《電子技術(shù)應(yīng)用》
您所在的位置:首頁 > 通信與網(wǎng)絡(luò) > 設(shè)計(jì)應(yīng)用 > 數(shù)據(jù)挖掘技術(shù)在客戶管理中的應(yīng)用研究
數(shù)據(jù)挖掘技術(shù)在客戶管理中的應(yīng)用研究
摘要: 數(shù)據(jù)挖掘的主要技術(shù)手段包括關(guān)聯(lián)規(guī)則挖掘,、分類分析、聚類分析,、估計(jì),、預(yù)測(cè)、時(shí)序模式和偏差分析等,。支持上述技術(shù)的核心研究?jī)?nèi)容是相應(yīng)的數(shù)據(jù)挖掘算法研究,,包括貝葉斯算法、決策樹,、時(shí)序算法,、聚類算法、關(guān)聯(lián)算法,、神經(jīng)網(wǎng)絡(luò)算法和回歸算法,。
Abstract:
Key words :

1 數(shù)據(jù)挖掘技術(shù)

數(shù)據(jù)挖掘的主要技術(shù)手段包括關(guān)聯(lián)規(guī)則挖掘、分類分析,、聚類分析,、估計(jì)、預(yù)測(cè),、時(shí)序模式和偏差分析等,。支持上述技術(shù)的核心研究?jī)?nèi)容是相應(yīng)的數(shù)據(jù)挖掘算法研究,包括貝葉斯算法,、決策樹,、時(shí)序算法、聚類算法,、關(guān)聯(lián)算法、神經(jīng)網(wǎng)絡(luò)算法和回歸算法,。

2 數(shù)據(jù)挖掘的核心價(jià)值與應(yīng)用分析

在企業(yè)客戶管理中應(yīng)用數(shù)據(jù)挖掘技術(shù),,不僅使客戶管理更高效,、更實(shí)用,還能預(yù)測(cè)客戶將來的各種消費(fèi)行為,,為企業(yè)實(shí)施更精確的客戶管理和市場(chǎng)營銷提供決策依據(jù),。客戶管理是CRM系統(tǒng)的一部分,,但比CRM系統(tǒng)有關(guān)客戶部分的功能更詳細(xì),、更齊全、更完善,、更符合企業(yè)的實(shí)際需要,。

客戶管理的目標(biāo)非常明確,防范老客戶流失,,從老客戶那里獲取更大的價(jià)值,。

目前企業(yè)客戶管理應(yīng)用比較混亂,大致分為3種情況:①以業(yè)務(wù)系統(tǒng)為主,,客戶管理為輔的信息系統(tǒng),,如進(jìn)銷存系統(tǒng)、ERP系統(tǒng)等,,以實(shí)現(xiàn)業(yè)務(wù)為核心內(nèi)容,,但往往會(huì)涉及到一部分客戶信息,嚴(yán)格來講,,這部分軟件不屬于客戶管理范疇,。②以銷售、市場(chǎng)營銷為核心內(nèi)容的信息系統(tǒng),,如銷售管理系統(tǒng)等,,以實(shí)現(xiàn)銷售計(jì)劃為核心,重點(diǎn)最大限度的促進(jìn)銷售,,更多的關(guān)注客戶的消費(fèi)心理,、消費(fèi)行為,注重提升客戶的忠誠度,,但這不是客戶系統(tǒng)的全部?jī)?nèi)容,。③CRM系統(tǒng),它是一個(gè)比較龐大的客戶關(guān)系管理信息系統(tǒng),,主要包括銷售,、銷售過程、客戶管理,、客戶分析等若干模塊,,相對(duì)于大多數(shù)企業(yè)而言,成本較高,。同時(shí),,操作型CRM較多,,分析型CRM較少。

客戶管理的混亂,,為企業(yè)利用客戶關(guān)系帶來了不便,,也為挖掘客戶關(guān)系中的有價(jià)值信息增加了難度。

3 挖掘算法的選擇與建模

當(dāng)企業(yè)建立起數(shù)據(jù)倉庫后,??刹捎貌煌臄?shù)據(jù)挖掘算法為客戶管理提供直接、有效的數(shù)據(jù)與參考,。企業(yè)活動(dòng)中,,與客戶管理相關(guān)業(yè)務(wù)大多與銷售過程有關(guān),包括客戶購物,、企業(yè)營銷,、客戶分類管理和銷售預(yù)測(cè)等。對(duì)客戶購物行為的分析,,可以為個(gè)性化營銷提供客觀依據(jù),,最有效的營銷是針對(duì)有消費(fèi)興趣潛力的客戶群,通過挖掘關(guān)聯(lián)關(guān)系,,尋找有價(jià)值的客戶分類,,能夠提高客戶管理的有效性。

數(shù)據(jù)挖掘雖然是一個(gè)智能的數(shù)據(jù)分析工具,,但其準(zhǔn)確性會(huì)受到多個(gè)方面因素的影響,,如數(shù)據(jù)的準(zhǔn)確性、合法性,、算法選擇的準(zhǔn)確性,、輸人選擇的正確性等,在實(shí)際應(yīng)用中,,不同的人,、不同的挖掘策略與方案將會(huì)有不同的結(jié)果,應(yīng)用業(yè)務(wù)人員和數(shù)據(jù)挖掘人員一起,。共同探討正確性,。下面針對(duì)上述具體應(yīng)用,提出可行的挖掘方案,,以供參考,。

3.1 挖掘客戶購物行為信息的算法與模型

用戶在挑選商品時(shí),往往存在一個(gè)習(xí)慣:先挑選最需要的商品,,然后根據(jù)商品推薦或興趣來挑選其他商品,,市場(chǎng)營銷人員中可以分析每個(gè)用戶的購物行為和愛好,為將來的個(gè)性化營銷提供依據(jù),,并為每個(gè)客戶提供最具人性化的營銷方式,,這要使用序列聚類算法,。

實(shí)現(xiàn)此功能需要兩個(gè)基本信息,一是訂單信息,,關(guān)注客戶的一次購物行為;二是訂單產(chǎn)品明細(xì),,主要關(guān)注商品放入訂單的先后順序,。

在業(yè)務(wù)庫中,有客戶企業(yè)表,、客戶訂單表,、訂單產(chǎn)品明細(xì)表、產(chǎn)品信息表4個(gè)業(yè)務(wù)表,,如圖1所示,,在創(chuàng)建數(shù)據(jù)倉庫后,客戶企業(yè)表,、產(chǎn)品信息表將變成維表,。訂單表、訂單產(chǎn)品明細(xì)將變成事實(shí)表,,把不需要的字段刪除,,并把不合理的數(shù)據(jù)進(jìn)行清理、轉(zhuǎn)換,,采用微軟序列聚類算法即可實(shí)現(xiàn)此功能需求,。
 

其數(shù)據(jù)挖掘模型如下:


根據(jù)以往的銷售歷史,分析用戶的銷售行為,,其重點(diǎn)在于歷史數(shù)據(jù)中每個(gè)訂單要有產(chǎn)品購買的先后順序,,結(jié)合序列聚類算法即可完成,此模型的輸入列是訂單編號(hào),,預(yù)測(cè)列是一個(gè)嵌套表,,包括產(chǎn)品序號(hào)和產(chǎn)品編號(hào)(或名稱)兩個(gè)可預(yù)測(cè)試列。

3.2 挖掘消費(fèi)興趣實(shí)現(xiàn)有效營銷的算法與模型

企業(yè)進(jìn)行新產(chǎn)品宣傳或促銷時(shí),,有效做法是把信息發(fā)送給感興趣的客戶,,而不是發(fā)給所有人,基于以前所做的客戶檔案和客戶對(duì)產(chǎn)品調(diào)查的反饋結(jié)果,,采用數(shù)據(jù)挖掘算法可以找出那些感興趣的客戶,,即節(jié)省成本,又提高效率,。

此功能的關(guān)鍵是根據(jù)以前所做的產(chǎn)品調(diào)查反饋信息,,預(yù)測(cè)哪些因素影響客戶的購買,并分析愿意購買客戶的特征,,基于這些特征,,把客戶表里的所有信息重新篩選一遍,,只向那些具有購買特征的客戶發(fā)送營銷信息。

實(shí)現(xiàn)此功能的算法有4個(gè):貝葉斯,、決策樹,、神經(jīng)網(wǎng)絡(luò)、聚類,,基于驗(yàn)證考慮,,盡可能采用每一種算法來測(cè)試,以獲得更準(zhǔn)確的分析數(shù)據(jù),,如圖2所示,,其數(shù)據(jù)模型如下:



也可以采用決策樹、聚類,、神經(jīng)網(wǎng)絡(luò)算法,,分別對(duì)應(yīng)如下:

(1)Microsoft_Decision_Trees:決策樹

(2)Microsoft_Clustering:聚類

(3)Microsoft_Neural_Network:神經(jīng)網(wǎng)絡(luò)

根據(jù)以往的調(diào)查數(shù)據(jù),可以分析出這些輸入列與可預(yù)測(cè)列(是否購買)之間的關(guān)系,,找那些已購買產(chǎn)品或愿意購買產(chǎn)品的客戶重要特征,,然后把促銷信息、新產(chǎn)品信息發(fā)給具有這些重要特征的客戶,。

 

此內(nèi)容為AET網(wǎng)站原創(chuàng),,未經(jīng)授權(quán)禁止轉(zhuǎn)載。