基于数据挖掘客户忠诚度分析.docVIP

基于数据挖掘客户忠诚度分析 　　摘要： 文章采用分类和回归两种数据挖掘方法，通过构造一个具有趋势变化的属性，对客户忠诚度的变化趋势进行预测，并通过客户关系数据验证了本方法的实用性。 　　Abstract： By using classification and regression， this article constructs an attribute which can express the trend of Customer Loyalty， and validates the practicability of this method by the customer relation data. 　　关键词： 数据挖掘；分类；回归；客户忠诚度 　　Key words： Data Mining；classification；regression；Customer Loyalty 　　中图分类号：F83 文献标识码：A 文章编号：1006-4311（2013）06-0140-04 　　0 引言 　　上世纪八十年代来，随着市场竞争的日趋激烈，企业在市场营销上面临着新的挑战，传统的4P理论越来越不适应市场发展变化的需求。如今的市场营销无论是理论还是实践都已经实现了向4C的转变。在4C营销理论中，首先强调的就是客户（Customer），它居于这一理论的核心地位。所以这种营销理论又被视为一种“以客户为中心”的营销战略。而这一营销战略的核心思想就是追求“客户忠诚”的目标。对于“客户忠诚”，至今还没有一个准确的定义，但是在一些理论阐述和实践应用中，这一概念被普遍理解为是某个企业的客户对该产品或服务有愿意继续购买的倾向。虽然这种解释并非正式的，但是从一些衡量客户忠诚度的指标上可以得到证实，比如客户对其所认可的产品进行长期、频繁、大量的购买，或者与企业建立某种长期的合作关系等。 　　随着市场营销实践的不断发展，客户的忠诚度以及变化趋势进行研究引起了业内的广泛关注。本文针对这一趋势，设计了一套客户忠诚度预测系统，通过数据挖掘技术的引入，对客户数据进行科学分析，帮助决策者做出正确决策。 　　1 系统功能简介 　　到目前为止，国内外已经有许多成熟的CRM产品，它们已广泛应用于零售业、制造业、金融业等，这些产品也用到了数据挖掘技术，如聚类分析算法或孤立点算法等。但是它们更多的是将目标放在对客户分类或找出最忠诚的或是最不忠诚的客户上，其功能受到了一定局限，无法对客户忠诚度的变化趋势进行可靠预测。例如，银行业中的客户忠诚度分析只是找出存款多的重点客户，或者是找出那些行为异常的有欺诈行为的客户。本文针对这一问题进行研究，结合实际应用，既构造出了能够反映趋势变化的属性，又把不能用于分类分析的连续属性离散化，然后再利用所构造出的属性和其他的相关属性，进行分类分析，最终得到客户忠诚度的变化趋势。该系统的主要功能如下： 　　1.1 数据预处理 能够对已有数据集中的数据进行缺值填充、数据转换、数据离散化、数据规范化等功能。 　　1.2 发掘重点客户 忠诚度高的客户和忠诚度低的客户都属于重点客户的范畴。而客户关系管理理论中的2/8原则告诉我们：80%利润来自20%客户，因此不仅要紧紧抓住老客户、继续保持老客户的忠诚度，而且还要积极促成那些非忠诚客户转变为忠诚客户。为了达到这一目的，该系统通过利用数据挖掘中的孤立点分析技术，使得这些客户可以从庞大的数据集中被有效识别出来。 　　1.3 客户忠诚程度预测 从客户关系数据库中提取相关客户信息，在充分考虑到各种主客观因素的前提下，采用回归分析和分类分析等方法预测客户忠诚度变化的趋势，为决策者提供市场分析参考，以便于采取有针对性的措施，留住更多的客户。 　　统机构如图1。 　　2 客户忠诚度预测模块的实现 　　该模块的主要作用是通过分析研究客户关系数据集中客户信息，实现对客户忠诚度变化趋势的预测。在技术运用上，主要采用了数据挖掘中的分类和回归技术。在分类预测算法的运用中，需要通过训练集建立分类模型，然后用该模型进行预测并得出结果。 　　下面我们以某一客户关系数据来详细介绍客户忠诚度预测模块的实现过程。 　　我们从客户编码表、客户订单提报表、订单商流确认表和订单销售发票表等与客户有关的资料中，选取了两项——客户编码表和客户订单提报表作为分析的数据源。这两项数据资料不仅反映了客户的相关信息，而且也反映出了客户的购买意图，对于客户忠诚度的分析有很大作用。下面将从数据预处理和客户忠诚度预测等方面对上述两项数据资料进行分析。 　　2.1 数据的选取 客户订单提报表内容包括：订单号、订单类型、工贸、客户编码、存货类型、产品编码、会计期、会计周、市场经理编码、型号经理编码、提报数量、订货数量、减