《面向金融CRM的客户服务挖掘模型及方法研究（综述）》由会员分享，可在线阅读，更多相关《面向金融CRM的客户服务挖掘模型及方法研究（综述）（6页珍藏版）》请在金锄头文库上搜索。
1、 面向金融面向金融 CRMCRM 的客户服务挖掘模型及方法的客户服务挖掘模型及方法 研究（综述）研究（综述）1 1 前言前言数据挖掘是一门具有广泛应用的新兴学科，针对特定领域的应用包括生物医学，DNA 分析，金融，零售和电信等，需要在实践中将数据挖掘技术与特定领域知识结合在一起，提供满足特定任务的数据挖掘解决方案。在银行业务日趋国际化的今天,银行业的竞争日趋激烈,而竞争的焦点就是客户的争夺,谁拥有的客户资源强大,谁就可能在竞争中处于有利地位1。要在竞争中保持优势，我国金融业就必须迅速转变经营观念，真正做到以客户为中心。客户关系管理(CRM)是以信息技术为支撑环境，以客户期望和受益为基础，保持企
2、业和客户间的良好关系，实现企业利润和客户利益最大化的新型营销理念、管理机制和工作流程。随着信息技术与网络技术的发展，客户在享受新技术所带来的便利的同时，也获得了更多的选择各种服务提供者的途径，因而使企业为争夺客户的竞争日益加剧。在很多情形下，高质量的客户关系是惟一重要的竞争优势，维护客户忠诚度变得越来越关键，同时也变得越来越困难。对现有客户和潜在客户的培养和挖掘，被认为是企业获得进一步成功的关键。因此，探讨金融行业客户关系管理的现状，研究客户关系管理系统在金融行业的应用具有重要的意义。2 2 客户关系管理（客户关系管理（CRMCRM）基本理论）基本理论2.12.1 CRMCRM 的理念的理念C
3、RM 的概念最早由 Gartner Group 提出，其目的是为企业提供全方位的管理视角，赋予企业更完善的客户交流能力，最大化客户的收益率2。CRM 是一种以客户为中心的市场营销理念和策略，它以信息技术为手段，对业务功能进行重新设计，并对工作流程进行重组。它集合的现代信息技术包括：Internet 和电子商务、多媒体技术、数据仓库和数据挖掘、专家系统和人工智能、呼叫中心等。CRM 的焦点是自动化并改善销售、市场营销、客户服务和支持等领域的与客户关系有关的商业流程。它的目标是缩减销售周期和销售成本、增加收入、寻找扩展业务所需的新市场和渠道以及提高客户的价值、满意度、盈利性和忠诚度。2.22.2
4、企业运用企业运用 CRMCRM 目标目标企业运用 CRM 的目标主要是三个方面。首先是效率的提高。信息技术使得业务处理流程的自动化程度大大提高实现企业范围内的信息共享，提高企业员工的工作能力，并有效减少培训需求，使企业内部能高效地运转。其次是有助于拓展市场。通过电话、Web、电子邮件、传真等手段的整合，客户可以选择自己喜欢的方式，同企业进行交流。企业的员工和客户的沟通更加便捷，获取信息更加方便。因此，CRM 提升了客户满意度和利润贡献度。最后，对客户互动信息的搜集和加工，产生客户智能，可以帮助企业拓展业务模式，扩大经营活动范围，及时把握新的市场机会，占领更多的市场份额，帮助企业保留更多的价值客
5、户，并更好的吸引新客户。2.32.3 CRMCRM 考核指标考核指标根据客户的忠诚度，可以把客户分类，使之形成一个客户阶梯，即企业客户分布结构图。从下到上，客户可分为：潜在客户、顾客、常客、支持者、忠诚客户。根据客户分布可以得到 CRM 考核的几个基本指标3： 1、 新增客户量（率）：虽然关系营销以一种改革者的姿态出现，可是它在很大程度上并不是对以往营销方式的革命，更多的是对传统营销思想的完善补充，因此新增客户量依然是业绩考核中最重要的内容。2、 流失客户量（率）：也就是客户保持率。3、 升级客户量（率）：客户关系管理的新内容，不断升级的客户给企业带来的诸多好处，因为客户升级，也就意味着“客户
6、满意” ，客户升级的最终目标是使客户成为企业品牌的忠实客户，使他们愿意与企业建立和保持长期稳定的关系，愿意成为企业提供的产品和服务承担合适的价格，并且义务宣传企业产品和服务。4、 客户平均盈利能力：客户阶梯说明客户平均盈利能力是分层次的。3 3 面向面向 CRMCRM 的数据挖掘技术在各行业中的应用现状的数据挖掘技术在各行业中的应用现状3.13.1 数据挖掘技术的基本概念数据挖掘技术的基本概念根据 Gartner 的 HPC 研究表示， “随着数据捕获、传输和存储技术的快速发展，用户将需要采用新技术来挖掘市场价值，采用更为广阔的并行处理系统来创造新的商业增长点。 ”数据挖掘技术将在未来的数据计
7、算中扮演越来越重要的角色。数据挖掘(Data Mining)，就是从存放在数据库，数据仓库或其他信息库中的大量的数据中获取有效的、新颖的、潜在有用的、最终可理解的模式的非平凡过程。在人工智能领域，又称数据库中的知识发现（Knowledge Discovery in Database，KDD） ，它是数据库研究中的一个很有应用价值的新领域，融合了数据仓库、人工智能、统计学等多个领域的理论和技术。通过数据挖掘技术，能够找出已有数据之间的潜在联系，从而促进信息的传递，对将来的趋势和行为进行预测，从而很好地支持人们的决策4。数据挖掘的任务是从数据中发现模式。从广义上讲，数据挖掘将发现两种模式：预测型模
8、式和信息型模式。预测型模式主要通过输入集合的值来计算某一属性，或某几种属性的值，来解决一个指定的问题，从数据库中的一些属性来预测另外一个或者多个属性值。它的特征是利用已知的属性去合理地猜测一个未知的属性值。而信息型的模式不解决某一指定的问题，而是提供给某领域的专家以前可能不知道的有兴趣的模式。信息型模式比预测型模式更难评估，其价值在于提供给某领域专家一些建议和评价这些建议的有效性。3.23.2 数据挖掘的主要方法数据挖掘的主要方法 5 5 （1）概念/类描述：特征化和区分。概念描述以简洁汇总的形式描述给定的任务相关数据集，提供数据价值的一般特征，一般应用于描述式数据挖掘。概念或类描述由特征化和
9、区分组成，一般有两种方法：基于数据立方体 OLAP 的方法和面向属性归纳的方法，包括以下技术：数据聚焦、通过属性删除或属性概化的概化数据、计算和聚集值累计、属性概化控制和概化数据可视化。（2）关联分析：关联分析能够发现关联规则，这些规则展示属性-值频繁地在给定数据集中一起出现的条件。关联分析广泛用于购物篮、商务管理和决策分析，是商业分析中应用最广泛的一种数据挖掘方式和模式6。有效算法包括 Apriori 算法和频繁模式增长（FP-增长）算法，注重多层关联规则、多维关联规则和基于约束的关联规则的挖掘。（3）分类和预测分析：分类和预测是数据分析的两种重要形式，可用于提取描述重要数据类的模型或预测未
10、来数据趋势。分类和预测具有大量应用包括欺诈检测、针对销售、性能预测、制造和诊断。主要方法包括：1）决策树，算法有：ID3 和 C4.5、剪枝算法等；2）贝叶斯分类和贝叶斯置信网络7；3）关联挖掘技术在大型数据仓库中搜索频繁出现模式，可用于分类；4）粗糙集理论可近似定义类等。（4）聚类分析：聚类分析有广泛应用，包括市场或客户细分、模式识别、生物学研究、空间数据分析、Web 文档分类等方面。其主要算法有：1）划分方法，K-均值，K-中心点，CLARANS 和他们改进算法；2）层次方法；3）基于密度的方法；4）基于网格的方法；5）基于模型的方法；6）模糊聚类法。（5）孤立点分析：孤立点分析用于欺诈检
11、测、定制市场医疗分析及其他任务是非常有用的。孤立点挖掘方法包括统计学方法、距离法和偏差法。（6）演变分析：演变分析描述行为随时间变化的对象的规律或趋势并对其建模，包括时间序列数据分析、序列或周期模式匹配和基于类似的数据分析。演变分析可用于趋势分析、相似性搜索、与时间有关的序列模式挖掘和周期模式挖掘。（7）复杂类型的数据挖掘：复杂类型的数据挖掘是当前数据挖掘技术的一个重要的研究领域，它极大提升了数据分析能力的深度和广度，主要方法包括：对象数据挖掘、空间数据挖掘、多媒体数据挖掘、时序和序列数据挖掘、文本挖掘和 Web 挖掘等。3.33.3 面向面向 CRMCRM 的数据挖掘技术在各行业中的应用现状
12、的数据挖掘技术在各行业中的应用现状目前，面向 CRM 的数据挖掘应用研究是数据挖掘应用研究领域的一个重要课题8。研究涉及应用功能、应用方法、算法、模型、数据处理、系统设计和开发等方面。数据挖掘应用的深度和广度针对不同行业而有所不同，特别是对于与客户交流频繁、客户支持要求高的行业，如银行，证劵、保险、电信、税务、零售、旅游、航空、医疗保健等。零售业 CRM 是数据挖掘的主要应用领域，特别是电子商务方式的兴起。零售业 CRM 数据挖掘可有助于识别客户购买行为，发现客户购买模式和趋势，改进服务质量，取得更好的客户保持和满意度，提高货品销量，设计更好的货品运输与分销策略，减少商业成本。例如：使用多特征
13、数据立方体进行销售、客户、产品、时间和地区的多维分析；使用多维分析和关联分析进行促销活动的有效性分析9；使用序列模式挖掘来进行客户终成分析；利用关联分析挖掘关联信息，并进行购买推荐和商品参照。电信业 CRM 中的数据挖掘：电信业已经迅速的从提供单纯的市话服务演变为提供综合的电信服务。电信网，因特网和其他各种方式的通信和计算的融合是目前的大势所趋。利用数据挖掘技术可帮助理解商业行为，确定电信模式，捕捉盗用行为、更好的利用资源和提高服务质量。例如：运用多维关联10和序列模式分析有助于提供电信组合服务和个性化服务；电信数据的多维分析有助于识别和比较数据通信、系统负载、资源使用、用户组行为、利润等方面
14、的情况；多维分析、聚类分析和孤立点分析可用于盗用模式分析和异常模式识别；电信数据分析还包括可视化工具的使用。金融业 CRM 中的数据挖掘：大部分银行和金融机构都提供丰富多样的储蓄服务、信用服务、投资服务，还提供保险服务和股票投资服务。在银行和金融机构中产生的金融数据通常相对比较完整、可靠，这大大方便了系统化的数据分析和数据挖掘。特征选择和属性相关性计算有助于贷款偿还和客户信用分析11；运用决策树分析潜在客户12；分类和聚类的方法可用于客户群体的识别和目标市场的分析13。4 4 结论结论中国金融企业已经有了多年的电子技术应用的经验，积累了大量的客户数据和账户信息，目前各大金融机构也在进行数据集中
15、的工作，而这种数据集中的模式，标志着银行业正在加快从粗放型经营转向集约型经营，并且也为金融企业创造基于数据仓库相关技术的客户关系管理系统创造了条件。数据挖掘作为一种新的商业信息处理技术，能够在客户生命周期的各阶段发挥作用，在企业客户关系管理中，运用一定的数据挖掘技术进行数据分析，从大量的、无序的数据当中寻找规则的、有价值的数据，从而为企业的营销管理和战略决策提供帮助，实现客户资源价值最大化的企业目标。客户是各金融企业赖以生存的首要资源，高质量的客户关系是惟一重要的竞争优势，维护客户忠诚度变得越来越关键，同时也变得越来越困难。在金融企业运用数据挖掘技术，可以分析客户差异，实现客户个性化服务选择，
16、差异化管理，帮助企业做出战略决策，以期获得深度效益，建立长期、稳定的客户关系，深度挖掘客户资源的效益，完善营销策略和服务支持，实现企业利益最大化。同时风险评测也是金融企业生存至关重要的部分，利用数据挖掘技术，同样可以通过对客户的经营信息、信用信息分析做出一份完整的风险预案，做到风险预警，同时可以进行风险监测，使得企业可以准确、及时地对各类风险进行监视和评估，采取有效的规避和管理措施。参考文献参考文献1 常雪琦, 刘伟. 数据挖掘技术在客户关系管理中的应用分析以银行业为例J. 信息技术与信息化, 2009, (5): 70-71.2 Thearling K. Data mining and CRM: zeroing in on your best customersJ. DM Direct, 1999, 12(3): 1-7.3 张喆. 数据挖掘及其在客户关系管理中的应用M. 上海: 复旦大学出版社, 2007.4 刘争. 数据挖掘在 CRM 方面的应用研究J. 金卡工
