻画数据库中数据的一般特性。预测性挖掘任务在当前数据上进行推断，以进行预测。数据挖掘包括商业需求、大量的数据和挖掘算法三部分。商业需求是数据挖掘前期要明确的工作。数据挖掘步骤由数据准备、挖掘操作、结果表达和解释三个主要阶段组成。知识发现是这三个阶段的反复。 ２.１数据准备数据准备可分为:问题定义、数据选取、数据预处理和数据集成。在问题定义阶段，数据挖掘人员必须与领域专家和最终用户紧密合作，明确实际工作的要求，确定可用的学习算法；在数据选择阶段，确定需要分析的数据集合，即目标数据，以提高数据挖掘的质量；数据预处理是为了克服目前数据挖掘工具的局限性；数据集成是将多文件或多数据库运行环境中的数据进行合并处理，解决语义的模糊性，处理数据中的遗漏和清洗受污染的数据等。２.２挖掘操作在数据挖掘操作执行阶段，首先必须根据对问题的定义明确挖掘的任务和目的，比如分类、聚类、关联规则的挖掘或序列模式的挖掘等。在确定了挖掘任务之后，就要决定选用什么挖掘算法。在选择挖掘算法时应考虑：一是不同的数据有各自不同的特点，应该选用不同的挖掘算法；二是用户或实际系统的要求。２.３结果表达和解释先对提取的信息进行分析，然后通过决策支持工具提交给决策者。该阶段不仅要把结果表达出来，而且数据挖掘系统会采用解释和推理机制,将这些知识直接提供给决策者，或提供给领域专家，以修正已有知识库，供系统共享。如果不满意，需要重复以上知识发现的过程。3基于数据挖掘的客户关系管理框架基于对客户关系管理的分析，本文给出基于数据挖掘的客户关系管理的系统结构如图１所示。图１　基于数据挖掘的客户关系管理该系统分为五个层次的逻辑结构，其中作业处理系统、决策支持系统和数据仓库系统是该基于数据挖掘的客户关系管理系统的基本组成部分。沟通渠道是客户关系管理系统最外层的内容，是客户关系管理系统与客户的接触点和商品、服务的传递渠道。沟通渠道由电子渠道和非电子渠道组成,电子渠道包括呼叫中心和网络，非电子渠道则由信函和人员接触等组成。所有这些渠道都是客户关系管理系统的信息来源。在这些渠道上,企业与客户的接触都会产生大量的数据、信息，从而形成客户关系管理系统的数据源。数据仓库系统的功能主要是对数据进行储存和处理。在各种渠道上与顾客接触所形成的原始数据，如顾客的基本资料、接触历史数据、交易纪录数据及其它可能从外部获得的数据等，一般被分别存储在不同的数据库中，相互处于分离的状态。数据仓库则将这些原始数据进行集成化的处理,对其进行整合、转化、清理和汇总,使之能够被充分、有效地应用于客户关系管理过程。决策支持系统是客户关系管理系统中最重要的应用部分。决策支持系统的主要功能是对数据仓库中的各种数据进行分析，利用数据挖掘和商业智能工具从大量的数据中提取有用的客户知识，为零售企业的业务活动决策提供支持。 业务处理系统属于客户关系管理系统的最终应用部分，它的功能是辅助业务和营销人员实施对客户的服务、销售和营销活动，同时支持企业网上电子商务的开展。业务及营销人员根据决策支持系统所提供的顾客知识，确定对企业最有价值的客户，开展一对一的个性化服务和营销，使企业提供的产品和服务，以及与客户的沟通活动能够最大限度地满足客户的需要，实现客户价值的最大增值。该系统中，决策支持是以数据仓库为基础的，数据仓库系统又分为数据存储和数据处理两大功能模块，它们是从各类数据源中得到需要的相关的数据（用到数据清洗，数据整合，数据筛选等等）；决策支持系统又包括数据挖掘和智能分析两模块，数据挖掘是用到一系列的数据挖掘算法来获得相关的知识和信息，这里可能用到预测分析、决策树、聚类分析等分析方法，然后在智能决策模块，利用这些得到的知识和信息，为决策支持提供依据并得到决策结果。4案例分析下面结合零售企业的客户关系管理，利用上述框架，提出基于数据挖掘的客户关系管理的解决方案。该方案分为五个阶段层次。这里对挖掘过程做重点说明，其它阶段同上。在数据源阶段，由于零售企业大都有自己的B2C电子商务网站，这种网站不仅可以为企业带来一定的收益，而且也便于企业与客户进行信息交流（如注册，留言，信息发布），企业能方便地得到客户的资料，也能及时地收到客户的意见反馈。在网站上，每天都会有大量的交易记录文件、登记表、网页浏览记录等，其中，可能包含大量客户的潜在信息，如喜好、购买模式等。所以，可以将电子商务网站中的日志文件及相关数据作为将要挖掘的数据源。然后按下面几个步骤进行数据挖掘。首先是准备数据，用户在Internet上漫游时，只要浏览某个电子商务的网站，就会在这个网站的服务器日志文件上留下记录。这些记录保存在服务器的访问日志、引用日志和代理日志中。通过对这些信息中的某些项的分析,可以揭示其中的关联关系、时序关系、被频繁访问的路径、页面等。比如说，以服务器日志中的请求行为、用户名为例建立“请求—用户名”关联矩阵，研究分析列向量即可得到相似客户群体，研究分析行向量即可得到频繁访问的路径。对客户IP进行分析，即可得到单个客户的消费习惯，挖掘出他们潜在的消费趋向，从而针对不同的客户群体或个体制定出对应的服务方式；同时也为商家调整网站的拓扑结构，优化网站资源的配置提供了依据。其次是挖掘模型的选择。可以根据不同的挖掘目标，采用不同的挖掘方法。数据挖掘的方法有很多种，主要包括三大类:统计分析、知识发现和其它可视化方法。统计分析主要用于检查数据中的数据规律，然后利用统计模型和数学模型来解释这些规律。常用的统计分析方法有线性分析、非线性分析、线性回归、因子分析、单变量曲线和双变量统计及时间序列分析等。通过统计分析，选择适用于数据分析的数据模型，对重要页面、导航路径有向图、浏览时间等给出统计描述，揭示数据间的关系。知识发现源于人工智能和机器学习，利用数据的搜寻过程，得到一个有意义的数据模式，从中可以发现规律。具体的方法有人工神经网络、决策树方法、遗传算法、规则推理等。其它可视化方法可以给出多变量的图形分析，同时显示多变量间的关系，有助于分析以前挖掘的数据，进一步增强数据挖掘能力。最后是结果表述和解释模式。可以选用不同的数据挖掘模型，采用不同的技术手段，对结果进行分析和解释。常用的技术手段包括:(1)关联规则。揭示数据之间的内在的联系，发现用户与站点各页面的访问关系。(2)分类。给出类的公共属性描述，并将新的记录分配到预先定义好的类中或分类新的项。(3)聚类。分类的逆过程，按照“类内相似性最大，类间相似性最小”的原则，对数据进行类的聚集，多指客户群体聚类和Web网页聚类。客户群体聚类将具有相似浏览模式的用户分在一组，而Web网页聚类则提供有针对性的网络服务应用。(4)序列模式。侧重于挖掘出数据的前后时间顺序关系，分析是否存在一定趋势，以预测未来的访问模式。(5)路径分析。可以发现一个Web站点中最经常被访问的路径。比如，运用关联规则，我们可以发现20%的客户在访问/mart/subject时都在/mart/discount页面上进行了在线订购；运用序列模式规则，可以发现40%的客户在访问/mart/furniture之后的1个月内又在/mart/discount页面上下了订单。在发现这些数据之间的相关性之后，可以更好地组织网站的结构，对客户开展有针对性的广告服务，对不同的群体实施不同的营销策略。经过分析，在得到客户的分类、客户的购买喜好、购买模式后，进入“业务处理系统”阶段，根据在数据挖掘得到的相关知识，确定对企业最有价值的客户，然后开展一对一的个性化服务和营销，使企业提供的产品和服务，以及与客户的沟通活动，能够最大限度地满足客户的需要，实现客户价值的最大增值。 ５结束语本文通过对数据挖掘的分析，提出了基于数据挖掘的客户关系管理框架，利用该框架，提出了针对商业零售企业的具体应用方案。分析证明，在一定程度上，该方案不仅能够解决客户关系管理过程中存在的信息日益复杂化、海量化问题，而且具有一定可行性和实用性，为最大限度地满足客户需求、实现价值最大化，提供了很好的技术途径。参考文献1姜永波，孙向成.基于数据挖掘的客户关系管理.经济管理论坛,2005;(9)2张滔滔，丁莉，王景光.数据挖掘——CRM中的动力.企业技术开发,2003;(3)3郝先臣，张德干，高光来等.数据挖掘工具和应用中的问题[J].东北大学学报,2001;(2):1804周燕，蔡之华.CRM中数据挖掘技术应用概述[J].计算机与现代化,2003;(7)5包芳，杨忠德.零售业CRM系统中的数据挖掘探讨[J].微机发展,2003;(6)6贺奇.构建面向CRM的数据挖掘应用[M].人民邮电出版社,2001