数据挖掘技术在客户关系中的应用范文

摘要:

为给企业提供更加科学、有效的决策支持，本文叙述了数据挖掘技术在客户关系管理中的应用，首先介绍了数据挖掘技术相关内容，并结合客户关系管理需求将其引入CRM系统设计中，构建了系统体系架构，并在此基础上剖析了数据挖掘技术在其中的具体应用过程和方法，从而为相关研究提供一定的参考。

关键词:

客户关系管理;数据挖掘技术;数据仓库

市场经济竞争的层层升级，倒逼企业开始由产品转向以客户为中心，客户关系管理(CRM)也因此成了企业获取更大市场份额，提升营销快速敏捷性和高效性的重要内容之一，如何挖掘有效的客户信息，实现其背后隐藏的市场价值，是企业提升综合竞争力所面临的首要问题。

1数据挖掘技术应用的原理及方法

数据挖掘技术数据挖掘是一种拥有强大规模数据库、高效计算能力的数据获取和处理技术，“能够从大量的、庞杂的数据信息中挖掘和提取深层次的、有效的、价值性较高的知识和规则”［1］，为营销管理、经营决策、市场预测、发展规划等提供科学、有效的支撑。当前数据挖掘技术已成为一种新型的企业客户关心处理技术，通过对企业数据库、数据仓库或是其他数据库中模糊的、随机的和不完全信息和知识进行抽取分析和模式化处理，获取更具价值的客户数据。数据挖掘应用的方法涉及:决策树和决策规则、关联规则、人工神经网络、聚类分析、粗糙集、统计方法及可视化方法等，在具体应用过程中应结合企业客户关系管理任务和侧重点的差异性，进行合理选择。

2基于数据挖掘的CRM体系结构的构建

本文应用数据挖掘技术所构建的CRM系统旨在改善企业与客户之间的新型管理机制，为实现销售、营销、服务、研发等提供决策支持功能，其体系架构如图1所示。

2.1客户接触该模块是企业与客户之间沟通、交流的主要方式，“用户可通过呼叫中心email、电话、传真等多种形式提出要求、获取所需信息”［2］，这也为企业获取、整合客户资源的、进行决策规划等提供条件，同时，其所涉及的客户包含现有客户、潜在客户、长期客户、短期客户等。

2.2数据存储在经过客户接触之后，系统将利用数据抽取工具对获取的客户数据进行预处理、存储，并形成以前区数据库、后区数据库、客户及产品数据库集、数据仓库等为基础的数据基础，其中企业内外部的即时数据存储于前、后区数据库，其与数据仓库存在双向联动，为应用管理提供支撑。

2.3数据挖掘数据挖掘是该系统的核心，数据挖掘模块从商业应用中提取应用目标，并制定相应的数据需求定义，向数据存储发送数据需求，依需求选取相关数据采用数据挖掘工具进行数据分析、处理，所得结果用于商业应用，以为客户互动渠道提供决策支持，并据此优化以往的商业应用目标定义。

2.4商业应用商业应用是系统的基础内容，涉及销售、营销、生产、管理等内容，其关键在于将CRM思想融入到企业实践中，调动企业全部员工和部门参与其中，通过与客户接触了解客户需求，进而依商业应用定义应用目标，并由数据挖掘进行数据处理，在数据挖掘发现的知识和模型的支持下，实施商业应用，以便在与客户接触中为其提供高品质的产品和服务。

3数据挖掘技术在客户关系管理中应用的具体步骤

本文从以技术为中心的角度来分析数据挖掘技术在客户关系管理中应用的过程和步骤如图1所示，详细分析如下:

3.1数据准备数据准备影响着数据挖掘的精确度和效率，并决定着最终挖掘模型的有效性。“数据集成是将所有的数据进行整合、解释语义模糊性、剔除无用的数据、弥补漏洞等”［3］;数据选择是依据用户需求利用数据存储库对数据进行处理，并从中选取需要挖掘的数据集合;数据预处理是对所选取的数据进行深度处理，检验数据的数据的完整性和一致性，弥补丢失的数据，噪声数据的处理，确定挖掘操作的类型，缩减待处理数据量;数据转换时以数据挖掘需求为准进行的离散数值和连续数值量数据之间的转换。

3.2数据挖掘数据挖掘的主要目的是建立训练数据和测试数据，依据数据特点和系统应用要求选用合适的技术和方法对数据进行分析，构建相对最优的模型，并以业务语言对这一模型进行相应处理，同时，依据应用需求还可能对数据进行预处理。应用模型是不断变化的过程，在搜寻最优模型过程中可能受到新情况的影响需要对重新选择和修改数据，甚至重新定义应用目标，同时，在模型建立之后，需要借助测试数据对其进行实时评估和检测，观察模型的应用效果，以准确判断何种模型对企业客户数据挖掘的业务问题最为适用。

3.3结果表达和解释结果表达和解释主要是在数据挖掘模型正式应用后，将所提取的知识依据最终用户的决策目的进行分心，并区分出来最有价值的信息提交给用户，在这个过程中不仅需要将所获取的知识数据以简单易懂的形式表现出来，还要逐列检查数据的有效性，一旦无法满足用户需求，则应重新进行数据挖掘，构建新的应用模型。

4数据挖掘技术在客户关系管理中的应用实施

数据挖掘技术可应用到以客户为中心的企业决策分析和管理的各个不同领域和阶段，涉及客户细分、客户保持、客户拓展、交叉销售等多方面，但所采用的数据挖掘技术存在差异，本文以下两方面为例来探讨数据挖掘技术的应用实施:

4.1客户细分客户细分多选用数据挖掘中的决策树分类算法来进行模型的构建，并帮助企业依据此客户分类模型策划不同的应用策略，以提升客户服务的针对性，具体应用过程如下:(1)目标变量的确定，本文依据营销学原理，选用客户购买能力作为目标变量，并细化为三类:较高、一般和较低，并以输入属性:客户名称、性别、年龄、职业等为内容建立属性列表，依据其中根据客户信的特定属性按次排序。(2)确定决策书中的最佳分裂点，首先创建根节点，且各个属性列表的数据记录都属于根节点，“依照一定次序计算列表属性的基尼值，选择合适的分裂点，并以此计算他们的GINI值，选取GINI值最小的选为该属性列表的最佳分裂点”［4］，经对比最优属性的最佳分裂点作为根节点的最佳分裂点，并将属性列表划分为两部分，建立数的两分支，并在此基础上对创建的两个子节点进行最佳分裂点的确定，直至属性列表中的数据归属同类或数据个数很少是，则停止划分，此时得到的节点为树的叶子节点，应用MDL算法剪修决策树，生成较为准确的决策树。(3)客户分类模型的建立，以所得决策树种的叶子节点作为一个独立的客户分类，从根节点至叶子节点的一条路径对应一条规则，整个决策树就可以认为是对应着的一组客户分裂表达式规则，由此企业便可很对不同客户指定差异性营销策略，精准寻求目标客户群。

4.2客户保持市场竞争环境的不断能升级，加剧了客户的流失，本文将利用聚类技术中的一平均算法来分析客户保持的应用示例，挖掘过程如下:(1)建立客户服务评价表从数据仓库中提取客户服务数据，该数据主要是有关客户的问卷调查，属性列表中输入:客户ID、服务内容、客户打分，依据服务满意度从1—5分区间选择打分。(2)确定3个点作为簇的中心“依据客户服务内容、层次水准的差异性，依据不同的戏份市场将其构成更加科学、有效的服务组合，并将客户打分数据输入聚类模型”［5］，设定K值为3，得出评分函数，并从中随机提取3各客户的打分向量作为初始的簇中心。(3)分析结果依据上述结果可得出具有类似服务需求的客户ID，进而可将其进行聚类分组，以便提供“一对一营销”的贴心服务，提升客户的忠诚度。

5结束语

本文针对企业客户关系管理的需求，给出了数据挖掘技术在其中的应用、建模、分析等过程和方法，为有效整合、管理客户资源，发现有用信息提供一定的参考，并为提升客户服务能力和企业竞争力奠定基础，但是鉴于企业信息系统封闭性的显著，目前研究内容具有一定的局限性，仍需后续不断完善、发展。

参考文献

［1］曹军．数据挖掘技术在银行客户关系管理中的应用研究［D］．湖南大学，2013．

［2］王芳，杨奕．论数据挖掘技术在客户关系管理(CRM)中的应用［J］．现代商贸工业，2009，01:350－351．

［3］刘建兰．数据挖掘技术在客户关系管理中的应用研究［D］．南昌大学，2010．

［4］赵春．基于数据挖掘技术的财务风险分析与预警研究［D］．北京化工大学，2012．

［5］刘英华，杨炳儒，马楠，曹丹阳．分布式隐私保护数据挖掘研究［J］．计算机应用研究．2011(10)．

［6］吕志军，王照飞，谢福鼎，桑雪．基于FCM聚类的时间序列模糊关联规则挖掘［J］．大连理工大学学报．2010(05)．

［7］孙亮．对大规模数据集高效数据挖掘算法的研究［J］．自动化与仪器仪表．2016(03)．

［8］陈文锋．基于统计信息的数据挖掘算法［J］．统计与决策．2008(15)．

［9］李珩，武雪芳．基于云计算的数据挖掘算法研究［J］．无线互联科技．2013(12)．

作者：孟娟娜 单位：西安职业技术学院