首页 > IT业界 > 正文
数据挖掘模型在CRM中的应用
2010-11-23         来源:万方数据       [我要评论]
在CRM中,需要借助大量的知识和方法,把表面的、无序的信息整合,揭示出潜在的关联性和规律,从而用于指导决策。目前数据挖掘技术在国内...

   在CRM中,需要借助大量的知识和方法,把表面的、无序的信息整合,揭示出潜在的关联性和规律,从而用于指导决策。目前数据挖掘技术在国内外的顾客关系管理上,最常使用在直效营销、购物交叉营销、客户关系营销、客户服务或客户流失分析等应用上。

    数据挖掘技术是客户关系管理深层次应用的技术核心,几乎就是为其量身定做的。在客户关系管理的各个阶段都可用到数据挖掘技术,数据挖掘在CRM中的应用模型如图1,在实践中这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。
 

图1
图1


    下面从数据挖掘模型在CRM中的功能与应用入手说明数据挖掘技术对CRM的影响。

1 数据挖掘的功能

    数据挖掘具有五项最重要的功能(分析方法):分别是分类、估值、预测、关联分组以及同质分组(聚类)。

    1.1 分类

    根据分析对象的属性,分门别类并加以定义,就是通过分析样客户数据库洪的数据,为每个类别作出准确的描述或建立类组(Calss)。例如,将网络购物者的购物意愿属性,区分为高度购物意愿者,中度购物意愿者及低度购物意愿者。分类法所使用的技巧,常见的有判定树(Decision Tree)、记忆基础推理(Memony-Based Reasoning)等。

    1.2 估值

    分类适用于非连续性的数据,而估值则适用于处理连续性数值的数据。所谓估值是依照既有的相关属性数据,来推导一些未知的连续性变量,从而得到某一属性的未知值。例如根据信用卡申请者的教育程度、消费行为来推估其信用卡消费量。还有,推估家庭的总收入,推估顾客接受转帐缴费的机率等。使用的技术包括统计方法的相关分析、回归分析及类神经网络方法等。

    1.3 预测

    预测和估值其实相当类似,只不过预测特别是针对未来的趋势作推算,若要检视其正确性,就只能等事实发生的结果才能定论。所以,所谓预测,是根据对象属性的过去观察值,推估该属性未来的值。例如,由顾客过去的刷卡消费量预测其未来刷卡消费。所有相关于分类与推估的技术,也都可以修正后用来进行预估。值得一提的是,历史类是相当良好的来源。我们可借助查看历史数据,建立模型从而获得未来变化的预测值。使用的技术包括购物篮分析、回归分析、 时间数列分析及灯类神经网络方法等。

    1.4 关联分组

    简单地说,就是分析“哪些事情总是一起发生?”举个最简单的例子,超市的“购物篮分析”可以用来了解哪些产品常被一起购买。因此,所谓关联分析,就是在所有对象中决定哪些相关对象应该放在一起。例如在卖场里,沐浴乳和洗发精常被放在同一货架或附近货架上,因为它们被一起购买。在客户营销系统上,关联分组用来确定交叉销售,“cross selling”的机会,以设计吸引人的产品线。

    1.5 同质分组(clustering)

    将一个异质总体,区隔为一些具同质性的类别(clusters)。和分类最大的不同在于,同质分组并没有根据事先明确义好的类组来进行分类。同质分类相当于营销术语中的区隔化(seginentation),不过事先并未对区隔加以定义,而是从数据中自然产生区隔。[nextpage]
2 数据挖掘在CRM中的应用

 

    数据挖掘在CRM中能够起的应用表现在以下几个方面:

    2.1 客户保持与流失

    客户的保持是客户关系管理的核心内容,也是考核客户关系管理系统成功与否的首要指标。行业的竞争越来越激烈,获取新客户的成本节节攀升,保持老客户也越来越有价值。首先,在客户关系管理中可以运用数据挖掘方法来预测客户的流失趋势,并找出影响企业保持能力因素的薄弱环节。其次,通过数据挖掘经过一定的预测结果后,商家可以采取相应的预防措施,最大量地减少客户流失,提高企业客户保持能力。

    2.2 个性化营销、交叉销售分析

    商家与客户建立商业关系后,商家会尽力优化这种关系,延长关系时间,关系期内增加接触,每次接触中获取更多的利润。通过数据挖掘,对交叉销售营销做分析时主要是:一分析现有客户的购买行为和消费习惯数据,企业可针对不同的消费行为及其变化制定个性化营销策略,并从中筛选出“黄金客户”。二是预测分析客户将来的消费行为,以便对每种销售方式进行评价。三是对客户数据进行分析,这包括按产品、促销效果、销售渠道、销售方式等进行的分析。同时,要分析不同客户对企业效益的不同影响,分析客户行为对企业收益的影响,使商家决定为客户提供哪一种交叉销售服务最合适,使企业与客户的关系及企业利益得到最优化。

    2.3 客户忠诚度分析

    忠诚度分析包括客户持久性、牢固性及稳定性分析。

    2.4 营销活动响应

    数据挖掘可以帮助企业提高市场活动的响应率,使营销活动做到心中有数,有的放矢。企业为了与客户沟通可以采用广泛的媒体广告。大量的电话行销,市中心及车站码头的广告牌等方式。企业可利用现有的客户记录和资料找出客户的一些共同特征对客户进行群分后,再预测哪些人可能会对企业的营销活动产生反应,以帮助市场销售人员找到正确的行销对象,如图2所示。
 

图2
图2


    2.5 客户价值分析

    企业的利润与客户价值息息相关,其实客户关系管理的核心就是在于提高客户价值。它和客户忠诚度正向相关,是数据挖掘的基础。数据挖掘可以用来预测不同市场活动下客户价值的变化。通过预测客户未来的行为,不断调整客户关系维护的策略,从而赢得高价值的客户的忠诚,把高价值的客户留住,从而最大化高价值客户的终身价值。对于一家典型的商业银行来说,最为重要的20%的客户能带来总收入的140%到150%的收益,而其中50%的收益被银行另外20%的最差的客户从银行利润中吞噬掉了。这一结果也说明了,庞大的市场份额并不一定总能带来高额利润。这家银行的管理层必须明白银行的真正利润是从哪里来的,通过数据挖掘,将营销目标定位于那些能给银行带来最多利润的优质客户。另外,客户的盈利能力也会经常变化。企业如果能良好预测客户预期的盈利能力趋势,将会给企业的客户关系管理能力带来良好的效果。

    2.6 参数调整

    参数调整的作用主要是为了提高分析结果的灵活度,扩大其适用范围。例如,价格的变化对收入会有什么样的影响?客户的消费点临近什么值时正式开始成为“正利润”客户?企业需要通过对收集的各种信息进行整理分析,利用科学的方法做出各种决策。
 



相关热词搜索:数据挖掘模型在CRM中的应用

上一篇:七大热门商业智能产品
下一篇:敏捷制造卓越管理模式

声明:文章内容仅供参考,并不意味着赞同其观点或证实其描述。
新闻排行
关于我们 | 联系方式 | 版权声明 | 招聘信息 |
IT863.COM.CN 版权所有
CopyRight @2011 IT863.COM.CN All Right Reserved