数据挖掘在客户关系管理中的运用

2005.11.29  来自：通信市场　  李宗宇   

1、CRM的内涵与意义

　　客户关系管理是以客户为中心的思想发展而来的管理理论。人类科学技术水平的提高，引起了世界的两大主要变化，首先是信息、物资的流动速度加快，无论是消费者还是生产者都能更快的得到有效信息，适时调整自己的习惯和行为，导致了全球生活节奏与变化的加快。再次是计算机技术等高技术的发展使生产能力的极大提高，超越了人们的基本需求水平，市场逐渐由卖方市场转变为买方市场，市场竞争也日益激烈。如何在快速多变的市场中保持老客户与争取新客户成为关乎企业成长和发展的关键，因此客户关系管理思想就在这样的一个环境和变化中逐渐为人们所重视与推崇。客户关系管理的核心思想主要包括以下几个方面：

　　1.1　客户是企业发展最重要的资源之一

　　企业发展需要对自己的资源进行有效的组织与计划。随着人类社会的发展，企业资源的内涵也在不断扩展，早期的企业资源主要是指有形的资产，包括土地、设备、厂房、原材料、资金等。其后企业资源概念扩展到无形资产，包括品牌、商标、专利、知识产权等。再后来，人们认识到人力资源才是企业发展最重要的资源。时至工业经济时代后期，信息又成为企业发展的一项重要资源。乃至人们将工业经济时代后期称为“信息时代”。在人类社会从“产品”导向时代发展为“客户”导向时代的今天，客户的选择决定着一个企业的命运。因此，客户已经成为当今企业最重要的资源之一。在很多行业中，完整的客户档案或数据库就是一个企业颇具价值的资产。通过对客户资料的深入分析并应用销售理论中的2P8法则将会显著改善企业营销业绩。

　　1.2　对企业与客户发生的各种关系进行全面管理

　　企业与客户之间发生的关系，不仅包括单纯的销售过程所发生的业务关系，如合同签订、定单处理、发货、收款等，而且包括在企业营销及售后服务过程中发生的各种关系。如在企业市场活动、市场推广过程中与潜在客户发生的关系:在与目标客户接触过程中，内部销售人员的行为、各项活动及其与客户接触全过程所发生的关系；还包括售后服务过程中，企业服务人员对客户提供关怀活动、各种服务活动、服务内容、服务效果的记录等，这也是企业与客户的售后服务关系。对企业与客户间可能发生的各种关系进行全面管理，将会显著提升企业营销能力，降低营销成本，控制营销过程中可能导致客户抱怨的各种行为，这是CRM的另一个重要管理思想。

　　1.3　进一步延伸企业供应链管理

　　20世纪90年代提出的ERP，原来是为了满足企业的供应链管理需要，但ERP的实际应用并没有达到企业供应链管理的目标，这既有ERP本身功能方面的局限性，也有IT技术发展阶段的局限性，最终ERP系统又退回到帮助企业实现内部资金流、物流与信息流一体化管理的系统。CRM系统作为ERP系统中销售管理的延伸，借助Internet技术，突破了供应链上企业间的地域边界和不同企业之间信息交流的组织边界，建立起企业自己的BTOB和BTOC网络营销模式。CRM系统与ERP系统的集成运行才真正解决了企业供应链中的下游链管理问题，将客户、经销商、企业销售部整合到一起，实现企业对客户个性化需求的快速响应。同时也帮助企业清除了营销体系中的中间环节，通过新的扁平化营销体系，缩短响应时间，降低销售成本。

　　1.4　客户知识管理

　　世界经济正进入知识经济时代，知识经济是以知识为基础的经济，是建立在知识和信息的生产、分配和使用之上的经济。知识管理的重点是知识的识别、获取、开发、分解、存储和共享，并为其构建有效的途径和机制，以运用集体的智慧提高企业的应变和创新能力。知识管理是以信息管理为基础，是信息管理的延伸和发展，是利用技术去分享知识(或信息)并把它们作为创新(发明)的手段或杠杆。从信息管理到知识管理的进化，是管理理论与实践中“人本”管理主线的进一步体现和发展，知识管理是适应知识经济时代要求的新型管理模式，是迎接新时代挑战的重要战略。客户知识管理是通过一组解决方案的集合寻找和识别与问题有关的关键性信息，并将这些信息进行提取，形成对某一问题的专门知识，并作为决策的依据。知识管理就是把信息转化为知识，用知识指导决策并付诸行动，再将该行动转化为利润。客户管理的目的在于协助企业不断的获取、积累客户知识并将这些知识运用在企业的市场、销售、客户服务等各个领域，并让这些知识发挥出杠杆作用，以提升企业客户的满意度和忠诚度，从而降低生产和销售成本，缩短销售周期，扩大市场份额，提高企业的效率和效益。因此，客户知识管理是客户关系管理的本质。

2、数据挖掘对客户关系管理的支撑

　　2.1　数据挖掘技术

　　许多企业用了很大力气去积累有关客户的信息，但是并不能有效地进行客户关系管理，因为信息只是一些原材料，经过组织、分析并理解后，才可以用来构建成有关客户的知识。而数据挖掘技术就可以完成对信息的处理。

　　数据挖掘(Data mining，DM)，又称数据库中的知识发现(Knowledge discovery in database，KDD)，是指从存放在数据库、数据仓库或其他信息库中的大量数据中自动地发现相关模式、提取有潜在价值的信息、挖掘知识的过程。从CRM的角度，数据挖掘应用就是从大量数据中挖掘出隐含的、先前未知的、对决策有潜在价值的知识和规则，并能够根据已有的信息对未来发生行为做出结果预测，为企业经营决策、市场策划提供依据。在CRM中应用的数据挖掘模式主要有以下五种:关联分析、分类、聚类分析、序列分析、孤立点分析。主要使用的技术有:统计、聚类、决策树、神经网络和关联规则。对于要挖掘的数据，可以是来自传统的关系数据库，也可以建立面向主题的、采用多维数据立方体组织数据的数据仓库。

　　为了使数据挖掘技术很好的在企业中发挥作用，首先需要建立一个能够全面组织和管理来自企业内部和外部数据的平台。通过建立数据仓库，将来自BOSS系统、网管系统、OA系统和财务管理信息系统的数据进行整合。可以根据不同的分析需求建立相应的主题(如客户流失情况主题、市场竞争分析主题等)，并根据主题建立相应的多维数据集，从而可以在多维数据集中采用OLAP和数据挖掘为相应的主题提供分析模型。

　　2.2　数据挖掘应用过程

　　2.2.1　与商业问题的关联

　　要想使数据挖掘在CRM中起作用，首先必须将其与实际问题联系起来。数据挖掘影响企业决策的方式取决于商业过程，而不是数据挖掘过程，因此必须首先依据CRM的功能做需求分析，定义问题。

　　2.2.2　数据准备

　　根据定义的问题搜索所有与业务对象有关的数据。数据可能来自不同的数据源，有企业内部的，也有来自于web的。根据不同的数据类型将数据进行分类、筛选，判断哪些数据是有效的，哪些是无效的。

　　2.2.3　数据抽取

　　根据实际问题抽取的数据应该是存放在CRM数据库中的不同基表中与定义的问题相关的属性域，这些被抽取出来的数据组成一个新的表(类似于视图)。如果通过数据仓库组织数据，则可以根据需求建立相应的主题，根据主题建立相应的多维数据集，同时可以进行OLAP分析。

　　2.2.4　数据的预处理

　　将准备用于数据挖掘的数据进行预处理，验证数据的完整性、规范性。

　　2.2.5　建模

　　根据定义的问题以及数据的类型决定采用的模式，同时要根据数据的属性(连续或离散)考虑采用相应的算法，自动的建立数据挖掘模型。

　　2.2.6　验证模型

　　模型的验证是数据挖掘成败的关键，不但要验证预测模型的过程正确，同时使用这些模型的其他输入和输出过程也要正确。验证的方法是输入一些历史数据，运用该模式比较数据挖掘的结果与已知历史结果的差异，如果差异很大，就要考虑改进模型或应该重新建立新的模型。

　　2.2.7　数据挖掘

　　在数据抽取形成的表上，运用一定的算法进行数据挖掘。

　　2.2.8　结果评估

　　通常在数据挖掘过程中，用户会对被抽取出来的数据进行分组，然后运用模型进行数据挖掘。对于挖掘的结果应用两个指标进行评估，一个是支持度，用来验证结果的实用性；一个是可信度，用来验证结果的准确性。

3、运用案例

　　本案例通过对移动客户数据的分析，了解“小灵通”将会对移动客户产生的影响。“小灵通”的优势在于其采用固定电话的资费方式，即主叫收费，被叫免费，而移动电话是采用双向收费的政策，因此在价格上“小灵通”对于消费者很有吸引力。本案例通过对用户信息和通话数据的分析，找出客户通话的主被叫特征。如果客户的通话主叫多被叫少，加上移动公司网络上的优势，客户会选择移动公司的服务；反之，客户可能会选择“小灵通”以降低费用。

　　根据数据挖掘模型可以得到细分的客户群及其特征，如表1所示：

表1

客户群	事例	特征值	可能性	客户群的描述
1	46	2(被叫) 1(主叫)	18.37% 79.59%	付费方式=现金，说明是个人用户 优惠类型=集团，说明享有集团客户的优惠
2	43	2(被叫) 1(主叫)	76.09% 21.74%	付费方式=现金，说明是个人用户 优惠类型=600元/12个月，说明下一年的合同为600元
3	5562	2(被叫) 1(主叫)	51.39% 48.60%	付费方式=现金，说明是个人用户 已不享有优惠
4	256	2(被叫) 1(主叫)	34.75% 64.86%	付费方式非=现金，说明是商业用户 目前没有优惠
5	713	2(被叫) 1(主叫)	48.88% 50.98%	付费方式非=现金，说明是商业用户 漫游类型=0，说明没有发生漫游通话
6	34	2(被叫) 1(主叫)	62.16% 35.14%	付费方式非=现金，说明是商业用户 漫游类型非=0，说明发生漫游通话

　　对于客户群1，客户通话主叫79.59%，被叫18.37%；而且优惠类型为集团，说明集团内通话有优惠，因此这一类客户迁移的可能性很小。客户群2优惠类型为600元包年，尽管主叫为21.74%，被叫为76.09%，但由于其优惠为包年，签有一年的合同，因此短期内不太可能迁移。客户群3优惠类型为非集团也不是包年，是占样本总数最大的一类客户，其主叫为48.6%，被叫51.39%，这一类客户是有可能迁移的。对于另外三个客户群，其付费方式为非现金，说明其为商务客户，而且没有优惠，所以尽管其中客户群6的被叫较多，但由于其价格弹性较小，可能更加注重网络信号的质量，因此迁移的机会相对较小。所以可以将商业实施的目标锁定为客户群3。运用决策树技术考察的是客户的主被叫特征，但是移动通话是以时间长短计费的，因此通话时长也是一个重要的指标。在制定促销策略时，可以根据客户通话时间的长短将客户分为三个客户群，通过考察每一个客户群的特征制定相应的计划。由于通话时长是一个连续值属性，因此采用聚类技术。用Microsoft SQL server2000提供的聚类工具对客户数据进行聚类。由聚类结果可以看出，客户聚集在通话时长分别为21、69、197秒这三个值上。目前计费是以分钟为单位计费的，因此可归结为1分钟以内，1分钟以上，3分钟以上三个客户群，在这三个客户群中前两个客户群的容量比较大。结合以上两种分析结果，可以制定商业实施计划。例如，可以对客户群3的资费进行调整，给予目标客户集团客户的优惠，主叫资费低于“小灵通”，被叫可以包月，但是通话时长在1分钟以上的，通话费用适当增加。在上例中，还可以将两种技术结合起来。首先聚类产生簇，每个簇的主要特征由通话时长来标记。将产生的簇作为类标签，然后运用决策树细分客户群，考察每一类客户的具体特征。