数据挖掘分析在CRM系统中的应用

每个企业都会有客户流失的情况发生，已经失去或是即将失去的，这中情况对企业来说是正常现象，在面对这些常见的正常现象时，关键是企业从中能学到什么，得到重要信息并加之分析，找出弊端加以改善，防止客户的再次流失CRM（Custom Relationship Management）的意思是客户关系管理。它强调把客户放在核心位置，其理念要求企业完整地认识整个客户生命周期，围绕“客户接触点”，提供与客户沟通的统一、集成的平台和工具，涉及企业一切与客户有关的信息交互进行处理。提高员工、客户接触的效率和客户反馈率，为客户提供整体的服务！同时采用数据挖掘技术对有关信息进行分析，得到有价值的信息和知识。
   一、获取信息
    当前企业间的竞争不仅仅是产品的竞争、企业资源的竞争：而更多的是以客户为中心的服务。如，获取竞争信息赢取客户，认真聆听客户的心声，由客户方反馈信息，让企业了解竞争对手的销售策略方式，获取竞争对手是否采取了低价策略、出奇的营销计划等信息，一边企业做出最快最准的判断，与竞争对手争夺客户源以便采取培训或投资项目的启动决策，通过与客户的沟通，大量重要信息的获取后，就可以进行相应的员工培训。设备投入与投资项目决策阶段，将资金投入到需要加以改善的地方，意识企业降低成本将资金用在刀刃上。
    识别有价值的客服，已得到关键有益信息是企业掌握主动的关键。以服务类企业为例，这类公司经常能够很容易就能识别出那些即将与他们终止业务往来的客户 他们也知道如何联系到这些客户，并加以防范。从相关的统计数据来看，一家企业平均每年会失去一到三成的老客户。在这些流失的客户中，哪些是企业自动淘汰的，为什么要淘汰？哪些是由于企业维持不善造成的，或是客户主动联系企业与企业达成合作意向的？客户的流逝对企业所造成的影响非常大，由于在寻找新客户，建立新的合作关系的过程中，企业将付出维持老客户成本的3到7倍，因此迅速准确的是被那些即将流失的客户群，并予以进行正确的维护，做出几十的判断对一个企业的发展极为重要。CRM系统，能够帮企业收集分析这些数据，既然失去的客户已经无法挽回，那么企业接下来的工作，就只能是总结教训，防止再犯。而CRM正好可以帮企业的总结提供数据方面的帮助。
   二、数据挖掘
   数据挖掘（data Mining），又称数据库中的知识发现（Knowledge Discovery in Database，KDD），是指从大型数据库或数据仓库中提取隐含的，位置的，非平凡的及有潜在应用阿志的信息或模式，是数据库研究中的一个很有应用价值的新领驭，融合了数据库、人工智能、机器学习、统计学等多个领域的理论和技术，数据挖掘工具能够对奖励啊的趋势和行为惊醒预测，从而很好的支持人们的决策，今天的技术可以使挖掘过程自动化，把数据挖掘与商业数据仓库相结合，并以适当的形式把结果表示给从事商业活动的用户看。
   数据挖掘是从大量数据中提取知识。从数据库的观点出发其次，“预测型数据挖掘”包括一系列在数据中查找特定变量（称为“目标变量”）与其他变量之间关系的技术。下面具体介绍几种预测型数据挖掘技术。
    a.决策树
    决策树方法的起源是概念学习系统（CLS），发展到ID3方法时为高潮，后又演化为能处理连续属性的C4.5，最后发展成为加入了Boosting思想的C5.0决策树是一种常用的分类算法、它通过系统地分解和分离数据集中包含的信息来发现规律和关系，它寻求在数据集中找到那些提供记录中最大分离信息的影响因素，每次选取能最大程度地区分记录的影响因素，决策树据此法则往下生长，当找不到类似的影响因素时，决策树就形成了。考虑到决策树的可用性，还要对其“剪枝”和优化。决策树通过把对象从根节点排列到某个叶子节点来分类，叶子节点即为对象所属的分类。树上的每一个节点说明对对象的某个属性的测试，并且该节点的每一个后继分支对应于该属性的一个可能值。现有的客户流失分析方法多采用决策树及其变形算法来进行，典型的有英国Lightbride公司开发的Churn Prophet（CART，分类回归树）。[page]    b.神经网络
    神经网络主要用于分类、聚类、估计和预测。神经网络是一种人脑思考仿真的数据分析模式，用输入变量与数值来自我学习，并根据学习经验所得之知识不断调整参数，以期得到一个较好的模式。神经网络使用许多参数来建立一个模式。这个模式由一组输入值来预测一个连续值或分类值。每个结点都是一个函数，这个函数使用该结点的相邻结点值的加权总和进行运算。函数的形式可以选择，权的确定可以由一种叫反向传导的方法通过把输出结果和已知真实结果的比较来不断调整，整个神经网络的分析过程是一个“黑盒子”（不透明），无法展现可读的模型，每阶段的加权与转换亦不明确显示，所以神经网络大多数都用于处理高度非线性且变量有相当程度交互效应的数据。
    c.回归分析方法
    回归分析是研究响应变量（或称因变量）Y与n个预测变量（或称自变量）X1，X2，…，Xn之间的相关关系并求出关系方程式，是将相关现象间不确定的数量关系一般化，是配合直线或曲线来代表现象之间的一般数量关系。回归技术主要包括以下几个方面：
    （1）线性回归
    在线性回归中，数据用直线建模。线性回归是最简单的回归形式，是量化两个连续变量之间关系的一种统计技术。将一个响应变量Y视为另一个随机变量 X的线性函数，即：Y=α＋βX其中假定Y的方差为常数，α和β是回归系数，分别表示直线在Y轴的截距和直线的斜率系数可以用最小二乘法求解，线性回归常用于建立消费模型。
    （2）多元线性回归
    多元回归是线性回归的扩展，涉及多个自变量。响应变量Y可以是一个多维特征变量的线性函数，即：

同样也可以采用最小二乘法（OLS）求解回归系数。

（3）Logistic回归
    Logistic回归是多元线性回归的变形和推广，是为二元因变量（二分类变量）设计的非线性回归模型，用来考察多个属性变量在识别将要流失客户方面的集成贡献。
    （4）其他非线性回归
    三、数据挖掘在CRM中的应用
    在企业管理客户生命周期的各个阶段都会用到数据挖掘技术，数据挖掘技术可以帮助企业确定客户的特点，从而可以为客户提供有针对性的服务；通过数据挖掘可以发现使用某一业务的客户特征，从而可以向那些也同样具有这些特征却没有使用该业务的客户进行有目的推销；还可以找到流失的客户特征，在那些具有相似特征的客户还未流失之前，采取针对性的措施。
    首先，客户关系管理理论中有一个经典的2、8原则，即80％的利润来自于20％的客户。通过数据挖掘中的决策树分析法和分类分析算法对客户消费行为、盈利能力进行分析。从而将客户进行分类。其次，企业争取一个新客户的成本是保留一个老客户7-10倍，因此，CRM管理中，首先提倡的是保持现有客户，实现现有客户的重复购买，其次才是开拓新市场、吸引新客户。通过数据挖掘技术首先为已流失客户建模，是被他们的流逝模式，然后用这些模式找出当前客户中相似背离者，以便采取相应预防措施。最后，客户获得。企业的增长要不断获得新客户数据挖掘技术能够预测并识别潜在客户群，从而使企业的促销推广活动更有针对性。
   四、总结
    本文介绍了数据挖掘技术在企业CRM系统中对客户流失及保持的应用，在对客户关系管理研究以及数据挖掘技术研究的理论背景之上，通过数据挖掘算法分析客户群体特征，类别。并据此预测现有客户的流失倾向，并采取相应的措施进行挽留，给出有效控制客户流失的建议。
    在客户导向时代，客户成为了企业利润的最终来源，客户关系管理则是企业提升经济效率的一种重要途径。数据挖掘技术与CRM相结合完善了客户关系管理系统，有助于提升企业的商业价值，为企业与客户之间建立一个互动的长期稳定关系，使得客户价值、企业利润达到“双赢”。