数据挖掘技术在客户管理中的应用研究

1 数据挖掘技术

数据挖掘的主要技术手段包括关联规则挖掘、分类分析、聚类分析、估计、预测、时序模式和偏差分析等。支持上述技术的核心研究内容是相应的数据挖掘算法研究，包括贝叶斯算法、决策树、时序算法、聚类算法、关联算法、神经网络算法和回归算法。

2 数据挖掘的核心价值与应用分析

在企业客户管理中应用数据挖掘技术，不仅使客户管理更高效、更实用，还能预测客户将来的各种消费行为，为企业实施更精确的客户管理和市场营销提供决策依据。客户管理是CRM系统的一部分，但比CRM系统有关客户部分的功能更详细、更齐全、更完善、更符合企业的实际需要。

客户管理的目标非常明确，防范老客户流失，从老客户那里获取更大的价值。

目前企业客户管理应用比较混乱，大致分为3种情况：①以业务系统为主，客户管理为辅的信息系统，如进销存系统、ERP系统等，以实现业务为核心内容，但往往会涉及到一部分客户信息，严格来讲，这部分软件不属于客户管理范畴。②以销售、市场营销为核心内容的信息系统，如销售管理系统等，以实现销售计划为核心，重点最大限度的促进销售，更多的关注客户的消费心理、消费行为，注重提升客户的忠诚度，但这不是客户系统的全部内容。③CRM系统，它是一个比较庞大的客户关系管理信息系统，主要包括销售、销售过程、客户管理、客户分析等若干模块，相对于大多数企业而言，成本较高。同时，操作型CRM较多，分析型CRM较少。

客户管理的混乱，为企业利用客户关系带来了不便，也为挖掘客户关系中的有价值信息增加了难度。

3 挖掘算法的选择与建模

当企业建立起数据仓库后。可采用不同的数据挖掘算法为客户管理提供直接、有效的数据与参考。企业活动中，与客户管理相关业务大多与销售过程有关，包括客户购物、企业营销、客户分类管理和销售预测等。对客户购物行为的分析，可以为个性化营销提供客观依据，最有效的营销是针对有消费兴趣潜力的客户群，通过挖掘关联关系，寻找有价值的客户分类，能够提高客户管理的有效性。

数据挖掘虽然是一个智能的数据分析工具，但其准确性会受到多个方面因素的影响，如数据的准确性、合法性、算法选择的准确性、输人选择的正确性等，在实际应用中，不同的人、不同的挖掘策略与方案将会有不同的结果，应用业务人员和数据挖掘人员一起。共同探讨正确性。下面针对上述具体应用，提出可行的挖掘方案，以供参考。

3．1 挖掘客户购物行为信息的算法与模型

用户在挑选商品时，往往存在一个习惯：先挑选最需要的商品，然后根据商品推荐或兴趣来挑选其他商品，市场营销人员中可以分析每个用户的购物行为和爱好，为将来的个性化营销提供依据，并为每个客户提供最具人性化的营销方式，这要使用序列聚类算法。

实现此功能需要两个基本信息，一是订单信息，关注客户的一次购物行为；二是订单产品明细，主要关注商品放入订单的先后顺序。

在业务库中，有客户企业表、客户订单表、订单产品明细表、产品信息表4个业务表，如图1所示，在创建数据仓库后，客户企业表、产品信息表将变成维表。订单表、订单产品明细将变成事实表，把不需要的字段删除，并把不合理的数据进行清理、转换，采用微软序列聚类算法即可实现此功能需求。

其数据挖掘模型如下：


根据以往的销售历史，分析用户的销售行为，其重点在于历史数据中每个订单要有产品购买的先后顺序，结合序列聚类算法即可完成，此模型的输入列是订单编号，预测列是一个嵌套表，包括产品序号和产品编号(或名称)两个可预测试列。

3．2 挖掘消费兴趣实现有效营销的算法与模型

企业进行新产品宣传或促销时，有效做法是把信息发送给感兴趣的客户，而不是发给所有人，基于以前所做的客户档案和客户对产品调查的反馈结果，采用数据挖掘算法可以找出那些感兴趣的客户，即节省成本，又提高效率。

此功能的关键是根据以前所做的产品调查反馈信息，预测哪些因素影响客户的购买，并分析愿意购买客户的特征，基于这些特征，把客户表里的所有信息重新筛选一遍，只向那些具有购买特征的客户发送营销信息。

实现此功能的算法有4个：贝叶斯、决策树、神经网络、聚类，基于验证考虑，尽可能采用每一种算法来测试，以获得更准确的分析数据，如图2所示，其数据模型如下：



也可以采用决策树、聚类、神经网络算法，分别对应如下：

(1)Microsoft_Decision_Trees：决策树

(2)Microsoft_Clustering：聚类

(3)Microsoft_Neural_Network：神经网络

根据以往的调查数据，可以分析出这些输入列与可预测列(是否购买)之间的关系，找那些已购买产品或愿意购买产品的客户重要特征，然后把促销信息、新产品信息发给具有这些重要特征的客户。