应用数据挖掘进行客户关系管理

在当今市场上，商业的成功离不开有效的客户关系管理（Customer Relationship Management，CRM）。客户关系管理的本质是更有效地进行竞争。客户关系管理的目标是缩减销售周期和销售成本、增加收人、寻找扩展业务所需的新的市场和渠道、以及提高客户的价值、满意度、赢利性和忠实度。企业实施客户关系管理，可以更低成本、更高效率地满足客户的需求，从而可以最大程度地提高客户满意度及忠诚度，挽回失去的客户，保留现有的客户，不断发展新的客户，发掘并牢牢地把握住能给企业带来最大价值的客户群。

客户关系管理最基本的含义就是管理所有与客户的相互作用。随着客户信息的绝对容量的急剧增大，企业与客户的相互作用日益复杂，数据挖掘被推到了客户关系管理的最前端。利用在传统的数据库技术基础上发展起来的数据挖掘等先进的智能化信息技术，利用神经网络等分析技术，挖掘出潜在的有用信息，用于企业辅助决策。

一、数据挖掘及其在客户关系管理中的地位与内容以电子商务环境下的企业客户关系管理为主线，辅之以建立在数据库或数据仓库基础上的各种数据挖掘技术，在吸引客户、留住客户、升级客户的过程中实现不断提升企业核心竞争力的目标。数据挖掘处于客户关系管理系统的核心地位。

数据挖掘是通过使用数据分析和数据建模技术来发现数据之间的关系和趋势的过程。数据挖掘能够从大量的数据中，抽取出潜在的、对决策存在价值的知识、模型或规则。数据挖掘中最基本、最简单的分析步骤就是描述数据，但是数据描述并不足以提供行动计划，必须用从已知结果中确立的模式来建立预测性模型，从而提供行动计划。然后用其它的方法对其进行测试。一个好的模型不应该被真实情况所困惑，这个模型能够用来指导你理解业务。

对于企业而言，数据挖掘能够根据已有的信息对未发生行为做出结果预测，有助于揭示已知的事实，发现业务发展的趋势，预测未知的结果，为企业经营决策、市场策划提供依据。

“以客户为中心”的数据挖掘内容涵盖了客户需求分析、客户忠诚度分析、客户等级评估分析等三部分，有些还包括产品销售。其中，客户需求分析包括：消费习惯、消费频度、产品类型、服务方式、交易历史记录、需求变化趋势等因素的分析。客户忠诚度分析包括：客户服务持续时间、交易总数、客户满意程度、客户地理位置分布、客户消费心理等因素的分析。客户等级评估分析包括：客户消费规模、消费行为、客户履约情况、客户信用度等因素的分析。产品销售分析包括：区域市场、渠道市场、季节销售等因素的分析。

二、数据挖掘在客户关系管理各阶段的应用在客户关系管理中，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相互作用，可以将客户关系管理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；保持有效益的客户。数据挖掘技术帮助企业管理客户生命周期的各个阶段。

1. 数据挖掘在客户获得中的应用

客户关系管理的第一步是识别潜在客户，然后将他们转变成真正的客户。传统的获得客户的途径一般包括广泛的媒体广告、大量的电话行销、市中心及车站码头的广告牌等。做广告，大多选择读者群和直接目标客户群重叠最大的主流媒体。但数据挖掘可以帮助管理获取新客户的成本和改善这些活动的效果。

Big Bank and Credit Card Company（BB&CC）每年进行25次直接邮寄活动，每次活动都向一百万人提供申请信用卡的机会。“转化率”用来测量那些变成信用卡客户的比例，这是一个关于BB&CC每一次活动效果的百分比。使人们填写信用卡申请仅仅是第一步，BB&CC必须判断提交申请的客户是否有良好的信用风险，然后决定接受他们成为自己的客户还是该拒绝他们的申请。统计显示大约6%的人在接到邮寄后会提出申请，但他们中只有16%满足信用风险要求，结果邮件列表中的人大约有1%成为了BB&CC的新客户。BB&CC的6%的响应率意味着每次活动中的100万人中仅有6万人对邮寄的请求产生响应，并且在6万人中只有1万人满足信用风险条件而成为客户。BB&CC面临的难题是更有效地影响那仅有的1万人。

BB&CC的每份邮寄成本约1美元，也就是说每次邮寄活动的总成本为100万美元。在接下来的两年里，那1万人将为BB&CC产生大约125万美元（每人约125美元）的收益，结果从一次邮寄活动获得净利润为25万美元。数据挖掘可以改善这个回报率。尽管数据挖掘也不能精确的识别最后那1万信用卡用户，但它可以帮助使促销活动的投入更有效。

首先，BB&CC发送了5万个邮件做测试并仔细分析结果，使用决策树建立预测模型来显示谁将对邮寄做出响应，用神经网络建立信用评分模型。接着BB&CC结合这两个模型来发现那些满足信用评定而且最可能对“恳求”产生响应的人群。BB乙CC运用这一模型再从邮件列表中剩下的95万人中选择70万发送邮件。结果显示：从这75万（包括测试的5万）件邮件中，BB&CC获得了9千份信用卡申请。换句话说，响应率从1%提高到了1.2%增加了20 %。虽然目标只达到了1万个中的9千个，但模型是没有完美的，剩下的1千是无利可图的。

请注意，邮寄的纯利润增加了$125,000，甚至你扣除由于数据挖掘而产生的软件、硬件即人力资源方面的$40,000，纯利润还增加了$85,000。建模的投入转化成了200%的收益。

2. 通过数据挖掘提高现有客户的价值

现在企业和客户之间的关系是经常变动的，一旦一个人或者一个公司成为你的客户，你就要尽力使这种客户关系对你趋于完美。一般来说你可以通过这三种方法：

第一，最长时间地保持这种关系；第二，最多次数地和你的客户交易；第三，最大数量地保证每次交易的利润。

因此我们就需要对我们已有的客户进行交叉销售和个性化服务。

交叉销售是指企业向原有客户销售新的产品或服务的过程。一个购买了婴儿车的客户很有可能对你们生产的婴儿尿布或其它婴儿产品感兴趣。个性化服务可以使得重复销售、每一客户的平均销售量和销售的平均范围等方面有一个很大提高。数据挖掘使用聚类来进行商品分组，这些聚类用来在有人看到其中的一个产品时向他做出建议，建议的方式可以是向客户发送Email，这些Email包含了由数据挖掘模型预测的会吸引客户的新产品信息。结果就会使推荐更加客户化。

对于企业来说，真正关心的问题在于如何发现这其中内在的微妙关系。利用数据挖掘的一些算法（统计回归、逻辑回归、决策树、聚类分析、神经网络等）对数据进行分析，产生一些数学公式，可以帮助企业发现这其中的关系。

对于原有客户，企业可以比较容易地得到关于这个客户的比较丰富的信息，大量的数据对于数据挖掘的准确性来说是有很大帮助的。在企业所掌握的客户信息，尤其是以前购买行为的信息中，可能正包含着这个客户决定他下一个的购买行为的关键，甚至决定因素。这个时候数据挖掘的作用就会体现出来，它可以帮助企业寻找到这些影响他购买行为的因素。

一般情况下，有两个模型是必需的。

第一个模型预测一些人是否为被建议买附加产品而感到不愉快；第二个模型用来预测哪些提议更容易被接受。

3. 通过数据挖掘进行客户保持

现在各个行业的竞争都越来越激烈，企业获得新客户的成本正不断地上升，因此保持原有客户对所有企业来说就显得越来越重要。比如在美国，移动通信公司每获得一个新用户的成本平均是30。美元，而挽留住一个老客户的成本可能仅仅是通一个电话。业界公认，获得一个客户的成本是保持一个客户成本的6-8倍，而且往往失去的客户比新得到的客户要贡献更多的利润。

数据挖掘可以帮助你将大量的客户分成不同的类，在每个类里的客户抓有相似的属性，而不同类里的客户的属性将会不同。你完全可以做得到给不同类的客户提供完全不同的服务来提高客户的满意度。客户分类的好处显而易见，即使是很简单的分类也可以给企业带来一个令人满意的结果。比如说如果你知道你的客户有85%是老年人，或者只有20%是女性，相信你的市场策略都会随之而不同。细致而切实可行的客户分类对企业的客户保持策略有很大益处。

通过数据挖掘进行客户保持一般应该建立三个模型。一个模型用来确定要离开的用户，第二个模型用来选择可以带来收益的潜在的离开者，第三个模型为这些潜在的离开者选配最适宜的提议。

三、有效的客户关系管理中数据挖掘的基本步骤

1. 定义商业问题（Define business problem）

每一个客户关系管理应用程序都有一个或多个商业目标，为此你需要建立恰当的模型。根据特殊的目标，如“提高响应率”或“提高每个响应的价值”，需要建立完全不同的模型。问题的有效陈述包含了评测客户关系管理程序结果的方法。

2. 建立行销数据库（Build marketing database）

需要建立一个行销数据库，因为操作性数据库和共同的数据仓库常常没有提供所需格式的数据。此外，客户关系管理应用程序还可能影响系统快速、有效地执行。在建立行销数据库的时候，需要对它进行净化— 如果想获得良好的模型，必须有干净的数据。需要的数据可能在不同的数据库中，如客户数据库，产dAn数据库以及事务处理数据库。这意味需要集成和合并数据到单一的行销数据库中，并协调来自多个数据源的数据在数值上的差异。

3. 探索数据（Explore data）

在建立良好的预测模型之前，必须理解所使用的数据。可以通过收集各种数据描述（如平均值、标准差等探索统计量）和注意数据分布来开始进行数据探索。可能需要为多元数据建立交叉表，并且，图形化和可视化工具可以数据准备提供重要帮助。

4. 为建模准备数据（Prepare data for modeling）

这是建立模型之前数据准备的最后一步。这一步中主要有四个主要部分：

一是要为建立模型选择变量，理想情况是将你拥有的所有变量加入到数据挖掘工具中，找到那些最好的预示值，但在实际中，这是非常棘手的。其中一个原因是建立模型的时间随着变量的增加而增加。另一个原因就是盲目性，包括无关紧要的数据列被加入，却很少甚至不能提高预测能力。

二是从原始数据中构建新的预示值，例如使用债务——收入比来预测信用风险能够比单独使用债务和收人产生更准确的结果，并且更容易理解。

三是你需要从数据中选取一个子集或样本来建立模型，使用所有的数据会花费太长的时间或者需要购买更好的硬件，对大多数客户关系管理问题来讲，使用经过恰当的随机挑选的子集并不会引起信息不足。建立模型的两种选择为：使用所有数据建立少数几个模型，或者建立多个以数据样本为基础的模型，后者常常能帮助你建立更准确有力的模型。

四是，需要转换变量，使之和选定用来建立模型的算法一致

步骤2到4是组成数据准备的核心。他们花费的时间或努力比其他几步加起来还多，数据准备和模型建立之间可能反复进行，因为你从模型中学到新的东西，而这又要你修改数据。数据准备阶段无论如何也要占去全部数据挖掘过程的50%到90%的时间和努力。

5. 数据挖掘模型的建立（Build model）

模型建立是一个迭代的过程，需要研究可供选择的模型，从中找出最能解决你的商业问题的一个。大多数客户关系管理应用程序都基于一种叫做监督学习的协议。你开始使用客户信息，而且期望的结果是已知的。例如，你有来自以前的邮件列表的历史数据，它与你现在使用的数据非常相似，或者，你可能不得不进行邮寄测试来确定人们对一个提议的响应如何。你将数据分为两组，使用第一组来训练或评估模型，接着使用第二组数据来测试模型。当训练和测试周期完成之后，模型也就建立起来了。

6. 评价模型（uate model）

评价模型结果的方法中，最可能产生评价过高的指标就是精确性。假设有一个提议仅仅有1%的人响应。模型预测“没有人会响应”，这个预测99写是正确的，但这个模型100%是无效的。另一个常使用的指标是“提升多少”，用来衡量使用模型后的改进有多大，但是它并没有考虑成本和收入，所以最可取的评价指标是收益或投资回收率。针对不同的目标，如提升最大利润或最大投资回收率，你可以选取不同百分比的邮件列表来发出请求函。

7. 将数据挖掘运用到客户关系管理方案中（Deploy model and results）

在建立客户关系管理应用时，数据挖掘常常是整个产品中很小的但意义重大的一部分。例如：通过数据挖掘而得出的预测模式可以和各个领域的专家知识结合在一起，构成一个可供不同类型的人使用的应用程序。数据挖掘实际建立在应用程序中的方式由客户交互作用的本质所决定。与客户的交互作用的两种方式：客户主动联系你（inbound）或者你主动联系他们（outbound）。部署的需求是完全不同的。后一种方式的特征由你的公司所决定，因为联系活动是由公司发起，例如直接邮寄活动。结果，通过运用模型到你的客户数据库，来选择客户进行联系。在inbound事务中，如电话定购、Internet订购、客户服务呼叫等，应用程序必须实时响应。因此数据挖掘是内含在这种应用程序中的并且积极地做出推荐动作。