数据挖掘技术在客户关系管理中的应用.docx

数据挖掘技术在客户关系管理中的应用.docx

《数据挖掘技术在客户关系管理中的应用.docx》由会员分享，可在线阅读，更多相关《数据挖掘技术在客户关系管理中的应用.docx（3页珍藏版）》请在冰点文库上搜索。

数据挖掘技术在客户关系管理中的应用

数据挖掘技术在客户关系管理中的应用

　　[摘要]市场的激烈竞争导致了面向市场营销和客户服务的数据仓库的建设以及数据挖掘技术的应用，本文在介绍了数据挖掘技术的基础上，重点阐述了数据挖掘平台的建立，以及基于这个平台展开数据挖掘的过程和数据挖掘的主题分析。

　　[关键词]数据挖掘技术；客户关系管理；数据仓库；数据挖掘主题

　　一、引言

　　随着计算机技术、网络技术、通讯技术的发展以及各行各业业务操作流程的自动化，企业内产生了以几十或上百GB计的大量业务数据，这些数据和由此产生的信息是企业的财富，它如实地记录着企业运作的本质状况。

但是面对如此海量的数据，迫使人们不断寻找新的工具，来对企业的运营规律进行探索，为商业决策提供有价值的知识，使企业获得利润。

能满足企业这一迫切需求的强有力的工具就是数据挖掘。

　　二、数据挖掘技术概述

　　数据挖掘是一种知识发现的过程，它主要基于统计学、人工智能、机器学习等技术，高度自动化地分析数据，做出归纳性的推理，从中挖掘出潜在的模式，并对未来情况进行预测，以辅助决策者评估风险，做出正确的决策。

数据到知识的演化过程，如图1。

　　对于企业而言，数据挖掘有助于发现业务的趋势，揭示已知的事实，预测未知的结果。

从这个意义上讲，知识是力量，数据挖掘是财富。

在实际应用中，数据挖掘主要采用以下几种方法进行模式的发现。

　　相关分析和回归分析。

相关分析主要分析变量之间联系的密切程度，而回归分析主要基于观测数据建立变量之间适当的依赖关系，相关分析是回归分析的基础。

　　时间序列分析。

与相关分析类似，目的也是为了挖掘出数据之间的联系，但时间序列分析更加侧重于数据在时间先后上的因果关系。

　　分类分析。

分类分析首先为每一个观测赋予一个标记，然后检查这些被标记的观测，描述出这些观测的特征。

这种描述可以是一个数学公式或者模型，利用它可以分类新的观测。

常用的几种典型的分类模型有线性回归模型、决策树模型、基于规则模型和神经网络模型等。

　　聚类分析。

与分类分析不同，聚类分析的输入是一组未标定的记录，目的是根据一定的规则，合理地划分记录集合。

聚类分析和分类分析是一组互逆的过程，因此在很多分类分析中适用的算法也同样适用于聚类分析。

　　三、数据挖掘在CRM中的应用

　　在客户关系管理中,数据挖掘的前提是必须建立企业级的客户信息数据仓库，能够把不同联机事务处理系统的客户数据聚集在一起，提供一个正确、完整和单一的客户数据环境。

　　1.数据仓库的建立

　　数据仓库作为数据挖掘的基础，不同于传统的联机事务处理系统，它具有面向主题的、集成的、不可更新以及随时间变化的特性，各个联机事务处理系统作为数据仓库的原始数据源，以文件方式提供客户基本资料、客户清单、客户账单、客户联系历史记录等数据，数据仓库通过ETL过程处理这些接口文件，并且按不同的主题域组织、存储和管理这些客户数据，通过数据仓库接口，对数据仓库中的客户数据进行联机分析和数据挖掘。

数据仓库的体系结构主要由数据源、企业级数据仓库和决策支持3个部分组成。

　　数据挖掘的主题定义

　　在建立完成企业级的客户信息数据仓库之后，可以基于这个数据仓库平台进行数据挖掘工作，应用到以客户为中心的企业决策分析和管理的各个不同领域和阶段，在客户关系管理中，它可以应用在以下几个方面。

　　客户群体分类分析。

近年来，一对一营销正在被众多的企业所青睐。

一对一营销是指了解每一个客户，并同其建立起持久的关系。

数据挖掘可以把大量的客户分成不同的类，在每一个类里的客户具有相似的属性，而不同类里的客户的属性也不同。

通过数据挖掘可以了解不同客户的爱好，提供有针对性的产品和服务，来提高不同类客户对企业和产品的满意度。

　　客户行为分析。

利用分类分析法和聚类分析法对客户通话行为进行分析，从而得出客户在消费习惯、生活方式、社会联系等方面的特征。

对客户行为分析的根本目的是为了按不同特征划分客户群，针对不同客户群的特征，企业可以进行不同的市场营销活动和客户服务，在客户群划分中典型的应用就是针对某一客户群的消费特征进行某种业务的营销。