数据挖掘在客户关系管理中的应.docVIP

目录第一章 数据挖掘在客户关系管理中的应用概述 3 第二章 数据挖掘概述 4 2.1数据挖掘定义 4 2.2数据挖掘的过程 4 2.2.1确定业务对象 4 2.2.2数据准备 4 2.2.3数据挖掘 4 2.2.4结果分析和评估 4 2.2.5知识的嵌入应用 4 2.3数据挖掘的技术 5 2.3.1 关联分析 5 2.3.2 序列分析 5 2.3.3分类分析 5 2.3.4聚类分析 5 2.3.5预测分析 5 2.3.6孤立点分析 5 第三章 客户关系管理概述 7 3.1客户关系管理的定义 7 3.2客户关系管理需要数据挖掘 7 第四章 数据挖掘技术在客户关系管理中的应用 8 4.1客户盈利能力 8 4.2客户的保持和流失 8 4.3客户获得 8 4.4客户细分 9 4.5交叉营销 9 4.6客户欺诈风险分析 9 4.7市场策略分析 10 4.8客户忠诚度 10 结论 12 参考文献 13 第一章 数据挖掘在客户关系管理中的应用概述 客户关系管理越来越受到各种企业的重视，企业通过建立客户关系管理系统，可以帮助企业制定适宜的，有针对性的营销政策，改善与客户的关系，提高销售额，增强企业竞争力。但是，随着客户关系管理系统的应用深入，明显感觉到当前的客户关系管理系统面对巨大的企业数据存储，显得有点力不从心。因此，能够从海量数据中进行知识发现的数据技术应用到客户关系管理系统就成为必然。数据挖掘这一融合多种分析手段，从大量数据中发现有用知识的方法就应运而生了，它的出现为商业决策提供了有价值的知识，让企业获得了利润。在客户关系管理中，数据挖掘正在起着导向的作用。常用的数据挖掘技术包括关联分析、序列分析、分类分析、聚类分析、预测、孤立点分析等。事实上，解决一个已给的业务问题时，数据挖掘一般混合使用两种及两种以上的技术类别。 关联分析关联分析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。 序列分析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。 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。 孤立点分析数据库中可能包含一些数据对象，它们与数据的一般行为或模型不一致，这些数据对象称为孤立点。对这些数据的挖掘分析可以用于处理一些罕见事件，比如信用卡欺诈等。客户关系管理，是一种以客户为中心的经营策略，它以信息技术为手段，通过对相关业务流程的重新设计及相关工作流程的重新组合可以完善的客户服务和深入的客户分析来满足客户的个性化需求，提高客户满意度和忠诚度，从而保证客户终生价值和企业利润增长“双赢”策略的实现[1]。它是以客户为中心（而不是以产品为中心)、以企业与外部的业务交流为主导（而不是局限于企业内部的事务)、以企业的前端业务应用为主（而不是以企业的后端业务处理为主)的管理模式。客户关系管理需要数据挖掘当今社会，客户的价值已经越来越多地影响着企业的价值，客户关系管理（CRM）正是通过建立长期而系统的客户关系来提升单个客户价值的战略，其要旨在于帮助企业通过运用适合的技术以及合理的人力资源洞察客户的行为和他们的价值，以便企业能够迅速有效地对客户的需求进行回应。CRM的核心是“了解客户，倾听客户”，CRM的目标可以概括为“吸引潜在客户进入，提高现有客户满意度和忠诚度，降低客户流失”，总之一切的最终目的都是为了提高收益。 在企业关注客户关系管理的同时，信息技术的飞速发展为客户关系管理（CRM）的高效实施提供了技术保证；通过数据挖掘技术对客户需求进行深入分析可以满足企业对个体细分市场的客户关系管理需求。数据挖掘主要是找寻隐藏在数据中的信息，例如发现趋势、特征及相关性的过程，也就是从数据中发掘出信息或知识。数