数据挖掘技术在客户管理系统中的应用.doc

数据挖掘技术在客户关系管理系统中的应用 关键词：数据挖掘 客户关系 管理 应用 步骤 [摘要] 随着电子商务时代的来临，客户变得越来越重要，谁能掌握客户的需求趋势、加强与客户的联系，有效管理和发掘客户资源，谁就能取得市场竞争优势。客户关系管理成为企业制胜的关键。客户关系管理作为一种“以客户为中心”的先进的经营管理理念，能够实现通过客户利益的最大满足促进企业利润极大增长的经营目标。在分析型CRM系统中，数据挖掘是其中的核心技术，数据挖掘是从大量的数据中，抽取出潜在的、有价值的知识、模型或规则的过程。对于企业而言，数据挖掘可以有助于发现业务发展的趋势，揭示已知的事实，预测未知的结果，并帮助企业分析出完成任务所需的关键因素，以达到增加收入、降低成本，使企业处于更有利 的竞争位置的目的。决策树(decision tree)决策算法。决策树是一个类似于流程图的树结构。其中每个内部节点表示在一个属性上的测试，每个分枝代表一个测试输出，而每个树叶节点代表类或类 分布。决策树算法包括树的构造和树的剪枝，有两种常用的剪枝方法：先剪枝和后剪枝。神经网络(Neural Network)。神经网络是一组连接的输入，输出单元，其中每个连接都与一个权相连，在学习阶段，通过调整神经网络的权，使得能够预测输入样本的正确类标号来学习。遗传算法(Genetic Algorithms)。遗传算法根据适者生存的原则，形成由当前群体巾最适合的规则组成新的群体，以及这些规则的后代。遗传算法用于分类和其他优化问题。粗糙集方法。粗糙集方法基于给定训练数据内部的等价类的建立。它将知识理解为对数据的划分，每一被划分的集合称为概念，利用已知的知识库来处理或刻臧不精确或不确定的知识。粗糙集用于特征归约和相关分析。模糊集方法。基于规则的分类系统有一个缺点：对于连续属性，他们有陡峭的截断。将模糊逻辑引入，允许定义“模糊”边界，提供了在高抽象层处理的利。其它还有贝叶斯网络、可视化技术、临近搜索方法和公式发现等方法。 主要用于发现不同事件之间的关联性，即一个事件发生的同时，另一个事件也经常发生。关联分析的重点在于快速发现那些有实用价值的、关联发生的事件。也是为了挖掘数据项之间的联系，不过序列模式分析的是数据项在时间维上的先后序列关系序列分析技术主要用于发现一定时间间隔内接连发生的事件，这些事件构成一个序列，发现的序列应该具有普遍意义，其依据除了统计上的概率之外，还要加上时间的约束。分类分析通过分析具有类别的样本的特点，得到决定样本属于各种类别的规则或方法，利用这些规则和方法对未知类别的样本分类时应该具有一定的准确度，其主要方法有基于统计学的贝叶斯方法、神经网络方法、决策树方法以及support vector machines 等。利用分类技术，可以根据顾客的消费水平和基本特征对顾客进行分类，找出对商家有较大利益贡献的重要客户的特征，通过对其进行个性化服务，提高他们的忠诚度。聚类分析是根据物以类聚的原理，将本身没有类别的样本聚集成不同的组，并对每一个这样的组进行描述的过程，其主要依据是聚到同一个组中的样本应该彼此相似，而属于不同组的样本应该足够不相似。孤立点是度量错误或固有的数据变异性的结果。许多数据挖掘算法都试图使孤立点的影响最小，或排除它们。孤立点方法可分为三类：统计学方法，基于距离的方法和基于偏移的方法。预测预测与分类类似，但预测是根据样本的已知特征估算某个连续类型的变量的取值的过程，而分类则只是用于判别样本所属的离散类别而己。预测模型可以使用较为传统的统计回归技术，也可以使用新的分类技术，目前最通用的是决策树归纳技术。演变分析。用于ＣＲＭ中的趋势分析、相似性搜索、与时间有关的序列模式挖掘和周期模式挖掘。复杂类型的数据挖掘。是数据挖掘技术的当前一个重要的研究领域，极大提升了ＣＲＭ数据分析能力的深度和广度，主要包括：多媒体数据挖掘、文本挖掘和Ｗｅｂ挖掘等。在企业管理客户生命周期的各个阶段都会用到数据挖掘技术。数据挖掘能够帮助企业确定客户的特点，从而可以为客户提供有针对性的服务。通过数据挖掘，可以发现使用某一业务的客户的特征，从而可以向那些也同样具有这些特征却没有使用该业务的客户进行有目的的推销；还可以找到流失的客户特征，在那些具体相似特征的客户还未流失之前，采用针对性的措施。目前，数据挖掘技术在CRM关系中的应用有以下几个方面。 客户作为企业宝贵的资源，每一次与客户接触既是了解客户的过程，也是客户体验企业的机会。因此，真正关心客户，为每位客户提供与客户需求一致的、个性化的服务，才能让客户体会到企业的价值。近年来，一对一营销正在被众多的企业所青睐。一对一营销是指了解每一个客户，并同其建立起持久的关系。企业的增长和发展壮大需要不断获得新的客户并维持老的客户。不论企业希望得到的是哪类客户