新型客户订单分析管理

辽宁对外经贸学院 栾 阳

1.数据挖掘技术概述

1.1 数据挖掘技术的分析方式

在当今的人工智能领域之中，数据挖掘技术被称为知识发现或数据库中知识发现(Knowledge Discovery in Databases，KDD)，也有人把数据挖掘技术视为是从数据库中知识发现过程的一个基本步骤。数据挖掘技术是一个从大量数据中抽取挖掘出未知的、有价值的模式或规律等知识的非平凡过程，因此它与数据仓库有着密切的联系。

图1 数据挖掘系统原型

数据挖掘的分析方法大致有两大种类。一类是直接数据挖掘，其目标是利用可用的数据建立一个模型，这个模型对一个特定的变量(可以理解成数据库中表的属性，即列)进行描述；另一类是间接数据挖掘，其目标中没有选出某一具体的变量来用模型进行描述，而是在所有的变量中建立起某种关系。上面的分类、估值、预言属于直接数据挖掘，后三种属于间接数据挖掘。数据挖掘的分析方法大致可分为以下几种：

分类(Classification)。从数据中选出已经分好类的训练集，在该训练集上运用数据挖掘分类的技术，建立分类模型，对于没有分类的数据进行分类。

例子：信用卡申请者，分类为低、中、高风险。

估值(Estimation)。估值与分类十分相似，不同之处在于，分类描述的是离散型变量的输出，而估值处理连续值的输出；分类的类别是确定数目的，估值的量是不确定的。

例子：

a.根据购买模式，估计一个家庭孩子个数。

b.根据购买模式，估计一个家庭的收入。

c.估计real estate的价值。

预言(Prediction)。预言是通过分类或估值起作用的。及先通过分类或估值得出模型，然后再用该模型对未知变量的预言。

例子：海南航空引入领先的数据挖掘工具马克威分析系统，分析客流、燃油等变化趋势，以航线收益为主题进行数据挖掘，制定精细的销售策略，有效提高了企业收益。

相关性分组或关联规则(Affinity grouping or association rules)。决定哪些事情将一起发生。

例子：

a.超市中客户在购买A的同时，经常会购买B，即A=＞B(关联规则)。

b.客户在购买A后，隔一段时间，会购买B(序列分析)。

聚集(Clustering)。聚集是对记录分组，把相似的记录在一个聚集里。聚集和分类的区别是聚集不依赖于预先定义好的类，不需要训练集。

例子：

a.一些特定症状的聚集可能预示了一个特定的疾病。

b.租VCD类型不相似的客户聚集，可能暗示成员属于不同的亚文化群。

描述和可视化(Description and Visualization)。是对数据挖掘结果的表示方式。

1.2 数据挖掘技术的实现方法

在技术方面，根据数据挖掘的工作过程可分为数据的抽取、数据的存储和管理、数据的展现。

数据的抽取：数据的抽取是数据进入仓库的入口。数据的存储和管理：数据仓库的组织管理方式决定了它有别于传统数据库的特性，也决定了其对外部数据的表现形式。数据的展现：在数据展现方面主要的方式有：

查询：实现预定义查询、动态查询、OLAP查询与决策支持智能查询。

报表：产生关系数据表格、复杂表格、OLAP表格、报告以及各种综合报表。

可视化：用易于理解的点线图、直方图、饼图、网状图、交互式可视化、动态模拟、计算机动画技术表现复杂数据及其相互关系。

统计：进行平均值、最大值、最小值、期望、方差、汇总、排序等各种统计分析。

挖掘：利用数据挖掘等方法，从数据中得到关于数据关系和模式的识。

2.数据挖掘技术在客户订单管理中的应用

2.1 进行客户识别和保留

首先应识别潜在客户，然后将他们转化为客户这时可以采用DM中的分类方法。首先是通过对数据库中各数据进行分析，从而建立一个描述已知数据集类别或概念的模型，然后对每一个测试样本，用其已知的类别与学习所获模型的预测类别做比较，如果一个学习所获模型的准确率经测试被认可，就可以用这个模型对未来对象进行分类。客户保留则是留住老顾客，防止客户流失的过程。对企业来说，获取一个新顾客的成本要比保留一个老顾客的成本高。在保留客户的过程中，非常重要的一个工作就是要找出顾客流失的原因。

2.2 数据挖掘技术在客户管理中的应用

客户的忠诚意味着客户不断地购买公司的产品或服务。数据挖掘在客户忠诚度分析中主要是对客户持久性，牢固性和稳定性进行分析。比如大型超市通过会员的消费信息，如最近一次消费，消费频率、消费金额三个指标对数据进行分析，可以预测出顾客忠诚度的变化，据此对价格、商品的种类以及销售策略加以调整和更新，以便留住老顾客，吸引新顾客。

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，帮助企业制定合适的市场策略。商业银行一般会利用数据挖掘技术对客户的资料进行分析。找出对提高企业盈利能力最重要的客户。进而进行针对性的服务和营销。

3.基于数据挖掘技术的客户订单管理

3.1 客户订单管理系统需求分析

随着社会的不断进步，信息技术的不断发展，企业将面临越来越多的挑战，而传统的订单管理系统已经不能满足现在飞速发展的社会的需要。在这种压力之下，各个企业都希望有一个更好的系统来对企业的客户和订单进行管理，并且尽可能的发挥出数据的有用价值。从而，我们的基于数据挖掘技术的客户订单管理系统应运而生。作为一个客户订单管理系统，它首先要有客户管理模块来对企业的客户进行管理，还需要一个订单管理模块来对客户下的订单进行管理。在这基础上，系统中数据挖掘模块，来对企业的客户数据进行数据挖掘，从未知的数据当中发掘出有用的数据，从而尽可能的提高企业在当今社会中的生存能力。

在系统中包含了四个功能模块，它们分别是：客户管理模块、订单管理模块、数据挖掘模块和系统管理模块，以及密码修改、软件锁定和退出系统三个快捷按钮。

其中文件菜单下包括数据库连接、注销和退出三个子菜单；客户管理菜单下包括客户信息的添加、修改、查询和删除四个子菜单；订单管理菜单下包括订单的查询、添加、修改、删除和维护五个子菜单；系统管理菜单下面包括数据导出和用户管理两个子菜单；密码修改、软件锁定和退出系统三个按钮分别可以进行当前用户的密码修改，软件的临时锁定和退出系统。

3.2 客户订单管理系统—客户盈利能力分析和预测

系统利用数据挖掘进行客户盈利能力分析和预测，所采用的工具是著名的SAS Enterprise Miner 9.2，这是一种在我国的企业中广泛使用的数据挖掘工具。SAS Enterprise Miner是一种通用的数据挖掘工具，按照“抽样—探索—转换—建模—评估”的方法进行数据挖掘。可以与SAS数据仓库和OLAP集成，实现从提出数据、抓住数据到得到解答的“端到端”知识发现。SAS软件是模块式结构，最常用的3个模块分别是SAS/BASE(基础)、SAS/STAT(统计)和SAS/GRAPH(图形)，还有SAS/ETS(预测)、SAS/IML(矩阵运算)和SAS/QC(质量控制)等约20个模块。这些模块可单独使用、也可互相配合起来使用。

数据导入：常用的导入和导出数据格式包括：文本文件(txt格式)、纯数据文件(dat格式)、EXCEL文件(xls格式)、ACCESS文件(mdb格式)。

数据分析：最简单的SAS程序由一个SAS数据步(SAS DATA STEP)和一个SAS过程步(SAS PROCEDURESTEP)两部分组成。数据步以DATA语句开头，其作用是建立SAS数据集(SAS DATA SET)。具体地说，就是建立起变量与数据之间的联系，使数据能方便地被SAS过程所利用；过程步以PROC语句开头，其作用是激活SAS过程。

数据导出：分析完成后，选择文件/导出数据，输入要导出的文件逻辑名称和数据文件名称后选择导出的格式，下一步输入导出的路径和文件的名称。最后进入SAS Wizard界面，对输出的table命名，点击finish完成。通过“客户分析”把SAS的分析结果导入到该系统中，客户分析界面如图2所示。

图2 客户分析图

4.新型客户订单管理系统的发展

近年来，以互联网为代表的计算机信息技术的迅速普及，使人们的生活条件和社会环境发生了巨大的变化。大量的数据库被广泛的应用于企业管理，科学研究，电子商务，金融预测，商品零售，医药化工，政府办公以及工程开发等社会生活的各个领域，并且这一趋势仍将继续。

运用数据挖掘技术和基于客户订单管理的相关理论，建立基于数据挖掘技术的客户订单管理框架，在客户订单管理系统的实现中融入数据挖掘技术，使得系统在对数据访问、数据分析和制定决策方面为用户提供更强大的服务，提高系统的可用性。鉴于客户订单系统解决方案建立在企业原有数据库系统之上，通过分析各种数据之间的关联，针对不同的客户建立不同的联系，最大化挖掘订单价值，为企业管理层提供正确的决策支持，提升企业的竞争能力和盈利能力。因此，客户订单管理系统的建设对于企业的发展有重大意义。充分利用企业的订单数据资源，与数据挖掘技术相结合，从大量的数据中抽取有用的商业信息，实现经营管理中的决策支持，从而提高客户订单管理系统的时效性。

[1]金周银.服装企业度身定制的客户订单管理系统的设计与实现[J].工业控制计算机，2010(3)：15-18.

[2]段晓华.数据挖掘技术在电子商务客户关系管理中的应用研究[J].湖南文理学院学报(自然科学版)，2010(2)：35-38.

[3]戴宏钦.基于CRM的订单管理系统[J].电脑开发与应用，2008(11)：46-48.

[4]季明.客户订单项目的工作结构及企业组织结构[J].工业工程与管理.2007(增刊)：34-37.

[5]DaimlerChrysler Corporation.Cross Industry Standard Process for Data Mining，2007(7)：18-22.