摘要:本文闡述了CRM的內(nèi)涵和外延及數(shù)據(jù)挖掘技術(shù)常用的算法和分析方法，并在此基礎(chǔ)上重點(diǎn)分析了數(shù)據(jù)挖掘技術(shù)在CRM中的功能和應(yīng)用。

關(guān)鍵詞：數(shù)據(jù)倉(cāng)庫(kù)；數(shù)據(jù)挖掘；知識(shí)發(fā)現(xiàn)；客戶關(guān)系管理

一、CRM的概念

經(jīng)過(guò)20多年的發(fā)展，市場(chǎng)經(jīng)濟(jì)的觀念已深入人心，一些先進(jìn)企業(yè)的經(jīng)營(yíng)理念正在經(jīng)歷著從以產(chǎn)品為中心向以客戶為中心的轉(zhuǎn)移。在這種背景下，企業(yè)有必要對(duì)客戶的各種活動(dòng)和信息進(jìn)行集成，實(shí)現(xiàn)對(duì)客戶的全面管理，這就是所謂的“客戶關(guān)系管理”（CRM）。

客戶關(guān)系管理(CRM)源于以客戶為中心的商業(yè)模式，其通過(guò)對(duì)客戶關(guān)系的有效管理，以鑒別、獲得、保持為企業(yè)帶來(lái)利潤(rùn)的客戶，是一種新型的管理機(jī)制。到目前為止，CRM還沒(méi)有統(tǒng)一的定義，最早提出CRM概念的Gartner Group認(rèn)為，客戶關(guān)系管理是為企業(yè)提供全方位的管理視角，賦予企業(yè)更完善的客戶交流能力，從而實(shí)現(xiàn)客戶收益率的最大化。根據(jù)企業(yè)資源管理研究中心（AMT）的定義，CRM是一種以客戶為中心的經(jīng)營(yíng)策略，它以信息技術(shù)為手段對(duì)相關(guān)業(yè)務(wù)功能進(jìn)行重新設(shè)計(jì)，并對(duì)相關(guān)工作流程進(jìn)行重組，以達(dá)到留住老客戶、吸引新客戶、提高客戶利潤(rùn)貢獻(xiàn)度的目的。筆者認(rèn)為，客戶關(guān)系管理（CRM）是現(xiàn)代企業(yè)管理的核心思想，它貫徹以客戶為中心的經(jīng)營(yíng)理念，利用信息技術(shù)來(lái)充分把握和了解客戶，在適當(dāng)?shù)臅r(shí)候，把適當(dāng)?shù)漠a(chǎn)品，通過(guò)適當(dāng)?shù)耐緩?，提供給適當(dāng)?shù)目蛻?。CRM為企業(yè)提供了一個(gè)收集、分析 和利用各種客戶信息的系統(tǒng)，幫助企業(yè)充分利用其客戶管理資源，也為企業(yè)在電子商務(wù)時(shí)代從容應(yīng)對(duì)不同的客戶提供了科學(xué)的手段和方法。

二、數(shù)據(jù)挖掘技術(shù)

1． 數(shù)據(jù)挖掘常用的算法。

（1）決策樹(shù)（decision tree）決策算法。決策樹(shù)是一個(gè)類似于流程圖的樹(shù)結(jié)構(gòu)，其中每個(gè)內(nèi)部節(jié)點(diǎn)表示在一個(gè)屬性上的測(cè)試，每個(gè)分枝代表一個(gè)測(cè)試輸出，而每個(gè)樹(shù)葉節(jié)點(diǎn)代表類或類分布。決策樹(shù)算法包括樹(shù)的構(gòu)造和樹(shù)的剪枝，有兩種常用的剪枝方法：先剪枝和后剪枝。

（2）神經(jīng)網(wǎng)絡(luò)（Neural Network）。神經(jīng)網(wǎng)絡(luò)是一組連接的輸入/輸出單元，其中每個(gè)連接都與一個(gè)權(quán)相連，在學(xué)習(xí)階段，通過(guò)調(diào)整神經(jīng)網(wǎng)絡(luò)的權(quán)，使得能夠預(yù)測(cè)輸入樣本的正確類標(biāo)號(hào)來(lái)學(xué)習(xí)。

（3）遺傳算法（Genetic Algorithms）。遺傳算法根據(jù)適者生存的原則，形成由當(dāng)前群體中最適合的規(guī)則組成新的群體，以及這些規(guī)則的后代。遺傳算法用于分類和其他優(yōu)化問(wèn)題。

（4）粗糙集方法。粗糙集方法基于給定訓(xùn)練數(shù)據(jù)內(nèi)部的等價(jià)類的建立。它將知識(shí)理解為對(duì)數(shù)據(jù)的劃分，每一被劃分的集合稱為概念，利用已知的知識(shí)庫(kù)來(lái)處理或刻畫(huà)不精確或不確定的知識(shí)。粗糙集用于特征歸約和相關(guān)分析。

（5）模糊集方法。基于規(guī)則的分類系統(tǒng)有一個(gè)缺點(diǎn)：對(duì)于連續(xù)屬性，他們有陡峭的截?cái)唷⒛：壿嬕?，允許定義“模糊”邊界，提供了在高抽象層處理的便利。

其它還有貝葉斯網(wǎng)絡(luò)、可視化技術(shù)、臨近搜索方法和公式發(fā)現(xiàn)等方法。

2． 數(shù)據(jù)挖掘常用的分析方法。

（1）分類和預(yù)測(cè)。分類和預(yù)測(cè)是兩種數(shù)據(jù)分析形式，可以用于提取描述重要數(shù)據(jù)類的模型或預(yù)測(cè)未來(lái)的數(shù)據(jù)趨勢(shì)。數(shù)據(jù)分類（data classfication）是一個(gè)兩步過(guò)程，第一步，建立一個(gè)模型，描述預(yù)定的數(shù)據(jù)類集或概念集，通過(guò)分析有屬性描述的數(shù)據(jù)庫(kù)元組來(lái)構(gòu)造模型。第二步，使用模型進(jìn)行分類。首先評(píng)估模型的預(yù)測(cè)準(zhǔn)確率，如果認(rèn)為模型的準(zhǔn)確率可以接受，就可以用來(lái)對(duì)類標(biāo)號(hào)未知的數(shù)據(jù)遠(yuǎn)祖或?qū)ο筮M(jìn)行分類。

預(yù)測(cè)是構(gòu)造和使用模型評(píng)估無(wú)標(biāo)號(hào)樣本類，或評(píng)估給定樣本可能具有的屬性值或值區(qū)間。分類和預(yù)測(cè)具有廣泛的應(yīng)用，如信譽(yù)證實(shí)、醫(yī)療診斷、性能預(yù)測(cè)和選擇購(gòu)物。分類和預(yù)測(cè)常用的算法包括決策樹(shù)歸納、貝葉斯分類、貝葉斯網(wǎng)絡(luò)、神經(jīng)網(wǎng)絡(luò)、K-最臨近分類、遺傳算法、粗糙集和模糊集技術(shù)。

（2）聚類分析。聚類是將數(shù)據(jù)對(duì)象分組成為多個(gè)類或簇（cluster），在同一個(gè)簇中的對(duì)象之間具有較高的相似度，而不同簇中的對(duì)象差別較大。作為統(tǒng)計(jì)學(xué)的一個(gè)分支，聚類分析已被廣泛的研究了許多年，現(xiàn)在主要集中在基于距離的聚類分析，基于k-means(k-平均值)、k-medoids(k-中心點(diǎn))和其他的一些聚類分析工具也有不少的應(yīng)用。

（3）關(guān)聯(lián)規(guī)則。關(guān)聯(lián)規(guī)則挖掘給定數(shù)據(jù)集中項(xiàng)之間的有趣聯(lián)系。設(shè)I={i1，i2，…im}是項(xiàng)的集合，任務(wù)相關(guān)的數(shù)據(jù)D是數(shù)據(jù)庫(kù)事務(wù)的集合，其中每個(gè)事務(wù)T是項(xiàng)的集合，使得T包含于I。關(guān)聯(lián)規(guī)則是形如A=>B的蘊(yùn)涵式，其中A∈I，B∈I，并且A∩B為空。關(guān)聯(lián)規(guī)則的挖掘分成兩步：①找出所有頻繁項(xiàng)集，這些項(xiàng)集出現(xiàn)的頻繁性至少和預(yù)定義的最小支持計(jì)數(shù)一樣。②由頻繁項(xiàng)集產(chǎn)生強(qiáng)關(guān)聯(lián)規(guī)則，這些規(guī)則必須滿足最小支持度和最小置信度。

（4）序列模式。序列模式分析和關(guān)聯(lián)規(guī)則分析類似，也是為了挖掘數(shù)據(jù)項(xiàng)之間的聯(lián)系，不過(guò)序列模式分析的是數(shù)據(jù)項(xiàng)在時(shí)間維上的先后序列關(guān)系，如一個(gè)顧客在購(gòu)買了計(jì)算機(jī)半年后可能再購(gòu)買財(cái)務(wù)分析軟件。

（5）孤立點(diǎn)分析。孤立點(diǎn)是度量錯(cuò)誤或固有的數(shù)據(jù)變異性的結(jié)果。許多數(shù)據(jù)挖掘算法都試圖使孤立點(diǎn)的影響最小，或排除它們。一個(gè)人的噪聲可能是另一個(gè)人的信號(hào)，在有些時(shí)候，孤立點(diǎn)是非常有用的。孤立點(diǎn)挖掘可以描述如下：給定一個(gè)n個(gè)數(shù)據(jù)點(diǎn)或?qū)ο蟮募?，以及預(yù)期的孤立點(diǎn)的數(shù)目k，發(fā)現(xiàn)與剩余的數(shù)據(jù)相比是顯著相異的或不一致的頭k個(gè)對(duì)象。孤立點(diǎn)探測(cè)方法可分為三類：統(tǒng)計(jì)學(xué)方法，基于距離的方法和基于偏移的方法。

三、數(shù)據(jù)挖掘在客戶關(guān)系管理中的應(yīng)用

1． 客戶細(xì)分。

客戶細(xì)分是指將一個(gè)大的客戶群體劃分為多個(gè)較小的客戶群體，在每個(gè)劃分后的客戶群體中，客戶在某個(gè)或幾個(gè)屬性值上具有高度的相似性，而在不同的群體之間客戶則差別較大。對(duì)一個(gè)商業(yè)銀行來(lái)說(shuō)，如果問(wèn)“誰(shuí)是企業(yè)客戶？誰(shuí)是私人客戶？”應(yīng)該是一個(gè)容易回答的問(wèn)題，但根據(jù)消費(fèi)行為，“客戶可以分為哪幾個(gè)群體？”卻不是容易回答的問(wèn)題。事實(shí)上，每個(gè)客戶都有一系列的相關(guān)屬性，而對(duì)一些企業(yè)來(lái)說(shuō)重要的分類需綜合一系列屬性而非單個(gè)屬性來(lái)評(píng)判。數(shù)據(jù)挖掘中的聚類方法，能夠幫助企業(yè)按照客戶的類別、行業(yè)、區(qū)域、職業(yè)、收入等企業(yè)感興趣的各種條件細(xì)分市場(chǎng)?？蛻艏?xì)分是企業(yè)確定產(chǎn)品和服務(wù)的基礎(chǔ)，也是建立一對(duì)一營(yíng)銷的基礎(chǔ)。2000年荷蘭銀行將客戶細(xì)分為頂級(jí)、重要、核心和大眾四類客戶群，提供有針對(duì)性的差別服務(wù)，營(yíng)業(yè)收入增長(zhǎng)了一倍以上。

2． 客戶獲得。

獲取客戶的傳統(tǒng)方式一般是通過(guò)各種媒體廣告、散發(fā)傳單等吸引新客戶，但是這種方式有著嚴(yán)重的缺陷，如不能做到有的放矢，造成資源浪費(fèi)，預(yù)期效果不理想等.數(shù)據(jù)挖掘中的分類、聚類技術(shù)可以幫助企業(yè)分析現(xiàn)有客戶來(lái)自哪里，他們有什么共同特征，然后建立響應(yīng)模型，估算客戶對(duì)一個(gè)產(chǎn)品與服務(wù)的響應(yīng)概率，挖掘潛在客戶。Eddie Bauer 公司使用SAS公司提供的數(shù)據(jù)挖掘工具，通過(guò)預(yù)期建模來(lái)決定哪些客戶會(huì)購(gòu)買相關(guān)產(chǎn)品，并向那些客戶發(fā)送郵件和產(chǎn)品目錄，收到了良好的效果。

3． 分析客戶行為，進(jìn)行交叉銷售。

交叉銷售是指企業(yè)向原有的客戶銷售新的產(chǎn)品或服務(wù)，它是購(gòu)物籃分析中的一個(gè)典型例子。在很多情況下，企業(yè)需要了解顧客的購(gòu)物習(xí)慣，如“顧客在一次購(gòu)物時(shí)會(huì)同時(shí)購(gòu)買什么樣的商品組合？”，以便進(jìn)行市場(chǎng)規(guī)劃、廣告策劃和分類設(shè)計(jì)。如果顧客購(gòu)買計(jì)算機(jī)也傾向于同時(shí)購(gòu)買財(cái)務(wù)管理軟件，那么將硬件擺放得離軟件近一點(diǎn)，可能有助于增加二者的銷售。數(shù)據(jù)挖掘中的關(guān)聯(lián)規(guī)則挖掘可以幫助發(fā)現(xiàn)大量數(shù)據(jù)中項(xiàng)集之間的這種有趣的關(guān)聯(lián)或聯(lián)系，

4． 分析客戶忠誠(chéng)度，避免客戶流失。

研究表明：獲得一個(gè)新客戶是留住一個(gè)老客戶的成本的5~8倍；對(duì)客戶保留率提高5%，利潤(rùn)會(huì)提高85%；推銷產(chǎn)品或服務(wù)給一位新客戶和一位老客戶的成交機(jī)會(huì)分別為15%和50%；如補(bǔ)救得當(dāng)，70%的不滿意的客戶會(huì)繼續(xù)購(gòu)買企業(yè)的產(chǎn)品或服務(wù)；著名的網(wǎng)上書(shū)店Amazon.com獲得了極大的成功，主要的原因是提升了客戶忠誠(chéng)度，來(lái)自160個(gè)國(guó)家的800萬(wàn)的客戶當(dāng)中，有65%的客戶是以前的老客戶。

因此現(xiàn)代企業(yè)要通過(guò)客戶關(guān)系管理提高現(xiàn)有的和潛在客戶的忠誠(chéng)度，避免客戶流失。數(shù)據(jù)挖掘技術(shù)通過(guò)流失建模幫助企業(yè)分析客戶忠誠(chéng)度，了解哪些客戶流失了，他們的共同特征是什么，什么時(shí)候流失的，流失的原因是什么，這種對(duì)客戶保持和流失的分析可以幫助企業(yè)制定有效措施，提高客戶忠誠(chéng)度。

5． 客戶盈利能力分析與預(yù)測(cè)。

根據(jù)20/80規(guī)則，20%的客戶通常會(huì)帶來(lái)80%的利潤(rùn)，因此企業(yè)需要了解哪些客戶是給企業(yè)帶來(lái)利潤(rùn)的客戶，哪些客戶會(huì)給企業(yè)帶來(lái)?yè)p失，從而將資源更多的分配給為公司貢獻(xiàn)利潤(rùn)的客戶，減少在不為公司貢獻(xiàn)利潤(rùn)的客戶身上所花的費(fèi)用，杜絕風(fēng)險(xiǎn)極高的客戶。利用數(shù)據(jù)挖掘中的分類與預(yù)測(cè)技術(shù)建立生命周期價(jià)值（LifeTime Value， LTV）模型可以預(yù)測(cè)客戶在預(yù)定時(shí)間長(zhǎng)度內(nèi)的總體利潤(rùn)。如電信公司可以預(yù)測(cè)一個(gè)新客戶的利潤(rùn)貢獻(xiàn)度，并據(jù)此制定相應(yīng)的營(yíng)銷策略。

6． 客戶滿意度分析。

通過(guò)自定義的定量的度量標(biāo)準(zhǔn)和公式，并根據(jù)時(shí)間和其他參數(shù)，利用數(shù)據(jù)挖掘技術(shù)和企業(yè)的數(shù)據(jù)倉(cāng)庫(kù)中關(guān)于客戶購(gòu)買、維修、反饋意見(jiàn)、建議、投訴等信息，可對(duì)客戶的滿意度進(jìn)行分析，找出客戶不滿意的原因并制定相應(yīng)的策略，提高客戶忠誠(chéng)度，增加企業(yè)的利潤(rùn)。

7． 異常監(jiān)測(cè)。

利用數(shù)據(jù)挖掘技術(shù)中的孤立點(diǎn)分析可以發(fā)現(xiàn)異常數(shù)據(jù)，這些異常數(shù)據(jù)對(duì)分析客戶的信用度是非常有用的，如在金融業(yè)利用孤立點(diǎn)分析可以發(fā)現(xiàn)信用卡惡意透支、洗黑錢等，在零售業(yè)可以分析客戶欺詐、銷售異常等。

參考文獻(xiàn)：

1．Jiawei Han，Micheline Kamber著．范明，孟小峰等譯．?dāng)?shù)據(jù)挖掘概念與技術(shù)．機(jī)械工業(yè)出版社，2002．

2．Olivia Parr Rud著．朱揚(yáng)勇，左子葉，張忠平等譯．?dāng)?shù)據(jù)挖掘?qū)嵺`．機(jī)械工業(yè)出版社，2003．

3．楊德宏，李玲編著．客戶關(guān)系管理成功案例．機(jī)械工業(yè)出版社，2002．

作者簡(jiǎn)介：南京大學(xué)商學(xué)院碩士生。

收稿日期：2004-01-29。