详解数据挖掘之客户全生命周期管理

数据挖掘涉及到公司运营的方方面面，这包括对企业部门经营情况的评估、内部员工的管理、生产流程的监管、产品结构优化与新产品开发、财务成本优化、市场结构的分析和客户关系的管理。其中，关于客户与市场的数据分析是“重头戏”。

一、客户全生命周期管理

首先，以客户全生命周期管理为例介绍数据分析运用场景和挖掘主题，如下图所示。

1.发掘潜在客户(市场细分)

关于这个主题的分析，更多的是基于地区、性别和年龄段等粗粒度的指标，结合产品设计定位和目标客户群体进行匹配。比如，高档母婴产品的潜在客户应该是新建高档小区中的住户。这类分析是运用最早的，在广告投放、新店寻址等场景下大量使用。

2.客户获取

当客户初次了解我们的产品和服务后，有可能会犹豫不决，拖延很久才可能真正成为我们的客户，而大部分客户在这期间会由于兴趣逐渐减退而最终流失。比如，信用卡新客户在填好个人信息，并收到信用卡后却迟迟没有开卡。这时就可以运用数据挖掘技术，对营销人员得到的客户基本信息进行一个初步筛选，找出购买倾向性较高的客户进行深度跟踪营销。这么做既减少了人工成本，又降低了打扰客户的次数，从而减少了投诉。同时在与潜在客户的交流中，也会为其制定更个性化的产品或服务组合。

3.初始信用评分

当客户最终购买我们的产品时，在涉及赊销情况的时候，就会用到初始信用评分技术。这是根据客户的性别、年龄以及居住场所等基本信息对客户的信用进行预判。这类情况不只在银行信贷中会遇到，在很多企业中都会遇到。企业的应收账款就是一种自然的商业信用，建立好优秀的初始信用评分体系，可以使企业在不增大财务风险的情况下快速开拓市场。比如，IBM全球融资部(IGF)是一个为赊购买入IBM产品的小公司提供金融服务的部门，其在上世纪80年代开发的客户信用评分模型对开拓全球市场功不可没。现在这个技术也成为了提高客户满意度的一种方式。比如，中国移动的先付费客户的欠费额度和京东的“打白条”服务。

4.客户价值预测

为了更好地为客户提供服务的同时增加企业利润，需要根据客户的基本信息进行其价值预测。其中价值既包括以消费水平为代表的直接价值，也包括客户口碑宣传的间接价值。

5.客户细分(市场细分)

根据客户的基本信息，从人口学、工业统计信息、社会状态、产品使用行为等方面对客户进行细致的描述。这对分析客户类型结构、修正产品定位、满足细分群体需求开发新产品、提高客户满意度和分析客户需求变化趋势都是有意义的。

6.交叉销售

分析产品之间的关联关系，发现产品销售中预期不到的模式。比如，“啤酒与尿布”的故事就是从客户在超市中的购物记录中获取的。这种技术目前被广泛运用在零售业、银行、保险等领域，大家对京东商场的推荐产品和淘宝的“猜你喜欢”两个模块应该有深刻的印象吧，这两个模块都是这个主题的运用。

7.产品精准营销

这是客户价值提升的重要方面，目的在于扩大客户消费的范围。比如，公司开发了一款新产品，希望快速找到目标客户。这就可以通过分析现有客户的属性和产品消费行为，确定响应可能性最大的群体进行营销。

8.行为信用评分

和初始信用评分的目的是一样的，这里分析的变量加入了客户产品消费行为的信息，这使得对客户信用的评估更为准确。比如，美国AT&T电信公司，其客户信用风险评级精确度明显高于一般的信用卡公司，这就是因为掌握了客户更多的通话、差旅等行为信息。

9.欺诈侦测

也称为异常侦测。是对客户(包括内部员工)涉及洗钱、套现、盗用等异常行为进行的侦测，满足风险监管的需求。

10.客户保留

有可能随着时间的变化，客户需求产生变化，如果不及时发现这种变化趋势，就会造成客户流失。客户保留的目的在于，及时发现客户在购买产品方面的行为变化和满意度情况，从而及时更换产品组合。比如，电信运营商发现客户的通话特征，从短途居多变为长途居多，而且从客户流失的模型中发现，有这种情况的客户流失的可能性很高。这主要是由于客户不了解电信运营商的套餐类型，只是听说其他运营商的长途套餐更便宜造成的。那么客服人员就需要了解这类客户的需求，从而提供更合理的套餐类型。

11.客户关系网

客户的亲友圈、工作圈和兴趣圈的信息对客户管理、营销和产品开发有重要的意义。比如，可以很好地定位客户所处的自然生命周期。如果是婚恋中的人，可以推荐与其品位相似的产品信息。而且通过对客户关系网络结构的分析，可以明确网络中的重要节点，这对关键人营销有重大意义。

12.流失客户时间判断

通过对已经流失客户的存续时间进行分析。一方面可以预判现有客户流失的高危期，另一方面为提高不同类型客户的存续时间提供技术支持。

13.流失客户类型判断

对流失客户的细分可以对改进产品和服务起到重要的指导作用。

二、数据挖掘主要方法的选取标准

真实世界的数据挖掘主题丰富多彩，但又有规律可循，比如精准营销属于排序模型、欺诈识别属于决策模型。因此作为数据挖掘工程师，需要十八班兵器样样精通，以备需要的时候挑选好趁手的兵器。下图展示了主流模型的特点与强项。

需要说明的一点是，在商业挖掘项目中，经常遇到有人拿支持向量机(SVM)和逻辑回归比准确性，这其实是不公平的，衡量排序类模型的优劣指标是ROC曲线下面积或提升度，而不是准确度，因此逻辑回归表现差是理所应当的。因此希望我们将来可以先明确分析目的，在可选的模型中进行比较，尽量降低跨主题选建模方法的情况。

三、数据挖掘工具的选择

工具是大脑的延伸，优秀的数据挖掘工程师已经将编程语言融入为身体的一部分，而实务中一专多能是必须的。由于语言由于其主要的受众不同，因此具有不同的风格。一个成熟的商业数据挖掘工程师要在注意这些差异，扬长避短。

参考书：

Mamdouh Refaat，信用风险评分卡研究_基于SAS的开发与实施
陈建，信用评分模型技术与应用
Basel Committee，各类模型监控指标的原理
Naeem Siddiqi，Credit risk scorecards-developing and implementing intelligent credit scoring
吴喜之，复杂数据统计方法__基于R的应用(3版)
李航，统计学习方法