数据挖掘技术在CRM中的应用研究

杨瑞 王 萍 索瑞霞 银艳艳

[摘    要] 以我国电子产品行业中某知名品牌手机为例，利用数据挖掘技术的决策树算法总结出该品牌手机客户满意度分析的数据挖掘模型，并借助因子分析法找出对该品牌手机客户满意度起决定性作用的影响因素。最后，根据决策树模型及因子分析结果提出该品牌手机在质量及服务上需要改進的意见及相关建议。

[关键词] 数据挖掘技术;CRM;客户满意度;决策树

doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2019. 15. 025

[中图分类号] F279.23    [文献标识码]  A      [文章编号]  1673 - 0194（2019）15- 0053- 03

0      引    言

如今，国内电子产品市场的竞争日益激烈，企业在面对市场客户群体庞大、客户喜好纷杂的情况下如何做到精准定位及营销成为企业长期发展的关键。合理将数据挖掘（Data Mining）技术应用于客户关系管理（Customer Relationship Management，CRM）并发掘潜在客户群体显得尤为重要。

目前，我国以电子产品为轴心的经济发展模式成为主流趋势，多数企业实现线上、线下同时销售，客户关系维护更加复杂。同时，我国电子产品行业的CRM理念正处于起步阶段，而美国等发达国家最先提出CRM概念，诸如SAS、IBM公司均使用数据挖掘工具帮助企业维护客户关系且收益显著。因此，分析我国电子产品企业在CRM中如何高效地利用数据挖掘工具进行产品改进并制订企业战略计划对我国客户关系管理的发展具有一定的指导意义。

1      CRM与客户满意度

客户关系管理概念（CRM）最早由美国的Gartner Group提出，他认为客户关系管理就是赋予企业更完善的客户交流能力，最大化客户收益率，同时罗杰·卡特怀特指出客户满意度是企业客户关系管理的关键[2]。客户满意度也称为顾客满意度指数，它是反应顾客对产品的预期与实际体验感受是否匹配的指标[3]。

2      相关数据挖掘技术

2.1   决策树算法

数据挖掘技术中的决策树算法是对“分类问题”进行深入研究的一种算法，其中最基本的是CLS算法[4]。决策树分析模型包含根节点和分支节点，各个分支节点均为逐渐递进的分类问题，各个叶子节点（决策树的末梢节点）都是将数据进行分类划分的节点，从决策树的根节点到叶子节点的每个路径均形成对应类别预测。第一，数据准备包含：①定目标变量;②划分训练样本和测试样本数据集;第二，构造决策树包含：①处理原始数据得到训练数据集和空树，对当前节点进行测试及划分;②创建叶子节点并终止运算;③通过最优度量计算确定不同类别的集合分组;④决策树剪技，决策树的剪枝是通过上一个分支生成情况将那些影响最终判别准确性的分枝剪除，这是一个校验的过程[5]。此外，本研究主要分析个体因素对总体满意度的影响，因此采用决策树中的CHAID （Chi-squared Automatic Interaction Detection，卡方自动交互检测）算法，其特征是前向修剪，修改标准是卡方检测，CHAID算法每次只针对一个变量分析，然后针对独立变量之间的相互关联性创造关系决策树。

2.2   因子分析

因子分析是通过将所有变量具有相同特征值的划分为一类，形成一类主成分，然后分析每个独立因子的占比及对主成分的影响，根据各个因子的载荷大小来提取主要因素[6]。基本步骤包含：1）检查原变量，计算原变量相关系数矩阵，若矩阵系数大于0.3，则适用于因子分析法;2）构造因子变量，主要包含主成分分析法、主轴因子法等。本文利用主成分分析法假设原变量为纯线性组合，第一因子有最大的方差，后续因子方差逐渐递减。

3      基于决策树算法的客户满意度分析

图1显示的是针对我国某知名品牌手机利用层次分析法构建的三级指标体系。本文利用问卷调查法在陕西西安地区发放问卷1 000份，回收有效问卷987份，问卷信度系数α为0.897。

如图2所示，本文利用SPSS 21.0根据指标体系创建决策树模型。结果显示，模型产生12个结点，终端结点7个，深度为3。设模型每个结点为Node，IF为条件选择，Result为条件判定结果，Possibility为客户总体满意度可能性，A（非常满意）、B（比较满意）、C（一般）、D（比较不满意）、E（非常不满意），由于解释逻辑相同，本文第1个叶子节点解释为例。

（1）Node4  IF（R11=“D”OR “A”OR“E”）AND（R9=“B”OR“D”）

THEN  Node=“4” Result=“A”Possibility=“33.3%”

顾客选择R11售前服务态度是D（比较不满意）、A（非常满意）、E（非常不满意）其中之一且顾客认为R9像素为B（比较满意）或者D（比较不满意）则有33.3%的概率确认该品牌手机的客户满意度是A（非常满意的）。

（2）Node5  IF（R11=“D”OR“A”OR“E”）AND（R6=“A”OR“C”）

THEN  Node=“5” Result=“A”Possibility=“100%”

顾客选择R11售前服务态度是D（比较不满意）、A（非常满意）、E（非常不满意）其中之一且认为R9像素为B（比较满意）或D（比较不满意）则有100%的概率确认该品牌手机的客户满意度是A（非常满意的）。

按照邏辑将叶子节点R6、R7、R10、R11、R9分析完可知R11售前服务态度，R9像素，R6运存，R8电池对总体满意度影响较大。如图3所示，因子旋转后可将主因素聚集的归为3类，最终可得出因子1中R6运存、R5内存、R8电池、R9像素影响程度较大，因子2中R2屏幕大小、R7外观因素较大，因子3中R9价格、R13售后服务影响较大。综上，可认为A1内在配置、A2外观材质、A3价格及售后服务这三个新因子成为影响客户总体满意度的显著因素，该企业可从这三个主要因素进行改善。

4      结    语

本文利用决策树、因子分析等数据挖掘技术，分析了我国某知名品牌手机产品影响客户满意度的主要因素，使该企业能够更加精准的把握生产运营重心、改善客户关系管理现状、降低产品及服务成本并为企业精准营销做好基础工作。目前，我国的电子产品行业可利用这种数据挖掘方式构建客户群体满意度测试模型，在实践过程中也可推广到客户群体流失模型的构建中去，借此提升CRM的管理效率。

主要参考文献

[1]李雪菁.基于数据挖掘技术的电子商务客户关系管理[J].计算机与数字工程， 2018，46（9）： 1834-1838.

[2]周建军.数据挖掘技术在CRM中的应用对策研究[J].无线互联网科技，2016 （22）： 135-136.

[3]李艳.商业智能的支撑技术[J].上海大学学报， 2004， 65（1）：54-57.

[4]张良均，陈俊德.数据挖掘实用案例分析[M].北京：机械工业出版社， 2013.

[5]印勇.决策支持分析新技术——数据挖掘[J].重庆邮电学院经济与管理学报，2003，6（12）： 45.

[6]林昕瑶. 基于因子分析法对新型城镇土地综合利用效益的研究——以福建省为例[J]. 长春大学学报， 2019， 29（3）： 6-10.

[7]Lan Wang.The New Trend and Application of Customer Relationship Management Under Big Data Background[J].Modern Economy，2016（7）：841-848.