客户關係管理數據分析

從工業營銷中的客户細分觀點出發，在數據挖掘、客户關係管理等理論基礎上，採用統計學、運籌學和數據挖掘技術，對客户細分的數據挖掘方法進行了研究，建立了基於決策樹的客户細分模型，是一種效率很高的管理工具。

　　1理論研究

1.1客户關係管理

客户關係管理的目標是依靠高效優質的服務吸引客户，同時通過對業務流程的全面優化和管理，控制企業運行成本。客户關係管理是一種管理理念，將企業客户視作企業發展最重要的企業資源，採用企業服務優化等手段來管理客户關係。客户關係管理並不是單純的信息技術或者管理技術，而是一種企業生物戰略，通過對企業客户的分段充足，強化客户滿意的行為，優化企業可盈利性，將客户處理工作上升到企業級別，不同部門負責與客户進行交互，但是整個企業都需要向客户負責，在信息技術的支持下實現企業和客户連接環節的自動化管理。

1.2客户細分

客户細分由美國學者温德爾•史密斯在20世紀50年代提出，認為客户細分是根據客户屬性將客户分成集合。現代營銷學中的客户細分是按照客户特徵和共性將客户羣分為不同等級或者子羣體，尋找相同要素，對不同類別客户心理與需求急性研究和評估，從而指導進行企業服務資源的分配，是企業獲得客户價值的一種理論與方法。因此我們注意到，客户細分其實是一個分類問題，但是卻有着顯著的特點。

1.2.1客户細分是動態的企業不斷髮展變化，用户數據不斷積累，市場因素的變化，都會造成客户細分的變化。所以客户細分工作需要根據客户情況的`變化進行動態調整，

減少錯誤分類，提高多次細分中至少有一次是正確分類的可能性。

1.2.2受眾多因素影響

隨着時間的推移，客户行為和心理會發生變化，所以不同時間的數據會反映出不同的規律，客户細分方法需要在變化過程中準確掌握客户行為的規律性。

1.2.3客户細分有不同的分類標準

一般分類問題強調準確性，客户關係管理則強調有用性，講求在特定限制條件下實現特定目標。

1.3數據挖掘

數據挖掘就是從大型數據庫數據中提取有價值的、隱含的、事前未知的潛在有用信息。數據挖掘技術不斷髮展，挖掘對象不再是單一數據庫，已經逐漸發展到文件系統、數據集合以及數據倉庫的挖掘分析。

　　2客户細分的數據挖掘

2.1邏輯模型

客户數據中有着若干離散客户屬性和連續客户屬性，每個客户屬性為一個維度，客户作為空間點，全部客户都能夠形成多為空間，作為客户的屬性空間，假設A={A1，A2,…Am}是一組客户屬性，屬性可以是連續的，也可以離散型，這些屬性就形成了客户m維屬性空間。同時設g是一個描述客户屬性的一個指標，f(g)是符合該指標的客户集合，即為概率外延，則任一確定時刻都是n個互不相交集合。在客户價值概念維度上，可分為“有價值客户”“潛在價值客户”“無價值客户”三種類型，定義RB如下：(1)顯然RB是一個等價關係，經RB可分類屬性空間為若干等價類，每個等價類都是一個概念類，建立客户細分，就是客户屬性空間和概念空間映射關係的建立過程。

2.2客户細分數據挖掘實施

通過數據庫已知概念類客户數據進行樣本學習和數據挖掘，進行客户屬性空間與概念空間映射的自動歸納。首先確定一組概念類已知客户集合。首先確定一個映射：p：C→L，使，如果，則。，求p(c)確定所屬概念類。數據部分有客户數據存儲和概念維數據構成，客户數據存儲有企業全部內在屬性、外在屬性以及行為屬性等數據，方法則主要有關聯規則分析、深井網絡分類、決策樹、實例學習等數據挖掘方法，通過對客户數據存儲數據學習算法來建立客户數據和概念維之間的映射關係。

2.3客户細分數據分析

建立客户動態行為描述模型，滿足客户行為非確定性和非一致性要求，客户中心的管理體制下，客户細分影響企業戰術和戰略級別決策的生成，所以數據挖掘要能夠彌補傳統數據分析方法在可靠性方面的缺陷。

2.3.1客户外在屬性

外在屬性有客户地理分佈、客户組織歸屬情況和客户產品擁有情況等。客户的組織歸屬是客户社會組織類型，客户產品擁有情況是客户是否擁有或者擁有哪些與其他企業或者其他企業相關產品。

2.3.2內在屬性

內在屬性有人口因素和心理因素等，人口因素是消費者市場細分的重要變量。相比其他變量，人口因素更加容易測量。心理因素則主要有客户愛好、性格、信用情況以及價值取向等因素。

2.3.3消費行為

消費行為屬性則重點關注客户購買前對產品的瞭解情況，是客户細分中最客觀和重要的因素。

2.4數據挖掘算法

2.4.1聚類算法

按照客户價值標記聚類結果，通過分類功能，建立客户特徵模型，準確描述高價值客户的一些特有特徵，使得企業在之後的市場活動中能夠迅速發現並抓住類似的高價值客户，全面提高客户的整體價值水平。通常都採用中心算法進行客户的聚類分析，分析涉及的字段主要有客户的基本信息以及與客户相關業務信息，企業採用中心算法，按照企業自身的行業性質以及商務環境，選擇不同的聚類分析策略，有主屬性聚類分析和全屬性聚類分析兩類。主屬性聚類分析是企業根據在企業標度變量中選擇主要弧形作為聚類分析變量。通常區間標度變量選用的度量單位會對聚類分析結果產生很大影響，選擇的度量單位越小，就會獲得越大的可能值域，對聚類結果的影響也就越大。

2.4.2客户分析預測

行業競爭愈加激烈，新客户的獲得成本越來越高，在保持原有工作價值的同時，客户的流失也受到了企業的重視。為了控制客户流失，就需要對流失客户的數據進行認真分析，找尋流失客户的根本原因，防止客户的持續流失。數據挖掘聚類功能同樣能夠利用在客户流失數據分析工作中，建立基於流失客户數據樣本庫的分類函數以及分類模式，通過模型分析客户流失因素，能夠獲得一個最有可能流失的客户羣體，同時編制一個有針對性的挽留方案。之後對數據進行分析並利用各種數據挖掘技術和方法在多個可供選擇的模型中找出最佳模型。初始階段，模型的擬合程度可能不理想，但是隨着模型的不斷更換和優化，最終就有可能找出合適的模型進行數據描述並挖掘出流失數據規律。通常模擬模型都通過數據分析專業和業務專家協作完成，採用決策樹、貝葉斯網絡、神經網絡等流失分析模型，實現客户行為的預測分析。