标点符(钱魏 Way)

面向CRM的数据挖掘

客户关系管理(CRM)的指导思想就是对客户进行系统化的研究,以便改进对客户的服务水平,提高客户的忠诚度,并因此为企业带来更多的利润。这就要求CRM系统要能够有效地获取客户的各种信息,识别所有的客户与商家之间的中介关系,并且了解从这种关系发生开始客户与商家之间进行的所有交互操作;同时对客户的行为方式进行深入地分析,寻找其中的规律,为客户提供更好、更个性化的服务,为企业决策提供支持。

CRM 的应用价值

  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。

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,这时就要综合它们的规律性,提供合理的决策支持信息。

CRM中数据挖掘的应用

客户的获取。把客户根据其性别、收入、交易行为特征等属性细分为具有不同需求和交易习惯的群体,同一群体中的客户对产品的需求以及交易心理等方面具有相似性,而不同群体间差异较大。那么这就有助于企业在营销中更加贴近顾客需求。分类和聚类等挖掘方法可以把大量的客户分成不同的类(群体),适合于用来进行客户细分。通过群体细分,CRM用户可以更好地理解客户,发现群体客户的行为规律。在行为分组完成后,还要进行客户理解、客户行为规律发现和客户组之间的交叉分析。

重点客户发现。就是找出对企业具有重要意义的客户,重点客户发现主要包括:发现有价值的潜在客户;发现有更多的消费需求的同一客户;发现更多使用的同一种产品或服务;保持客户的忠诚度。根据80/20 (即20%的客户贡献80%的销售额)以及开发新客户的费用是保留老客户费用的5倍等营销原则,重点客户发现在CRM中具有举足轻重的作用。

交叉营销。商家与其客户之间的商业关系是一种持续的不断发展的关系,通过不断地相互是接触和交流,客户得到了更好更贴切的服务质量,商家则因为增加了销售量而获利。交叉营销指向已购买商品的客户推荐其它产品和服务。这种策略成功的关键是要确保推销的产品是用户所感兴趣的,有几种挖掘方法都可以应用于此问题, 关联规则分析能够发现顾客倾向于关联购买哪些商品。聚类分析能够发现对特定产品感兴趣的用户群,神经网络、回归等方法能够预测顾客购买该新产品的可能性。

客户流失分析。分类等技术能够判断具备哪些特性的客户群体最容易流失,建立客户流失预测模型。从而帮助企业对有流失风险的顾客提前采取相应营销措施。利用数据挖掘技术,可以通过挖掘大量的客户信息来构建预测模型,较准确地找出易流失客户群,并制定相应的方案,最大程度地保持住老客户。通过研究,认为数据挖掘技术中的决策树技术(Decision Tree)能够较好地应用在这一方面。

性能评估。以客户所提供的市场反馈为基础,通过数据仓库的数据清洁与集中过程,将客户对市场的反馈自动地输入到数据仓库中,从而进行客户行为跟踪。性能分析与客户行为分析和重点客户发现是相互交迭的过程,这样才能保证企业的客户关系管理能够达到既定的目标,建立良好的客户关系。

数据挖掘技术和任务

数据挖掘是从大量的数据中抽取出潜在的、有价值的知识或规则的过程。它是数据库中的知识发现(KDD)中的一个最重要的步骤。常用的数据挖掘方法和技术有:

  1. 决策树方法:用树形结构来表示决策集合,这些决策集合通过对数据集的分类产生规则。比较典型的决策树方法有ID3算法和CART(分类回归树)算法等。
  2. 遗传算法:它是在生物进化的概念基础上设计的一种优化技术,它包括基因组合、交叉、变异和自然选择等一系列过程,通过这些过程已达到优化的目的。
  3. 人工神经网络:它从结构上模仿生物神经网络,是一种通过训练来学习的非线性预测模型,可以完成分类、聚类、特征挖掘等多种数据挖掘任务。
  4. 最近临技术:这种技术通过已辨别历史记录的组合来辨别新的记录,它可以用来作聚类和偏差分析。
  5. 规则归纳:通过统计方法来归纳、提取有价值的规则。规则归纳技术在数据挖掘中被广泛应用。典型的方法有集合论的粗集(roughset)方法和概念树方法等。

数据挖掘的主要方法

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。

  1. 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。
  2. 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。
  3. 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。
  4. 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。
  5. 偏差分析(Deviation),从数据库中找出异常数据。
  6. 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。

上面介绍的数据挖掘的常用技术,可以完成这些任务,不同技术完成的任务和侧重点有很大不同。在具体应用中可根据具体的任务目的,选用合适的技术方案。

数据挖掘技术在CRM中的应用

根据数据挖掘所能够完成的任务,数据挖掘的技术可以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。在客户关系管理中,它可以应用到以下几个方面:

  1. 客户群体分类分析;近年来,特别是在电子商务环境下一对一营销正在受到企业的青睐,这意味着企业要了解每一个客户,并同其建立起持久的关系。利用数据挖掘技术可对大量的客户分类,提供针对性的产品和服务。
  2. 交叉销售;现代企业和客户之间的关系是经常变动的,一旦拥有了新的客户,就要竭力完善这种关系,需要对其进行交叉销售,为原有客户提供新的产品或服务。数据挖掘可以帮助你分析出最优的合理的销售匹配。
  3. 客户的获得、流失和保持分析;企业的增长和发展壮大需要不断维持老客户和获得新客户。数据挖掘可以帮助你识别出潜在的客户群,提高市场活动的响应率,使你做到心中有数,有的方矢。
  4. 客户盈利能力分析和预测;对于一个企业来讲,如果不知道客户的价值,就很难做出合适的市场策略。很显然,不同客户对于企业来讲,其价值是不同的。数据挖掘技术可以用来分析和预测不同市场活动情况下客户盈利能力的变化,帮助企业制定适合的市场策略。
  5. 客户背景分析;了解客户背景资料,有助于企业对客户的分析,从而更好的制定客户策略。数据挖掘可以从大量,表面无关的客户信息中发现许多对商家有用的模式。
  6. 客户满意度分析;分析客户对企业产品和服务的满意度,可以帮助企业改进客户营销策略,从而增加客户的忠诚度。数据挖掘可从零散的客户反馈信息中,分析出客户的满意度。
  7. 客户信用分析。分析客户信用,对商家很有意义,对不同信用级别的客户,采取不同的赊销方案等。数据挖掘,可从大量历史数据中分析出具体客户的信用等级。

总结

在CRM中有效利用数据挖掘,可以指导企业高层决策者制定最优的企业营销策略,降低企业运营成本, 增加利润,加速企业的发展。只有融合了数据挖掘技术的高效的客户关系管理才能更好地适应当今信息时代及其网络化特征,成为现代企业在激烈的市场竞争中生存的根本和制胜的关键。

码字很辛苦,转载请注明来自标点符《面向CRM的数据挖掘》

评论