数据挖掘在客户全生命周期管理中的应用研究

王纵虎，刘速，杨文军

数据挖掘在客户全生命周期管理中的应用研究

王纵虎，刘速，杨文军

随着企业客户信息和交易数据不断积累，如何从这海量的数据中发现隐藏背后的有价值的客户特征、消费行为特征、客户价值等知识，从而更好地识别、获取、发展、保持客户，改进对客户的服务水平，提高客户的价值、满意度和忠诚度，为客户提供更好的服务的同时为企业带来更多的利润是每个企业都迫切关注的问题。介绍了客户全生命周期各个阶段的特点，总结了常用的客户关系管理相关的典型分析场景，提出了数据挖掘如何切入客户全生命周期各个阶段，并对企业中进行数据挖掘需要注意的问题进行了思考。

客户全生命周期；客户细分；客户价值

0　引言

随着企业信息化建设的不断深入，积累了大量的客户信息及交易记录等业务数据，数据已经成为各行各业的生产要素，这些数据背后往往隐含着客户群体特征、客户消费行为、客户价值等重要信息，如何对这些数据进行挖掘分析得到有用的知识对实现企业决策方式从“业务驱动”向“数据驱动”转型有着重要的意义。从目前的研究和应用来看，数据挖掘在客户关系管理中应用极为普遍［1］，尤其是在金融、通信运营商、零售、保险行业，在客户细分［2］、客户价值分析［3］、客户流失预测［4］等方面都有深入的研究和应用实践。

在数据挖掘客户全生命周期客户关系管理中的应用方面：方蕾等［5］应用数据挖掘中决策树算法，结合客户生命周期定性研究的一些研究成果，构建了电信行业的客户生命周期判定模型。齐佳音等［6］研究了基于客户全生命周期管理的营销管理体系，认为企业应该根据客户关系的不同阶段采取不同的营销策略。在移动通信业CRM应用的研究在国外起步相对较早，已有很多成功的案例，如英国电信在客户各周期将数据挖掘技术应用到客户行为的分析、研究与预测中，并以此作为提升CRM水平的重要手段，在客户发展期为了从营销中获得最大价值［7］。吴小红［8］等以客户为导向研究各种细分方法和技术，详细介绍了基于客户统计学、客户行为、客户价值和客户生命周期的客户细分方法。直接营销专家Bob Stone提出了RFM模型，即企业从近期购买（Reeeney）、购买频率（Frequeney）和购买金额（Monetary）三方面分析客户，以识别最有价值的客户汇。齐佳音等［9］提出了一种评价客户－企业价值（客户流向企业的价值）的充分价值评价体系，不仅能充分地反映客户在现在和将来所能带给企业的利润的净现值，还强调了销售量与客户带给企业发展潜力的贡献两项指标的重要性。英国电信公司使用SPSS的数据挖掘产品Clementine建立模型来确定潜在客户的购买倾向和他们变为用户后可能的价值，该系统的应用使英国电信更好的了解客户的特征，从而为销售人员和营销活动提供了“最佳客户”清单，而且使得直邮回复提高了100%［10］。文献［4］根据客户流失预测研究的发展历程和智能化程度的高低，将客户流失预测研究划分为基于传统统计学、基于人工智能和基于统计学习理论的预测方法三个阶段，并通过分析每个阶段存在的问题提出了未来可研究的方向。

1　客户全生命周期

客户全生命周期理论是从动态角度研究客户关系的重要工具［11］，可以清晰地洞察客户关系随时间变化的动态发展轨迹：客户关系的发展是分阶段的，不同的阶段客户的行为特征和为企业创造的利润不同；不同阶段驱动客户关系的客户主观感知价值不同；企业在客户生命周期的不同阶段应有不同的关系投入及管理策略。通过对客户生命周期的研究，可以更加清楚地了解客户关系的价值及其发展特征，为企业的客户关系管理提供有效的指导。客户关系管理用一句话总结便是：在最佳的时机，用最合适的价格对最合适的客户提供最佳的商品或服务。因此如何通过数据挖掘识别、分析客户各个生命周期阶段中的行为和特点意义重大。企业所要做的是努力缩短考察阶段，加快形成阶段、延长稳定阶段、避免退化阶段。目前在国内影响较大的是陈明亮［12］提出的四阶段客户生命周期模型，将客户生命周期划分为考察期、形成期、稳定期和退化期四个阶段。

1.1客户考察期

考察期是客户关系探索和试验的阶段，双方相互了解不足、不确定性大是考察期的基本特征，评估对方的潜在价值和降低不确定性是这一阶段的中心目标。企业的主要任务就是主动寻求客户信息并向客户提供企业的相关信息，双方互相识别和评价，通过对营销机会的捕捉、筛选、线索跟踪和效果评估，识别客户特征、找到潜在客户、获得新客户。

1.2客户形成期

形成期是客户关系快速发展的阶段，在这一阶段， 企业对目标客户开发成功后，客户己经与企业发生业务往来，随着双方了解和信任的不断加深，双方交易不断增加，相互依赖的范围和深度也日益增加，逐渐认识到对方有能力提供令自己满意的价值，双方的风险承受意愿增加，愿意承诺一种长期关系。企业的投入和考察期相比要小得多，主要是发展投入，目的是进一步融洽与客户的关系，提高客户的满意度、忠诚度，进一步扩大交易量。此时客户已经开始为企业做贡献，企业从客户交易获得的收入已经大于投入，开始盈利。但客户尚未产生交叉购买意图及推荐倾向，所以企业获得的是基本购买收益和增加购买量的收益。该阶段的主要任务是提升客户价值，根据客户贡献率和潜在价值指标综合评价客户价值，并归入相应的价值客户类。企业在价值提升的同时，还应该结合客户行为特征的维度，有针对性的实施策略，最终将客户转化为稳定的忠诚客户。

1.3客户稳定期

在这一阶段，双方或含蓄或明确地对持续长期关系作了保证，双方对对方提供的价值高度满意，交互依赖水平达到整个关系发展过程中的最高点，双方关系处于一种相对稳定状态，双方为能长期维持稳定的关系都作了大量有形和无形投入，交易量很大，稳定期内客户愿意支付较高的价格，带给企业的利润较大，而且由于客户忠诚度的增加，企业将获得良好的间接收益。在这一阶段，客户忠诚度增加，开始出现交叉购买及推荐行为。除了获得基本购买收益和增加购买收益外，企业还可以获得交叉销售收益及推荐收益，其中推荐收益表现为新客户开发成本的节约。客户影响力越大，推荐收益越多。因此保持客户尤其是忠诚度较高的稳定客户，对企业而言是客户关系管理中的重要环节。此时，企业应该注重对客户价值和消费模式的细分而采取针对性的客户保持和提升策略。

1.4客户退化期

退化期是关系发展过程中关系水平逆转的阶段，表现为客户维系成本的增加，企业与客户之间满意度的不断下降和交易量的骤减。事实上，这种关系的退化并不总是发生在稳定期后的第四阶段，在任何一阶段关系都可能退化，有些关系可能永远越不过考察期，有些关系可能在形成期退化，而有些关系则越过考察期，形成期而进入稳定期，并在稳定期维持较长时间后退化。退化期的主要特征有：交易量下降，一方或双方正在考虑结束关系甚至物色候选关系伙伴（供应商或客户），开始交流结束关系的意图等。

2　客户关系管理中相关分析场景

随着企业客户信息和交易数据不断积累，正是有了数据挖掘技术的支持，才能从这海量的数据中发现隐藏背后的有价值的客户特征、消费行为特征、客户价值等知识，从而更好地洞察和理解客户，为有针对性地制定市场营销及客户服务战略提供重要的决策依据。目前常见的客户分析场景如下：

1）客户细分

客户细分又称为客户聚类分析，是指将客户按照人口统计属性、客户价值、客户消费行为特征等因素的相似程度分成不同的群组，使得同一客户群体组内客户相似度高，组间客户差异明显，并进一步刻画各个群组中客户的共同特征，生成可控的目标客户群，发现各个细分的客户特征画像和需求，更好地识别不同客户群体对企业的价值及需求，支持营销人员针对不同细分的客户群体特征实施差异化的营销策略，为结合营销自动化工具实现精准营销提供决策支持，可使企业的资源更为有效配置，集中精力为高价值的客户提供个性化服务，以达到资源的合理分配以及效益的最大化，提升企业的盈利能力和竞争优势。

2）客户价值分析

随着“以客户为中心”的理念逐渐被企业接受，洞察客户并引导客户的需求已成为企业客户管理的重要课题，如何识别具有高价值的顾客，对企业的获利来说至关重要。面对客户的不同需求和企业有限的资源，企业只能将有限的资源用于最有价值和最需要服务的客户。因此，企业必须进行有效的客户细分和识别，可以通过按客户细分或者RFM分析等来实现客户的价值划分，识别高价值客户。

3）营销响应分析

在促销等营销活动中，由于企业营销活动的预算是有限的，因此必须找到可能购买该产品的客户群进行促销。如企业通常针对潜在客户采用一系列促销活动来获取新客户，由于潜在客户的数量日益庞大，需要有针对性地完成潜在客户的筛选工作。通常有下列方法可以删选促销客户名单：随机选择客户进行促销活动推送；通过RFM分析选择消费金额较大的客户；根据过去的销售经验选择客户；构建数据挖掘预测模型来预测谁可能会响应促销活动。我们可以使用数据挖掘技术完成潜在客户的筛选，首先列出可能对产品感兴趣的客户名单，然后进行市场试验活动或根据以前的促销活动收集客户的反应数据。客户反应行为模式分为二元反应行为模式和多元反应行为模式。二元反应行为模式是将客户的反应归纳成两类：有或者无；而多元反应行为模式可以允许定义多种反应行为，如在积极的反应行为模式中可进一步分为客户询问、购买了推荐的产品、购买了没有推荐的产品等，在消极的反应行为模式中可分为没有反应或拒绝。市场推销在很大程度上依赖于正确的信息。这些信息用于客户保持活动、生命周期内的分析、趋势预测和有针对性地促销活动等。实际上，只有充分了解客户，才能正确定位促销活动，才能提高相应率，降低活动成本。最后可采用分类技术对客户反应行为进行建模，并以此来对其他客户的反应行为进行预测。

4）客户消费行为分析

消费行为分析是指根据客户消费历史来分析客户的消费时机与消费规律，从而实现客户消费行为洞察，析客户在区域和时间上的偏好。其主要目的是增加和丰富客户的特征刻画，提高对客户在消费时空维度上的准确定位，如：客户消费偏好刻画了客户的消费行为。如果客户的消费偏好构成了公司的主要收入来源，如何刺激客户的消费偏好就成为了一个非常重要的问题。不同的客户群体有着不同的消费偏好。客户的消费行为通常隐藏在每次交易的历史记录中。通过对客户交易及基础信息的分析，可以清楚的看到客户的消费习惯，从而为市场营销提供更加有效、多样的客户描述信息。同时针对消费行为异常的客户，能进行预警和分析。

5）客户识别

客户识别是企业发现潜在客户、获取新客户的过程。新客户往往是以前没有听说过或者使用过企业产品的人、以前不需要企业产品的人甚至是竞争对手的客户。由于企业对新客户信息掌握的很少，所以企业一般通过一些手段（如广告宣传、促销活动的同时进行调查问卷或者网上调查或者通过客户经理上门拜访等）来获取客户信息，这些信息应该包括客户人口统计信息、经济状况、对产品的需求和购买偏好等。得到这些信息后，企业可以通过小范围的实验观察潜在客户对企业产品和促销活动的不同反应，根据反馈结果建立预测模型，找到对产品感兴趣的客户群，发现适合不同客户群的促销方式。得到分析结果后，可以缩小下一步需要进行营销活动来获取的客户范围和促销方式，提供营销活动的精准性。

6）交叉销售分析

交叉销售是指向原有客户销售新的产品或服务的营销过程，它不仅是通过满足客户对产品和服务的进一步需求以增加利润的一个有效手段，而且是提升企业形象、培育客户忠诚度、实现企业可持续发展的重要战略。在交叉销售活动中，关联规则分析可以发现客户倾向于同时购买哪些相关的商品，找出最优的销售组合方式。客户细分则可以发现对特定产品感兴趣的客户群。决策树、神经网络等方法能够预测客户购买新产品的可能性。通过分析客户的消费行为数据，建立模型来预测客户消费行为，以决定向客户提供哪种交叉销售方式最合适。

7）客户流失分析

随着行业竞争越来越激烈，而客户保留的成本远远低于开发一个新客户，及时发现高价值的有流失倾向的客户并进行挽回变得越来越重要。客户流失分析可以利用数据挖掘工具为已经流失的客户建模，在模型中固化流失客户的行为模式特征，然后预测当前客户中流失倾向较高的客户，同时分析客户流失的原因，企业可以针对这些高流失倾向客户的价值及时调整营销和服务策略，针对客户特点采取相应的挽留措施，达到保持原有客户的目的，可以大大降低盲目争取新客户的成本。

8）客户忠诚度分析

主要是对客户的持久性 、牢固性和稳定性进行分析。持久性指客户与企业持续交易的时间。牢固性反映了客户受各种因素（价格、促销、广告宣传）的影响程度。稳定性指客户购买的频率、周期和数量是否稳定。客户忠诚度分析主要运用时序模式中的趋势分析，包含趋势走向、周期走向和周期变化规律等方面。通过趋势分析可以了解客户在过去一段时间的消费和消费随时间的变化情况，同时还能预测客户在未来一段时间内的消费趋势。通过模型跟踪客户的忠诚度变化趋势，对忠诚度较低的用户提供“一对一”的服务，同时通过积分累积与积分兑换的方式提高客户消费粘性，提升客户价值，从而实现向高忠诚度的转变；对忠诚度较高的用户则实施积极的奖励制度，达到提高整体客户忠诚度的效果。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，进一步培养和维护客户对企业产品或服务的忠诚度，延续客户高价值时间的过程。

9）客户满意度分析

客户满意度就是度量客户满意水平的数据指标，目标在于将客户满意这一主观感知进行量化。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。利用数据挖掘技术和企业的数据仓库中关于客户对企业的产品和服务的反馈等信息，如服务整体状况、服务质量、客户接触情况、客户服务情况、满意度调查、客户投诉等数据，通过自定义的定量度量标准和公式，同时根据时间及其他参数可对客户的满意度进行量化评分，同时通过分析在客户服务和生产经营中需要改进的事项，找出客户不满意的原因并制定针对性的客户营销策略，改善与客户的关系，提高客户忠诚度，从而增加企业的利润。客户满意度这一衡量指标在现今以客户为中心的市场背景下就变得越来越重要，已成为评价一个企业经营管理水平的重要指标，也是企业成败的关键因素所在。

3　数据挖掘在客户生命周期各阶段的应用

在整个客户生命周期中，不同阶段有着不同的特点，每个阶段都为客户关系管理的数据挖掘提供了切入机会。如图1所示：

图1　数据挖掘在客户全生命周期中的应用

客户生命周期是中心主题，数据挖掘所支持的业务流程都围绕着客户生命周期来组织。

客户细分、营销响应分析贯穿客户全生命周期的始终，客户价值分析、客户消费行为分析等分析结果可以作为客户细分的维度。同时客户基于客户细分的结果在某一客户群体进一步开展交叉销售分析以及、营销响应分析、消费行为分析等。客户满意度和忠诚度分析用于对现有客户忠诚度进行跟踪，可以对忠诚度下降的客户进行预警，分析其下降的原因，同时可以为客户流失分析提供分析的影响因素维度。不同的分析场景之间往往是互相补充、关联的，贯穿于客户全生命周期的多个阶段。

在客户考察期，通过客户细分以及营销响应分析，可以更加准确的定位目标潜在客户群体，然后通过有效的营销手段将潜在客户转变成真正的客户，并降低营销的成本。

在客户形成期，通过客户细分、客户价值分析，发现高价值的客户群体，通过营销响应分析、客户消费行为分析、客户提升分析为潜在高价值客户提供更具针对性的个性化服务和营销手段，不断提高客户价值，同时通过客户满意度和忠诚度分析，提高客户对企业的忠诚度，从而帮助企业获得更多的利润。

在客户稳定期，通过客户价值分析、客户细分等发现高价值客户群体，可以针对这一群体结合营销响应分析、消费行为分析及价格敏感度分析，提供针对性的个性化服务，同时可以通过交叉销售分析进行交叉销售，向现有的客户提供新的产品和服务，实现购买推荐和增量销售。同时结合客户满意度分析和忠诚度分析，跟踪客户的忠诚度变化，分析客户忠诚度下降原因，及时采取措施防止客户流失。对客户历史交易行为的消费行为分析，警示客户异常行为，并提出相应的对策建议。现在的营销环境下，企业实施市场细分的动因已不仅仅是要拓展企业经营的触角和确定市场突破的方向，还应当强化企业与高价值客户间的互动关系，其最终的目的是要通过增量销售和交叉销售的方式，来扩大企业的市场份额和客户份额。这个时候就需要企业辨别出那些高价值的客户。客户价值特征主要包括客户终身价值、忠诚度等。

在客户退化期：通过客户消费行为分析、客户流失分析等，发现已经流失的客户以及有高度流失倾向的客户群体，通过客户价值分析、客户细分等，发现这部分客户中的高价值客户，根据客户价值高低分为需挽留客户和不需挽留客户，对两者分别采取客户关系恢复策略和终止策略。通过营销响应分析对高价值流失客户进行优先的个性化营销，实现客户的挽回。根据已经存有的客户流失数据进行分析，将相关数据如客户属性、服务属性、客户消费等与客户流失概率建立相关联的数学模型，找出其内在联系，明确其内在规律。然后通过分析流失客户特征，发现客户流失原因。针对未流失客户，通过比对已流失客户的特征，发现其中具有高流失倾向的客户。针对已流失和高流失倾向客户，同时考虑客户价值等因素，采取一定的营销和挽回措施，使客户的忠诚度提高，尽量减少客户的流失。这就使以往存在的不能对流失客户进行原因分析的情况得到了大大的改善。

4　结论

结合目前在企业中客户分析业务需求和客户分析模型开发中遇到的问题，有以下几个方面值得注意：

1）模型开发的各阶段应该加强与业务人员的沟通

在开始模型开发之前需要深入调研，了解数据和业务人员的实际需求、存在问题。在解决业务问题时，真正关键的环节是业务需求的分析理解过程，数据挖掘所追求的是分析结果否符合实际的业务情况，能否为业务人员带来帮助。在模型开发获得一定结果后，也需要与业务人员进行交流，根据他们的业务经验判断分析结果是否合理，经得业务人员实践的考证和评估后进一步改进模型，使挖掘工作及挖掘结果更好的适应实际业务的需要。

2）需要认真考虑数据挖掘的结果如何应用于企业实践

整个数据挖掘项目的成功不仅仅取决于数据挖掘模型的成功构建，更重要的是如何将挖掘出的结果应用到企业的营销实践中去，能够指导企业的经营据测，这样才能实现价值。分析的结果需要通过合适的可视化技术和渠道，呈现给业务人员使用，最好能融入到业务流程中，帮助业务人员养成通过数据进行决策的习惯。

3）需要对各种数据进行整合，并高度重视数据质量

企业各类业务数据往往存在于不同的信息系统中，各系统之间数据互相隔离，往往存在着信息孤岛，因此需要搭建统一的数据仓库，实现数据的整合和共享。客户数据、交易数据等的质量直接影响着分析的结果，缺失、错误的数据甚至可能导致产生错误的规则，数据质量是保证数据应用的基础，因此要加强数据质量的影响因素：信息因素、技术因素、流程因素和管理因素的管理，保证数据的完整性、一致性、准确性、及时性，如加油站客户信息的采集质量问题等需要高度重视。

4）模型的改进是持续的过程

模型建立是一个反复的过程，模型具有使用时限的，随着交易和客户数据的的不断变化的，包括模型使用者的需求也是在不断变化的，数据挖掘是具有动态性特点的，模型不能一劳永逸地解决所有的问题，随着数据和目标发生改变时，模型也需要进行适时的调整甚至是重建。如由于各个地区公司的特点不同，一个模型可能不能适用所有地区公司，因此需要为每个地区公司训练各自的模型。

5）借助大数据平台对海量数据进行分析

随着企业的发展，积累的交易和客户数据越来越多，逐渐从GB级别向TB级别转变，传统的数据库和数据分析软件从性能上逐渐无法支撑海量数据的管理和分析挖掘。这时就需要借助目前的大数据分析平台对海量数据进行有效管理，通过通过Hadoop、Mapreduce、Spark、Mahout等新技术实现对海量数据的分析和处理能力。

［1］ 董宁.数据挖掘技术在CRM 中的应用［J］.计算机工程与应用，2007，28（6）：1429-1431.

［2］ 郑国荣，张郑礼，郭鹏，等. 聚类分析在电信消费模式中的应用［J ］. 重庆大学学报：自然科学版， 2006， 29 （4） ： 119 -121.

［3］ 蒋国瑞，刘沛，黄梯云. 一种基于 AHP 方法的客户价值细分研究［J］. 计算机工程与应用.2007，43（8）：238-241.

［4］ 于小兵，曹杰，巩在武.客户流失问题研究综述.计算机集成制造系统［J］.2012，18（10）：2254-2259

［5］ 方蕾， 王金桃. 数据挖掘在客户生命周期中的应用研究［D］. 武汉理工大学学报（信息与管理工程版），2008，30（4）：613-615.

［6］ 齐佳音，舒华英.电信业顾客价值研究的紧迫性及方向探讨［J］.电信科学，2003，19（6）：1-6.

［7］ 郭道宁，舒华英.数据挖掘在电信运营市场决策支持中的应用［J］.北京邮电大学学报（社会利学版），2004，（2）：28-32.

［8］ 吴小红. 综述客户细分的方法与技术［J］.科技前沿.2012，1：110-111.

［9］ 齐佳音，韩新民，李怀祖.一种新的客户-企业价值评价体系的设计［J］.管理工程学报，2002，16（4）：4-8.

［10］ 鲁义轩.英国电信中国推销新一代CRM［J］.通信世界，2007，（44）：3.

［11］ 吴琳林.基于客户生命周期的客户关系管理策略研究［D］.北京交通大学硕士学位论文.2004.

［12］ 陈明亮.客户生命周期模式研究［J］ .浙江大学学报：人文社会科学版， 2002， 32（6）：88 -90.

Research on Application of Data Mining in Customer Full Life Circle Management

Wang Zonghu1，2， Liu Su2， Yang Wenjun2
（1. Renmin University of China， Beijing 100872， China；2. China Petroleum and Petrochemical Engineering Institute of PetroChina Co Ltd.， Beijing 100083， China）

With the continuous increasing of customer information and transaction data， it becomes a pressing concern of each company that how to find the covered valuable information in the massive data， such as customer characteristics， consumption behavior characteristics and customer value， to indentify， obtain， develop and maintain customers， to promote service level， to improve customer value， satisfaction and loyalty， and to provide customers with better services. This paper introduces the Characteristics of different stages in the customer full life circle， and summarizes the correlative typical analysis scenes of the common customer relation management. After that， it points out how to make the data mining involve in the customer full life circle， and then thinks about the problems needed to be concerned in the data mining of the companies.

Customer Full Life Circle； Customer Segments； Customer Value

TP391

A

1007-757X（2016）06-0073-04

2016.01.20）

王纵虎（1984-），男，中国人民大学，站博士后，中国石油规划总院，工程师。研究方向：数据挖掘，大数据分析，客户消费行为分析，北京，1000083

刘 速（1984-），女，中国石油规划总院，工程师，博士，研究方向：数据挖掘，商务智能，北京，102206

杨文军（1977-），男，中国石油规划总院，高级工程师，博士，研究方向：数据挖掘，北京，102206