CRM中数据挖掘方法，流程与应用.doc

CRM中数据挖掘方法，流程与应用 CRM的基本思想 　　客户关系管理（Customer Relationship Management）简称CRM，由美国的Gartner Group Inc公司于1999年首先提出。CRM是一种以客户为中心的经营策略，它以信息技术为手段，并对工作流程进行重组，以赋予企业更完善的客户交流能力，最大化客户的收益率。客户关系管理包括一个组织机构判断、选择、争取、发展和保持其客户所要实施的全部过程。 　　客户关系管理是指企业通过和客户富有成效的交流沟通，来了解、影响客户的行为，实现提高客户获取率、客户保留率、客户忠诚度来达到客户创利的目的。也就是说企业通过选择恰当的客户、采用合适的沟通方式、通过正确的渠道、在正确的时间内向客户提供正确的服务，从而增加企业的商机。 　　CRM的应用价值体现在以下几个方面：1、增加新客户的同时，减少老客户的流失。从某种意义上来说，老客户对企业的价值要更高，有统计数据表明，挽留一个老客户带来的价值相当于发现五个新客户；2、寻找大客户。这些客户在企业的销售中占据了很大比重；3、利用CRM可以实现对客户的针对性销售。利用客户信息可以成功地进行企业的市场营销策略和相关的商品价格、成本等管理活动。4、降低销售成本。CRM只以少量的投入有针对性地对潜在客户和大客户进行促销，就可以取得高于常规营销手段的效果。 　　可以看出，CRM的核心是“以客户为中心”，因此CRM的实施必须要获取大量客户的有用信息，并通过管理和分析大量的信息，从中找出对企业管理决策有价值的知识。这一切都需要有先进的技术和工具的支持，数据挖掘的出现，给予了CRM良好的技术支持。 　　数据挖掘的主要方法 　　数据挖掘也被称作KDD(Knowledge Discovery in Database)，即数据库中的知识发现，是一种决策支持过程，它主要基于AI（人工智能）、机器学习、统计学等技术，高度自动化地分析企业原有的数据，作出归纳性的推理，从中挖掘出潜在的模式，预测客户的行为，帮助企业的决策者调整市场策略、减少风险、作出正确的决策。 　　CRM中的数据挖掘是指从大量的有关客户的数据中挖掘出隐含的、先前未知的、对企业决策有潜在价值的知识和规则。技术上，客户关系管理系统采用嵌入数据挖掘系统的方式，可以自动地产生一些所需要的信息。更进一步的，还需要企业有统计学、决策科学、计算机科学方面的专业人才制定出相应的挖掘规则以进一步发挥出挖掘系统的优势。 　　数据挖掘的主要方法包括关联分析、时序模式、分类、聚类、偏差分析以及预测等，它们可以应用到以客户为中心的企业决策分析及管理的不同领域和阶段。 　　关联分析(Correlation)，其目的就是挖掘出隐藏在数据间的相互关系。例如，80%顾客同时会在购买某种A产品的同时购买B产品，这就是一条关联规则。 　　时序模式(Sequence Discovery)，通过时间序列搜索出重复发生概率较高的模式，这里强调时间序列的影响。例如，某段时间内，购买了A产品的人中，70%的人会买B产品。 　　分类（Classification）,找出一个类别的概念描述，它代表了这类数据的整体信息。分类是数据挖掘中应用最多的任务。要为每个类别做出准确的描述或建立分析模型或挖掘出分类规则，然后用这个分类规则对其他数据库中的记录进行分类。 　　聚类(Clustering)，按一定规则将数据分为一系列有意义的子集。同一聚类中，个体之间的差距较小，不同聚类中，个体之间的距离偏大。采用不同的聚类方法，对于相同的记录集合可能有不同的划分结果。 　　偏差分析(Deviation)，从数据库中找出异常数据。 　　预测(Prediction)，利用历史数据找出规律，建立模型，并用此模型预测未来数据的种类、特征等。 　　CRM中数据挖掘的工作流程 　　数据抽样。当进行数据挖掘时，首先要从企业大量客户信息数据中抽取出相关的数据子集。通过对数据样本的精选，不仅能减少数据处理量，节省系统资源，而且能通过对数据的筛选，使数据更加具有规律性。 　　数据探索。数据探索就是通常所进行的对数据深入调查的过程，从样本数据集中找出规律和趋势，用聚类分析区分类别，最终要达到的目的就是搞清楚多因素相互影响的、十分复杂的关系，发现因素之间的相关性。 　　数据调整。通过上述两个步骤的操作，对数据的状态和趋势有了进一步的了解，这时要尽可能对问题解决的要求能进一步明确化、进一步量化。 　　模型化。在问题进一步明确，数据结构和内容进一步调整的基础上，就可以建立模型。这一步是数据挖掘的核心环节，运用神经网络、决策树、数理统计、时间序列分析等方法来建立模型。 　　评价。从上述过程中将会得出一系列的分析结果、模式和模型，多数情况会得出对目标问题多侧面的描述，这时就要综合它们