数据挖掘技术在CRM中的应用张喆.docx

数据挖掘技术在CRM中的应用张喆.docx

《数据挖掘技术在CRM中的应用张喆.docx》由会员分享，可在线阅读，更多相关《数据挖掘技术在CRM中的应用张喆.docx（19页珍藏版）》请在冰点文库上搜索。

数据挖掘技术在CRM中的应用张喆

数据挖掘技术在CRM中的应用

张吉吉1,常桂然2,黄小原1

（1.东北大学工商管理学院,辽宁沈阳　110004;

2.东北大学信息科学与工程学院,辽宁沈阳　110004）

数据挖掘、专家系统和人工智能、呼叫中心等。

CRM的焦点是自动化并改善与销售、市场营销、客

户服务和支持等领域的与客户关系有关的商业流

程。

它的目标是缩减销售周期和销售成本、增加收

入、寻找扩展业务所需的新市场和渠道以及提高客

户的价格、满意度、盈利性和忠诚度[22]。

图1描述

了CRM的体系结构。

图1　CRM的体系结构

　　从体系结构角度看,整个CRM架构可以分为

三个关键部分:

（1）操作层次的CRM:

用于自动地集

成商业过程,包括对销售、营销和客户服务三部分业

务流程的信息化,客户接触点、渠道、前后端的集

成[36];

（2）分析层次的CRM:

用于操作层次CRM和

客户互动产生的信息的分析处理,通过基于数据仓

库的数据挖掘产生商业智能以支持企业战略战术的

决策[32],包括:

客户服务支持[11]、客户市场细分、客

户变动分析、交互和垂直销售分析、新客户模型、客

户接触最优化[4]、广告分析[15]、信用风险得分、客户

生命周期价值模型等[35];（3）客户互动:

关注客户接

触点的交互,即与客户进行沟通所需要的手段（如呼

叫中心、网络、电话、Email等）的集成和自动化处理。

3　CRM中数据挖掘的系统结构

3.1　系统结构

对于数据挖掘（DataMining）,一种比较公认的

定义是W.J.Frawley,G.Piatetsky-Shapiro等人提

出的:

数据挖掘就是从大型数据库的数据中提取人

们感兴趣的知识。

这些知识是隐含的、事先未知的

潜在有用信息,提取的知识表示概念（concepts）、规

则（rules）、规律（regularities）、模式（patterns）等形

式。

这种定义把数据挖掘的对象定义为数据库。

而

更广义的说法是:

数据挖掘意味着在一些事实或观

察数据的集合中寻找模式的决策支持过程。

数据挖

掘的对象不仅是数据库,也可以是文件系统,或其他

任何组织在一起的数据集合[25]。

数据挖掘是知识

发现的过程。

数据仓库（DataWarehouse）已经成为现代数据

挖掘的有效平台,并努力实现紧密耦合。

按照“数据

仓库之父”WilliamH.Inmon的描述,数据仓库是一

个面向主题的（subject-oriented）、集成的（integrat-

ed）、时变的（time-variant）、非易失的（nonvolatile）

数据集合,支持管理部门的决策过程[13]。

CRM中的数据挖掘就是利用数据挖掘理论和

技术创建描述和预测客户行为的模型,以实现企业

有效的客户关系管理。

今天的技术可以使挖掘过程

自动化,把数据挖掘与数据仓库紧密集成,并使用可

视化和知识表示技术,向商业用户提供挖掘的知

识[2]。

图2描述了CRM中数据挖掘的系统结构。

·54·中国管理科学　　　　　　　　　　　　　　　　　　　2003年

图2　CRM中数据挖掘系统结构

　　在系统结构中,底层为数据源,包括联系历史、

交易历史、客户数据库、产品数据库及其他外部数

据,通过ETL工具提取数据形成数据仓库和数据集

市,以形成面向全局的数据视图,从而形成整个系统

的数据基础;在此基础上,通过OLAP和OLAM服

务器支持数据分析处理包括查询/报表、OLAP/EIS

分析和数据挖掘分析;将分析结果用于操作型CRM

和客户互动渠道以实现企业客户关系管理中的商业

智能和决策支持。

3.2　基本过程

在CRM中数据挖掘过程由于看待问题角度不

同有两种描述:

以技术为中心的数据挖掘过程和以

商业为中心的数据挖掘过程。

以技术为中心的观点

认为主要精力应该用于保证数据的处理和运转以及

不断的试验和改进数据挖掘技术上。

而以商业为中

心的观点认为重点是商业问题的定义、投资回服率

和对数据的理解上[2]。

图3和图4分别描述了以技

术为中心的数据挖掘过程和以商业为中心的数据挖

掘过程。

图3　以技术为中心的数据挖掘过程

　　以技术为中心的数据挖掘过程主要描述从技术

角度进行数据清理、集成、选择、变换等数据处理,使

用智能方法提取数据模式,依据兴趣度度量,识别有

价值模式,最后使用可视化和知识表示技术,向用户

提供挖掘的知识。

以商业为中心的数据挖掘过程主要描述从业务

·55·第1期　　　　　　　　　　　　　张　等:

数据挖掘技术在CRM中的应用

图4　以商业为中心的数据挖掘过程

问题角度进行数据定义和投资回报率（ROI）定义,

在此基础上进行数据挖掘描述/预测模式的应用,并

预测ROI,根据结果选择配置挖掘模式并测试实际

ROI。

4　CRM中数据挖掘的应用研究领域

4.1　CRM中应用的数据挖掘技术

在CRM中数据挖掘技术都有着广泛的应

用[5],主要体现在:

（1）概念/类描述。

概念描述以

简洁汇总的形式描述给定的任务相关数据集,提供

数据价值的一般特性,一般应用于CRM中的描述

式数据挖掘。

概念或类描述由特征比和比较或区分

组成,有两种一般方法:

基于数据立方体OLAP的

方法和面向属性归纳的方法。

（2）关联分析。

关联

分析发现关联规则,广泛用于购物蓝、商务管理和决

策分析,是商业分析中应用最为广泛的一种数据挖

掘方法和模式。

（3）分类和预测分析。

分类和预测

是CRM中数据分析的两种重要形式,可以用于提

取描述重要数据类的模型或预测未来的数据趋势。

主要方法包括:

决策树/判定树、贝叶斯法、BP神经

网络算法、遗传算法、粗糙集、模糊集等。

（4）聚类分

析。

属于无指导学习。

对象根据最大化类内的相似

性、最小化类内的相似性的原则进行聚类或分组。

聚类分析在CRM中有广泛的应用,它可以用作独

立的数据挖掘工具来获得对数据分布的了解,也可

以作为其他数据挖掘算法的预处理步骤。

主要方法

包括:

划分方法、层次方法、基于密度的方法、基于网

格的方法、基于模型的方法等。

（5）孤立点分析。

对

于欺诈探测、定制市场及其它CRM任务是非常有

用的。

基于计算机的孤立点挖掘方法包括统计学方

法、基于距离的方法和基于偏差的方法。

（6）演变分

析。

用于CRM中的趋势分析、相似性搜索、与时间

有关的序列模式挖掘和周期模式挖掘。

（7）复杂类

型的数据挖掘。

是数据挖掘技术的当前一个重要的

研究领域,极大提升了CRM数据分析能力的深度

和广度,主要包括:

多媒体数据挖掘、文本挖掘和

Web挖掘等。

4.2　从客户生命周期角度分析数据挖掘技术的应

用

在对CRM的广泛理解中,最简单的含义就是:

管理所有与客户的交互行为。

在实践中,这需要在

客户关系的各个阶段使用与客户相关的信息来预测

与客户的交互行为。

客户关系的各个阶段定义为客

户生命周期。

客户生命周期包括三个阶段:

获得客

户;提高客户的价值;保持效益客户。

如果将数据挖

掘结合在CRM中或者作为一个独立的应用程序来

实施,数据挖掘可以在每一个阶段都提高企业的收

益[8]。

（1）通过数据挖掘获取新客户:

在CRM中的第

一步是识别潜在客户然后将他们转变成真正的客

户,数据挖掘可以辅助进行客户细分,识别潜在客

户[33]。

（2）提高客户价值:

①数据挖掘支持客户盈利能

力分析,预测客户盈利能力变动以增强客户盈利能

力;②支持客户购买行为模式分析,进行客户细分,

从而提供更具针对性的个性化服务[1];③有效进行

交叉营销,向现有的客户提供新的产品和服务,实现

购买推荐和升级销售[18]。

（3）客户保持:

包括客户忠诚度分析和客户流失

警示分析。

通过数据挖掘,对客户历史交易行为的

分析,警示客户异常行为,并提出相应的对策建议。

4.3　从行业角度分析数据挖掘技术的应用

CRM中数据挖掘应用的深度和广度针对行业

的不同而有所不同,特别是针对与客户交流频繁、客

户支持要求高的行业,如银行、证券、保险、电信、税

务、零售、旅游、航空、医疗保健等。

下面例举零售

业、电信业、金融业CRM中数据挖掘的应用[10]。

（1）零售业CRM中的数据挖掘:

零售业CRM

是数据挖掘的主要应用领域,特别是由于日益增长

的Web或电子商务方式的兴起[9]。

零售数据挖掘

可有助于识别客户购买行为,发现客户购买模式和

趋势,改进服务质量,取得更好的客户保持力和满意

度,提高货品销量比率,设计更好的货品运输与分销

策略,减少商业成本[30]。

例如:

①使用多特征数据

立方体进行销售、客户、产品、时间和地区的多维分

·56·中国管理科学　　　　　　　　　　　　　　　　　　　2003年

摘　要:

客户关系管理（CRM）是数据挖掘技术的重要应用领域,也正是因为具有数据挖掘技术的支持才使CRM具

有越来越广泛的市场价值和研究价值。

本篇论文综述了面向CRM的数据挖掘应用的总体研究情况。

包括面向

CRM数据挖掘的体系结构;从客户生命周期的角度和行业应用角度分析了CRM中数据挖掘的应用状况;最后结

合当前数据挖掘技术的发展指出了CRM中数据挖掘应用的进一步发展趋势以及我国在该领域的研究方向。

关键词:

数据挖掘;客户关系管理（CRM）;知识发现;决策支持;电子商务

中图分类号:

TP391　　　文献标识码:

A

收稿日期:

2002-05-27;修订日期:

2002-12-08

基金项目:

辽宁省自然科学基金资助项目（9910200208）

作者简介:

张吉吉（1973-）,女（汉族）,辽宁锦州人,东北大学博

士研究生,研究方向:

数据挖掘与CRM.

1　引言

GartnerGroup的一次高级技术调查将数据挖

掘和人工智能列为“未来三到五年内将对工业产生

深远影响的五大关键技术”之首,并且还将并行处理

体系和数据挖掘列为未来五年内投资焦点的十大新

兴技术前两位。

根据Gartner的HPC研究表明,

“随着数据捕获、传输和存储技术的快速发展,用户

将更多地需要采用新技术来挖掘市场价值,采用更

为广阔的并行处理系统来创建新的商业增长点。

”数

据挖掘技术将在未来的数据计算中扮演越来越重要

的角色[7]。

CRM是数据挖掘重要的应用领域,包括客户获

取、客户保持、客户价值提升等客户关系管理的各个

方面。

也正是有了数据挖掘技术的支持,才使CRM

的理念和目标得以实现,满足现代电子商务时代的

需求和挑战[14]。

而CRM是电子商务活动的核心

部分。

对CRM的重视是现代市场营销理念和商业

运作方式转变的结果,并具有广泛的市场价值和研

究价值。

根据2002年4月IDC的最新研究报告,

全球CRM业务2006年将超过450亿美元,年平均

增长率达到18.6%。

与此同时,GartnerGroup也预

测全球CRM业务2006年将达到470亿美元,而

2002年将达到253亿美元[16]。

目前,面向CRM的数据挖掘应用研究是数据

挖掘应用领域研究的一个重要课题。

研究涉及应用

功能、应用方法、算法、模型、数据处理、系统设计和

开发等方面。

本篇论文综述了面向CRM的数据挖掘应用的

总体研究情况。

首先描述了面向CRM数据挖掘的

体系结构;然后从客户生命周期的角度和行业应用

角度分析了CRM中数据挖掘的应用和研究状况;

最后结合当前数据挖掘技术的发展,指出了CRM

中数据挖掘应用的进一步发展趋势以及我国在该领

域的研究方向。

2　CRM体系结构

客户关系管理（CustomerRelationshipManage-

ment,CRM）起源于80年代初提出的接触管理

（ContactManagement）,即专门收集整理客户与公

司联系的所有信息。

到90年代初期则演变成为包

括电话服务中心与支援资料分析的客户服务（Cus-

tomerCare）。

经历了近二十年的不断发展,客户关

系管理不断演变发展,逐渐形成了一套管理理论体

系和应用技术体系。

CRM的概念最早由Gartner

Group提出,即认为为企业提供全方位的管理视角,

赋予企业更完善的客户交流能力,最大化客户的收

益率[32]。

CRM是一种以客户为中心的市场营销理念和

策略,它以信息技术为手段,对业务功能进行重新设

计,并对工作流程进行重组。

它集合了现代信息技

术包括:

Internet和电子商务、多媒体技术、数据仓

②使用多维分析和关联分析进行促销活动的有

效性分析;③序列模式挖掘可用于客户忠诚分析;④

利用关联分析挖掘关联信息进行购买推荐和商品参

照[20]。

（2）电信业CRM中的数据挖掘:

电信业已经迅

速地从单纯的提供市话服务演变为提供综合电信服

务。

电信网、因特网和各种其他方式的通信和计算

的融合是目前的大势所趋。

利用数据挖掘技术可帮

助理解商业行为、确定电信模式、捕捉盗用行为、更

好的利用资源和提高服务质量。

例如:

①电信数据

的多维分析有助于识别和比较数据通信情况、系统

负载、资源使用、用户组行为、利润等;②通过多维分

析、聚类分析和孤立点分析进行盗用模式分析和异

常模式识别;③通过多维关联和序列模式分析进行

电信服务组合和个性化服务;④电信数据分析中可

视化工具的使用。

（3）金融业CRM中的数据挖掘:

大部分银行和

金融机构都提供丰富多样的储蓄服务、信用服务、投

资服务。

还提供保险服务和股票投资服务。

在银行

和金融机构中产生的金融数据通常相对比较完整、

可靠,这大大方便了系统化的数据分析和数据挖掘。

以下给出几种典型的应用情况:

①为多维数据分析

和数据挖掘设计和构造数据仓库;②特征选择和属

性相关性计算有助于贷款偿还预测和客户信用政策

分析;③分类和聚类的方法可用于客户群体的识别

和目标市场的分析[6];④通过数据可视化、链接分

析、分类、聚类分析、孤立点分析、序列分析等分析工

具帮助进行洗黑钱和其他金融犯罪的侦破。

5　CRM中数据挖掘应用研究的发展方向

数据挖掘技术在CRM中的应用研究是当前的

研究热点。

目前CRM中进行有效的数据挖掘面临

的主要技术问题包括:

（1）挖掘方法和用户交互问

题:

①挖掘的知识类型[21];②多个抽象层的交互知

识挖掘[27];③领域知识的使用[23];④数据挖掘查询

语言[12];⑤数据挖掘结果的表示和可视化[19];⑥处

理噪声和不完全数据;⑦模式评估-兴趣度问题。

（2）性能问题:

①数据挖掘算法的有效性和可伸缩

性;②并行[31]、分布式[28]和增量[24]挖掘算法。

（3）

关于数据库类型的多样性问题:

①关系的和复杂的

数据类型的处理[9];②由异种数据库[29]和全球信息

系统挖掘信息如Web挖掘[3]。

其他问题包括数据

挖掘的应用开发和它们的社会影响。

这些问题是数

据挖掘技术未来发展的主要需求,同时给数据挖掘

也提出了许多挑战性的课题。

目前面对我国企业发展的特殊轨迹,国内在该

领域的研究和应用明显落后于国外。

面对我国的

CRM的认知程度和应用层次以及国情的需要,数据

挖掘技术在CRM中的应用研究方向建议应主要面

向如下方面:

（1）应用的探索:

电子商务已经成为现代商务的

主流因素,同时ASP（应用服务提供商）是现代信息

服务的重要方式,因此基于电子商务环境下和ASP

模式下CRM数据挖掘的特定应用具有重要的研究

价值[2];

（2）应用目标的转变:

随着企业的战略目标的转

变,CRM中的数据挖掘的应用目标重点应从增加企

业收入转移到节约企业成本[16];

（3）应用的对象:

从企业规模来看,中小型企业

是企业类型中的主体,针对中小型企业的CRM应

用相应的数据挖掘技术提升决策支持的智能化水平

对中国企业具有特别的意义;

（4）数据挖掘与数据库系统、数据仓库系统和

Web数据库系统集成:

这将保证数据挖掘的高质

量,提高数据挖掘的性能和效率,从而改善CRM决

策支持的有效性[34];

（5）CRM中复杂数据类型挖掘:

由于CRM应

用深度和广度的有力延伸,针对复杂数据类型的现

存数据分析技术与数据挖掘方法的集成研究变得越

来越重要[26];

（6）Web挖掘:

Web是当前CRM的主要应用平

台,包括Web内容挖掘、Web日志挖掘和Internet

上的数据挖掘服务等内容是重要的研究领域[17];

（7）CRM中的隐私保护与信息安全:

这是数据

挖掘技术要面对的一个重要问题,需要进一步开发

有关方法以确保客户的隐私权和信息安全[7]。

6　结束语

数据挖掘技术在电子商务时代CRM中有着广

泛而深入的应用,这一研究领域体现着越来越大的

研究价值。

随着数据挖掘技术的进一步发展和深

化,必然会带给CRM更为广泛的应用前景和市场

价值。

这种价值对增强我国企业的核心竞争力将会

发挥越来越大的作用。

参考文献:

[1]Adomavicius,G.,A.Tuzhilin.Expert-drivenvalidationof

rule-basedusermodelsinpersonalizationapplications[J].

·57·第1期　　　　　　　　　　　　　张　等:

数据挖掘技术在CRM中的应用

ataMiningandKnowledgeDiscovery,2001,5（1-2）:

33

-58.

[2]Berson,A.,S.Smith,K.Thearling.Buildingdatamining

applicationsforCRM[M].NewYork:

McGraw-Hill,

1999,125-175.

[3]Bapna,R.,P.Goes,A.Gupta.Comparativeanalysisofmulti

-itemonlineauctions:

evidencefromthelaboratory[J].

DecisionSupportSystems,2001,32

（2）:

135-153.

[4]Bhattacherjee,A.Anempiricalanalysisoftheantecedents

ofelectroniccommerceservicecontinuance[J].Decision

SupportSystems,2001,32

（2）:

201-214.

[5]Bose,I.,R.K.Mahapatra.Businessdatamining-ama-

chinelearningperspective[J].Information&Manage-

ment,2001,39（3）:

211-225.

[6]Dhar,V.,D.Chou,F.Provost.Discoveringinterestingpat-

ternsforinvestmentdecisionmakingwithGLOWER

[xcirc]-ageneticlearneroverlaidwithentropyreduction

[J].DataMiningandKnowledgeDiscovery,2000,4（4）:

251-280.

[7]DMReview.DataMiningLeadTechnologiesTowardU-

biquitousComputingandPrivacyLoss[Z].http:

//www.

2002,5.

[8]Edelstein,H.Buildingprofitablecustomerrelationshipwith

datamining[R].TwoCrowsCorporation,2001,10:

1-

12.

[9]Gangopadhyay,A.Animage-basedsystemforelectronic

retailing[J].DecisionSupportSystems,2001,32

（2）:

107-

116.

[10]Han,J.W.,M.Kamber.Datamining:

conceptsandtech-

niques[M].SanFrancisco:

MorganKaufmann,2000.451-

481.

[11]Hui,S.C.,G.Jha.Dataminingforcustomerservicesup-

port[J].Information&Management,2000,38

（1）:

1-13.

[12]Imielinski,T.,A.Virmani.MSQL:

aquerylanguagefor

databasemining[J].DataMiningandKnowledgeDiscov-

ery,1999,3（4）:

373-408.

[13]Inmon,W.H.Buildingthedatawarehouse（2nd）[M].

NewYork:

Johnwiley&Sons,1996.20-114.

[14]Kannan,P.K.,H.R.Rao.Introductiontothespecialis-

sue:

decisionsupportissuesincustomerrelationshipman-

agementandinteractivemarketingfore-commerce[J].

DecisionSupportSystems,2001,32

（2）:

83-84.

[15]Karuga,G.G.,A.M.Khraban,K.S.Nair,D.O.Rice.Ad-

Palette:

analgorithmforcustomizingonlineadvertisements

onthefly[J].DecisionSupportSystems,2001,32

（2）:

85-

106.

[16]K.D.Nuggets.IDCprojectsgrowthinCRMServices

Market;Datamonitorfinds44%CRMfailurerate[Z].

2002,4.

[17]Kosala,R.,H.Blockeel.Webminingresearch:

asurvey

[J].SIGKDDExplorations.2000,2

（1）:

1-15.

[18]Lawrence,R.D.,S.G.Almasi,V.Kotlyar,S.M.Viveros,

S.S.Duri.Personalizationofsupermarketproductrecom-

mendations[J].DataMiningandKnowledgeDiscovery,

2001,5（1-2）:

11-32.

[19]Lee,J.Y.,M.Podlaseck,E.Schonberg,R.Hoch.Visual-

izationandanalysisofclickstreamdataofonlinestoresfor

understandingWebmerchandising[J].DataMi