《数据挖掘技术在电信行业CRM中应用研究》由会员分享，可在线阅读，更多相关《数据挖掘技术在电信行业CRM中应用研究（13页珍藏版）》请在金锄头文库上搜索。
1、湖南商学院北津学院学年论文数据挖掘技术在电信行业CRM中应用研究内容摘要本文在介绍数据挖掘技术和客户关系管理概念的基础上，以电信行业为背景，介绍了将数据挖掘技术应用到客户关系管理中的流程和方法。关键词数据挖掘、客户关系管理、电信行业一、数据挖掘方法和技术在客户关系管理中的应用数据挖掘的任务主要是关联分析、聚类分析、分类、预测、时序模式和偏差分析等，根据数据挖掘所能够完成的任务，数据挖掘的技术可以应用到以客户为中心的企业决策分析和管理的各个不同领域和阶段。在客户关系管理中，它可以应用到以下几个方面：客户群体分类分析、客户盈利能力分析、客户背景分析、客户满意度分析、交叉销售、客户信用分析、客户流失
2、分析、客户的获得与保持等。（一）、客户群体分类分析客户细分是指将一个大的消费群体划分成一个个细分群的动作，同属一个细分群的消费者彼此相似，而隶属于不同细分群的消费者是不同的。细分可以让一个用户从比较高的层次上来查看整个数据库中的数据，细分也使得人们可以用不同的方法对待处于不同细分中的客户。有多种方式可以在细分上运用数据挖掘，通常用来建立细分群的数据挖掘方法是决策树方法和聚类方法。首先，数据挖掘可以用来根据客户的预测行为来定义客户细分群。如决策树的叶节点可视为一个独立的客户细分群，每个叶节点由某些特定的客户特征定义，对所有符合这些特征的客户存在一些预测行为。数据挖掘可以把大量的客户分成不同的类，
3、在每一个类里的客户具有相似的属性，而不同类里的客户的属性也不同。大多数公司一般将客户分为VIP客户、主要客户、普通客户和小客户4类。电信客户分类一般是按照业务类型进行分类，主要分为大客户和普通客户。大客户又主要包括两类：其一指客户范围大，不仅包括普通的消费者，还包括企业的分销商、经销商、批发商和代理商；其二指客户的价值大，不同的客户对企业的利润贡献差异很大，20%的大客户贡献了企业80%的利润，因此，企业必须要高度重视高价值客户以及具有高价值潜力的客户。在大客户营销战略中的大客户是指后者，是指公司所辖地域内使用产品量大或单位性质特殊的客户，主要包括经济大客户、重要客户、集团客户与战略客户等。（
4、二）、客户盈利能力分析客户盈利能力分析是数据挖掘的基础。数据挖掘技术是通过帮助你理解和提高客户盈利能力来发挥作用的，它可以用来预测在不同的市场活动情况下客户盈利能力的变化，通过分析已经发生的事实来发现信息和预测未来。数据挖掘技术可以从客户的交易记录中发现一些行为模式，并用这些行为模式来预测客户盈利能力的高低，但首先必须要设定一种计算客户盈利能力的方法。数据挖掘技术还可以用来揭示客户的行为习惯和预测发现一些在不同情况下有相似行为的新客户。通过数据挖掘技术可以优化一个市场活动以确定哪些顾客对提供的产品和服务感兴趣。（三）、交叉销售现代企业和客户之间的关系是经常变动的，一旦一个人或一个团体成为企业的
5、客户，就要竭力使这种客户关系趋于完善，需要对现有的客户进行交叉销售。交叉销售是建立在双赢原则上的，对客户来讲，要得到更多更好满足需求的服务且从中受益，对企业来讲，也会因销售额的增长而获益。数据挖掘可以帮助企业分析出最优的合理的销售匹配。交叉销售就是指向现有的客户提供新的产品和服务的营销过程，那些购买了某种产品和服务的客户很有可能同时购买你能提供的某些他感兴趣的相关产品和服务，数据挖掘技术可以帮助企业发现这种行为模式并从中获利。交叉销售还有一种形式就是“升级销售”，即向客户提供与他们已购买的服务相关的增值服务。例如，电信公司向已经使用标准长途电话服务的客户推销优质长途电话服务。使用数据挖掘技术进
6、行交叉营销分析一般是从分析现有客户的购买行为数据开始，将每个单项产品销售分析进行叠加，形成多项产品的交叉营销分析。首先收集关于现有客户消费习惯的数据，然后对这些数据进行挖掘，对所有的客户提供最合适的产品和服务。对交叉营销做分析时，具体的数据挖掘过程包括：对个体行为进行建模；用预测模型对数据进行评分； 对得分矩阵进行最优化处理。建模过程时用数据挖掘的一些算法对数据进行分析，然后产生一些数学模型，这些模型用来对客户将来的行为进行预测分析。在交叉营销分析中，需要对每一种交叉营销的情况都要建立一个模型。在这些交叉营销分析模型建好以后，每一个模型都可以用来分析新的客户数据以预测这些客户将来的行为。评分过
7、程就是计算这些数学模型的结果，评分过程的结果就是产生一个得分矩阵，矩阵的每一行代表一位顾客，每一列代表一种交叉销售的情况。最后一步就是对这个得分矩阵进行最优化处理，即对每一位顾客选出最适合的几种服务方案。使用数据挖掘技术建立预测模型可以帮助找出客户最适合的服务种类，来进行针对性的营销活动。在交叉销售中通常采用的数据挖掘算法是关联规则。（四）、客户的保持随着行业的竞争越来越激烈和获得一个新客户的开支越来越大，保持原有客户的工作也越来越有价值。保留一个客户的时间越长，收回你在这个客户身上所花的初期投资和获取费用的时间越长，你从客户身上获得的利润就越多。随着获得新客户的费用与保留客户的费用比在逐年升
8、高，这样的效果也逐年明显，尤其电信业在获取新客户的时候的费用是非常高的。但是由于各种因素的不确定性和市场的不断增长以及一些竞争对手为新客户提供比你更多的额外优惠条件，很多客户为了求得更低的费用，不断的从你这里转向另一个服务商。客户从一个服务商转向到另一个服务商的行为称为客户转移。为了分析出是哪些主要因素导致客户转移并可以有针对性的挽留那些有离开倾向的客户，企业可以通过使用数据挖掘技术，建立客户转移倾向的预测模型，挖掘出具有高风险转移可能性并具有较高商业价值的客户，在这些客户转移到同行业其它服务商那里之前，采取相应的商业活动措施来保持住这些有价值的客户，这个过程就叫做客户的保持。由于客户保持预测
9、模型是全局市场策略的一部分，如何使用预测工具将对实施预测模型带来的效益产生重要的影响。因此选择的数据挖掘技术要使企业能够对客户进行细分并且能够对客户流失的原因有比较清晰的了解。在这样的要求下，分类回归决策树CART和数据挖掘技术中的一些其它决策树如CHAID和C4.5都可以很好的运用在这类现实环境中。从两个方面分析电信企业客户保持的重要性，从电信企业所处的外部环境来看，客户保持是进行市场竞争的需要。在社会经济发展，科技进步的影响之下，我国的电信市场逐渐扩大，电信业务的需求量不断增长。大量新运营商不断进入电信市场，更激发了市场竞争的激烈程度。随着电信市场垄断局面的打破，市场上的厂商获利由垄断时期
10、的高额利润降至市场平均利润水平。在这种情况下，客户保持的重要性就在竞争中凸现出来。从电信运营商的角度来看，客户保持是企业生存发展的需要。通过一组数据表明：发展一位新客户的成本是挽留一个老客户的4倍；客户忠诚度下降5%，则企业利润下降25%；向新客户推销产品的成功率是15%，而向现有客户推销产品的成功率是50%；如果将每年的客户关系保持率增加5个百分点，可能使利润增长85%；向新客户进行推销的花费是向现有客户推销花费的6倍；如果公司对服务过失给予快速关注，70%对服务不满的客户还会继续与其进行商业合作； 60%的新客户来自现有客户的推荐；一个对服务不满的客户会将他的不满经历告诉其他810 个人，
11、而一位满意的客户则会将他的满意经历告诉23人。以上数据充分说明，客户是目前商业活动的中心，衡量一个企业是否成功的标准将不再仅仅是企业的投资收益率和市场份额， 而是该企业的客户保持率，客户份额及客户资产收益率等指标。可见，客户保持的价值体现在增加企业的盈利、降低企业的成本以及提高企业的信誉度、美誉度等方面。近年来电信体制的激烈变革和竞争的加剧使电信企业忙于开拓市场、发展客户，对客户保持重视不够。从而导致企业一方面投入大量时间、人力、财力去发展新客户，另一方面因客户保持工作的不完善导致现有客户不满意而发生流失，这种情况对企业危害极大。面对当前的市场状况。电信企业必须摒弃那种“狗熊掰棒子”式的市场开
12、拓方式，在发展新客户的同时，着手进行客户保持的研究，以有效的客户关系管理来提高客户的保持力，支持企业经济效益的不断增长。（五）、客户的获取数据挖掘技术可以帮助企业完成对潜在客户的筛选工作，市场人员把由数据挖掘技术得出的潜在客户名单和这些客户感兴趣的优惠措施系统地结合起来。数据挖掘技术在发展新客户策略中的应用是围绕数据开展的，用获得的客户数据建立一个预测模型，然后根据模型预测获得最优价值的潜在客户信息。客户的获取包括发现那些对你的产品不了解的顾客，它们可能是你的产品的潜在消费者，也可能是以前接受你的竞争对手服务的顾客，其中有些客户可能以前是你的客户。通过数据挖掘技术来获取新客户首先必须收集一份潜
13、在客户名单。在潜在客户名单上列出哪些可能对你的产品或服务感兴趣的消费者的信息。这些信息应不仅包括客户的基本信息还应包括消费者消费行为的大量信息如个体的兴趣、消费习惯、消费倾向和消费需求等。通过各种数据源来收集这些信息，如果没能收集到足够的数据，那么就需要通过一次小规模的实验活动来收集分析用的数据。在挑选实验活动的对象时，不仅要从潜在客户名单中选取一些客户，还要随机选取一些与潜在客户名单上顾客属性特征不同的客户作为实验对象。这样可以为将来的数据挖掘提供足够有价值的信息。二、客户数据挖掘主题对照数据挖掘研究的4类问题：关联、分类、预测、聚类，客户数据挖掘主题也可按此4类来划分。（一）、关联问题横向
14、关联：是挖掘表面看似独立的事件间的相互关系，例如“90%的顾客在一次购买活动中购买商品A的同时购买商品B”之类的知识。比如经典的“尿布和啤酒”的故事，就是利用这种方法，发现二者之间有很高的相关系数，引起重视，然后深入分析后才找出内在原因的。次序关联：这种分析的侧重点在于分析事件的前后序列关系，发现诸如“在购买A商品后，一段时间里顾客会接着购买商品B，而后购买商品C”的知识，形成一个客户行为的 “ABC”模式。比如一个顾客在买了电脑之后，就很有可能购买打印机、扫描仪等配件。关联问题研究客户各项属性特征的相互关系以及交叉销售等问题，同时也研究客户实体和其它实体的关系。电信业比较典型的关联问题有交叉
15、销售、套餐选择问题、业务相互影响等问题。（二）、预测问题客户预测问题是预测客户的行为变化或消费等属性变化。客户典型的行为变化有流失、 增加、通话行为变化、消费行为变化、客户信息变化、和其它行为变化。比较典型的预测问题有客户流失/大客户离网、潜在大客户预测、客户级别变动、客户发展、市场效果预测等。（三）、分类问题分类分析就是通过分析样本客户数据库中的数据，为每个类别做出准确的描述或建立分析模型或挖掘出分类规则，然后用这个分类规则对其它客户的记录进行分类。比如电信公司根据客户的消费记录，把客户分成大客户和普通客户，并标记数据库中的每个记录。有了这样的挖掘结果，客户服务部门就知道一个新的客户的潜在价
16、值，在客户服务投入上就心中有底。（四）、聚类问题聚类是分类的逆向方法。聚类把没有分类的记录，在不知道应分成几类的情况下，按照数据内在的差异性大小，合理地划分成几类，并确定每个记录所属类别。它采用的分类规则是按统计学的聚类分析方法决定的。客户聚类问题是对客户特征的研究，典型的聚类问题有客户特征分析、消费模型和异常客户分析等。三、数据挖掘技术对客户管理管理的影响和作用在CRM中应用数据挖掘，第一步是要理解数据挖掘所要解决的具体业务问题；第二步根据问题准备相应的数据，并对数据进行预处理；第三步是选择挖掘的模型，比如是用关联规则还是聚类等等；第四步是用训练集数据训练和评估挖掘模型的效果。一旦评估可以达到一定满意程度，该模型就得到确定，演变为一个固定的业务应用模型。这个业务应用模型就可以套用于实际的业务处理，从而完成一个闭环的挖掘过程。当业务发生了变化或者有新的需求产生时，数据挖掘就在另外一个层次上重复这个循环过程。循环过程如图4
