数据挖掘技术在企业客户关系管理(CRM)中的应用①

河北金融学院 郭佳

随着Internet的飞速发展，网络已经成了一个全球性的巨大的信息服务中心，大量信息在给人们带来方便的同时，也带来很多问题：一是信息量过大，二是信息难辨真假，三是信息安全难以保证，四是信息形式不统一。所以人们开始考虑怎样才能从海量信息中发现有用的知识，充分提高信息的利用率，于是数据挖掘技术便应运而生。

1 数据挖掘的概念

数据挖掘技术是从大量数据中提取或挖掘知识的过程，又称为数据库中的知识发现，是指从大型数据库或数据仓库中提取隐含的、未知的，但又是潜在有价值的信息和知识的过程。数据挖掘可以从数据中提取人们感兴趣的可用信息和知识，并将它们表示成概念、规则、模式等形式，以便人们理解与利用。数据挖掘涉及多学科和技术，例如数据库技术、统计学、信息提取、高性能计算、机器学习、神经网络和数据可视化等学科。并应用于包括商业、保险业、电信业、教育、科学研究等多个领域。

如果从企业角度分析，数据挖掘是一种新的客户信息处理技术，通过对企业数据库中的海量业务数据进行抽取、转换、分析，从中提取对企业决策起到关键性作用的数据，并进一步将其转化为企业先进有效的管理方法。

综上所述，我们可以把数据挖掘的概念总结以下几个特点。

(1)数据挖掘是通过采用自动或半自动的手段，在海量数据中发现有意义的行为和规则的分析活动。(2)数据挖掘是以科学的方法和模型的建立作为挖掘基础。(3)数据挖掘的使用者需要对决策问题深入理解，对模型深刻认识，从而作出科学的决策。

2 数据挖掘在企业客户关系管理中应用的必要性和作用

目前越来越多的企业使用数据挖掘技术来加强CRM的应用水平，衡量一个企业是否有竞争力也从先前看重它的产品和生产效率逐渐转化为看重它是否具有良好的客户关系。早期由于技术的限制，使得企业很难做到全方位了解客户的特征和需求，而在现在这个网络科技时代，成熟的数据库和数据仓库挖掘技术，使企业能更便捷的掌握客户的需求和行为。客户关系管理是企业达到预期利润目标的最有利工具，而数据挖掘就是这个工具的最佳引擎。数据挖掘在CRM中的应用模型如下图所示。

具体来说，企业CRM应用数据挖掘的必要性体现在以下几个方面。

图1 数据挖掘在CRM中的应用模型

2.1 把握客户动态

所谓把握客户动态即快速了解客户行动的改变、偏好的改变，快速做出相应的对策，从而赢得客户。我们可以将客户的生命周期分为：获得新客户、提高客户价值、保持客户三个阶段。在生命周期的不同阶段，数据挖掘也有其不同的应用价值。

首先，获得新用户是企业发展壮大所必须的，数据挖掘能够从现有的客户资料中总结出共同的特点，通过分类或聚类对客户进行分类，再通过模式分析预测潜在客户群，从而提高市场活动的响应率。

其次，由于现代企业和客户之间的关系是经常变化的，一旦公司之间建立了合作关系，企业就要尽力保持好这种关系，并不断提高客户价值，使其向着最长时间、最多交易次数、最大交易利润的方向发展。而交叉销售可以帮助企业实现以上目标。所谓交叉销售及企业通过与客户的交流，向现有客户销售新的产品或提供新的服务的过程。

再次，由于行业竞争的不断加剧，企业获得新客户的成本也在不断的上升，往往失去的客户比新挖掘的客户贡献的利润更多，因此对原有客户的保持显得尤为重要。据权威机构统计数据说明，在全球500强中，5年内流失客户约50%，而企业获取一个新客户所消耗的成本是保留一个老客户的近10倍，所以对企业而言，留住老客户，提高客户的忠诚度是非常重要的。利用数据挖掘的孤立点分析法，可以发现客户异常行为，建立预测模型，找出易流失的客户群体，制定相应的对策方案，避免客户流失带给企业的诸多不利影响。

2.2 实施个性化营销

数据挖掘技术可以对客户的行为模式进行分析和追

踪，发现客户的行为方式和喜好，从而为客户量身定做产品、定价及服务，实施个性化的营销理念，这也是企业通过高质量的产品和服务争取新客户、保持老客户、提高客户忠诚度和满意度的重要途径。

2.3 追踪市场变化

数据挖掘技术在企业的CRM中挖掘客户历史信息，通过得到的有价值的信息，预测潜在客户信息，及时调整产品和服务方向，制定有针对性的决策方案，把握市场发展动态。

综上所述，我们得出CRM是一种管理技术，数据挖掘是一种数据处理和分析技术。后者是前者的运用工具，为其提供数据基础平台和技术支持。数据挖掘技术可以帮助CRM挖掘出企业隐含的、未知的，但又是潜在有用的信息和知识，包括客户的特征、“黄金客户”、客户关注点以及客户忠诚度等等，并能够根据已有的信息对未来发生行为做出结果预测，科学确定各种业务的实施方案。数据挖掘在企业CRM中的应用，能够将全面的管理视角、强大的交流能力和最大的利润收益提供给企业。

随着我国企业对CRM应用水平的不断提高，企业对CRM中数据挖掘部分的要求也会越来越高，数据挖掘在企业CRM中的作用也越来越显著，具体表现如下所示。

数据挖掘在企业客户关系管理中的应用范围很广泛，比如客户盈利能力、客户保留、客户细分、客户倾向、渠道优化、风险管理、欺诈监测、需求预测等等。在不同的应用领域体现着不同的应用价值。

(1)客户价值的分析。通过数据挖掘技术，可以分析客户盈利能力及预测客户盈利能力的变化，计算客户对企业的价值度，根据价值度大小，划分客户群体，实施有针对性的服务，制定适合的市场策略。

(2)客户满意度分析。数据挖掘可以分析客户对企业产品和服务的满意度，把信息系统中的大量客户分成不同的类，针对不同的类提供不同的个性化服务，帮助企业完善营销策略，提高客户的忠诚度，从而留住客户。

(3)客户的保持。数据挖掘中的聚类和关联分析可以将企业客户分为不同类型的群体，例如稳定型价值高客户群、易流失型价值高客户群、稳定型价值低客户群、易流失型价值低客户群和没有价值的客户群。从而辅助企业管理者针对不同客户群体做出相应对策，避免客户流失带给企业不必要的损失。

(4)潜在客户分析。一个企业若要获取一个新客户，就要从潜在客户信息开始挖掘，发现客户的行为习惯，发现行为相似的潜在客户群，不断挖掘新客户，提高市场占有率。

(5)客户的信用风险分析。采用数据挖掘中的神经网络算法对企业的海量数据进行分析和处理，并建立模型，对现有客户群体进行测试，测探出具有欺诈倾向的客户。同时可以采用孤立点分析法，找出行为异常的客户进行防范。对客户的信用风险进行分析预测，有利于企业在风险发生前进行预警，进而采取有效的措施进行控制。

总之，数据挖掘技术在中小企业CRM中的广泛应用，为企业挖掘出有价值的潜在客户的同时，使企业能够按照不同客户群体提供有针对性的个性服务，提高客户的满意度和忠诚度，提高客户信用风险的预测和控制能力，从而提高企业CRM的应用水平和市场响应能力。

3 数据挖掘技术在企业CRM中应用的步骤

一个完整的数据挖掘过程主要由数据准备、数据挖掘和结果表达解释三个阶段构成。如下图所示。

图2 数据挖掘的一般过程

在企业CRM中实施数据挖掘技术一般采用以下步骤：

(1)挖掘任务的确定。首先建立数据仓库，明确需要解决的问题和预计达到的目标。决策者在制定任务目标时，要考虑企业的现状和技术水平，也要考虑市场对企业的要求和挑战，这样才能保证数据挖掘工作有效的开展和进行。

(2)应用用户的确定。企业CRM系统的应用群体比较复杂，包括普通工作人员、部门管理者、高层决策者等，所以数据挖掘应用的用户群体也比较复杂，因此细致的用户需求分析是非常必要的。

(3)训练数据源组的确定。数据挖掘的成功在很大程度上取决于数据的数量和质量。我们应从大量的企业客户数据中找到与分析问题有关的，具有代表性的样本数据子集，并确保数据的适用性和质量。然后，进行数据预处理、分析，按问题要求对数据进行组合或增删，从而对问题状态进行有效描述。

(4)数据挖掘技术的选择。针对所要解决的问题，选择适当的挖掘技术，可以在很大程度上提高系统的可靠性。例如若明确主要任务是客户分类，我们可以采用贝叶斯分类算法、决策树算法、遗传算法等等，经多方面的认真分析和权衡后，最终采用决策树中ID3算法进行分类和预测，这个过程就是挖掘工具的选择过程。

(5)模型的建立。模型的建立是数据挖掘的核心步骤，不同的挖掘技术产生的结果模型有很大区别，而且对模型的理解也存在着一定的差异，另外，对结果的表达和描述也非常重要，不恰当的描述会给企业决策造成很大的误导。

(6)结果的验证。通过上述步骤，得到一组挖掘结果，使用建立模型的原始数据或新数据对其进行反复验证，纠正其中的错误，提高挖掘结果的可靠性。

(7)用户的理解与支持。用户对客户关系管理中数据挖掘的支持、理解和承诺，是数据挖掘成功的关键因素之一。所以要对用户进行培训，使他们熟悉使用CRM系统挖掘的整体流程、功能和作用，进而对挖掘结果深入理解和有效的可视化。

4 数据挖掘结果在企业CRM系统中的显示

针对企业CRM系统不同的分析功能，分析结果可以选择以报表形式或者以图表形式进行显示。

报表显示主要是将从数据库中读取的数据按照一定的格式显示出来，可以通过vbscript函数实现。图表显示主要是利用VML(Vector Markup Language,矢量标记语言)来实现。

在VML中单个元素被定义为形状(shape)，大多数形状是由矢量路径描述的。形状有很多属性，例如：名称(title)、样式(style)、填充(fi ll)、填充颜色(fi llcolor)等。本文中分析模块利用的就是VML的基本元素，通过画线、填充和样式的控制来实现柱状图的显示。

[1]赵华.基于数据挖掘的分析型CRM的应用研究[D].江苏大学,2005.

[2]张云涛,龚玲.数据挖掘原理与技术[M].电子工业出版社,2004.

[3]陈京民.数据仓库与数据挖掘[M].电子工业出版社,2002.

[4]武森,高学东,(德)M.巴斯蒂安.数据仓库与数据挖掘[M].冶金工业出版社,2003.