客户关系管理数据挖掘研究

Customer Relationship Management Data MiningResearchEconomics and Administration College，Henan University of Science and Technology，LuoYang 471003 Abstract——With the progressive development of social information,a lot of information overload in our society, the current enterprise information systems generally facing the "data explosion" and "lacking of information" situation, and therefore more and more data mining has brought about the academic and business community great concern. this paper will begin studying with data mining tasks, methods of customer relationship management , and elaborate data mining tasks and common method。

Then it will study the application of data mining and data mining the specific steps and process and forecast the data mining direction of future researching.Keyword——Customer relationship management,data mining, mining tasks, mining methods.客户关系管理数据挖掘研究河南科技大学，经济管理学院，洛阳471003摘要随着社会信息化不断进步发展，大量的信息充斥在我们的社会中，目前企业信息系统中普遍面临的“数据爆炸”而“信息缺乏”状况，因而数据挖掘越来越受到了学术界和企业界的极大关注。

本文从客户关系管理中的数据挖掘任务、方法展开研究，阐述数据挖掘中的任务和常用方法。

并对数据挖掘的应用及数据挖掘具体步骤和流程进行研究，展望数据挖掘未来的研究方向。

关键字客户关系管理，数据挖掘，挖掘任务，挖掘方法1引言数据挖掘又称数据库中的知识发现，是目前人工智能和数据库领域研究的热点问题，所谓数据挖掘是指从数据库的大量数据中揭示出隐含的、先前未知的并有潜在价值的信息的非平凡过程。

数据挖掘是一种决策支持过程，它主要基于人工智能、机器学习、模式识别、统计学、数据库、可视化技术等，高度自动化地分析企业的数据，做出归纳性的推理，从中挖掘出潜在的模式，帮助决策者调整市场策略，减少风险，做出正确的决策。

根据数据挖掘所能够完成的任务，数据挖掘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。

而在客户关系管理中，数据挖掘可以应用到客户群体分类、交叉销售和客户获取并保持等多个方面。

现在对其进行以下几方面的研究。

2数据挖掘的任务和方法2.1数据挖掘的任务2.1.1总结规则挖掘它所要做的是从客户指定的数据中挖掘出（从不同的角度或不同的层次上）平均值、极小值、极大值、总和、百分比等。

挖掘结果运用交叉表、特征规则和统计的曲线图表等表示。

2.1.2关联规则挖掘它所要做的是从客户指令的数据库中挖掘出满足一定条件的依赖性关系。

关系规则如A1—B2，支持度=S%，信赖度=C%，其中S和C为客户指令的支持度和信赖度的门限值。

此种关联规则挖掘可以在不同的抽象概念层次上进行。

例如R1“尿布—啤酒，支持度=5%，信赖度=50%”与R2“婴儿用品—饮料类，支持度=25%，信赖度=80%”相比，R2在更高的抽象层次上更为客观，因而有较大的支持度和信赖度，更适合高层决策的需求。

2.1.3分类规则挖掘它所做的是在已知训练信息的特征和分类结果的基础上，为每一种类别找到一个合理的描述或模型，然后再用这些分类的描述或模型来对未知的数据进行分类。

2. 1.4群集规则挖掘又称为无监督式的分类，其目的在于实事求是地按被处理对象的特征分类，有相同特征的对象被归为一类。

它与分类规则挖掘的区别在于面向数据的，而群集则直接对数据进行分析处理。

在群集化作业中，我们并不需要事先定义好该如何分类，同时也不需要训练组的数据，数据是依靠本身的相似性而群集在一起，而群集的意义也是靠事后的解释才能得知。

2.1.5预测分析当分类的工作偏向于插入漏掉的数据、预测数据分类或发展的趋势时，此时的工作即预测分析。

所有用来进行分类及估计的技术都可以经过修正之后，通过已知变量数据的训练组数据来得到。

其中历史性数据是一个很好的来源。

历史性数据可以用来建立模型，以检查近年来观察值的变化。

若运用最新数据作为输入值，可以获得未来变化的预测值。

像“购物来分析”就可以预测在超市中那些商品总是会被同时购买。

而修正之后，也可通过最新的更新数据来预测未来的购买行为。

2.1.6趋势分析趋势分析又成为时间序列分析，它是从相当长时间的发展中发现规律和趋势，根据数据随时间变化的趋势来预测该数据将来的走向，即利用过去的值来预测未来的值。

2.1.7偏差分析偏差分析又称为比较分析，它找出一系列的判别式的规则，以区别客户设置的两个不同类别，是对差异和极端特例的描述，揭示事物偏离常规的异常现象，如标准类外的特例、数据聚类外的离群值等。

2.2数据挖掘的基本方法针对数据挖掘的方法，从一个案例来进行简单介绍：每当我们用信用卡消费时，商业企业就可以在信用卡结算过程收集商业消费信息，记录下我们进行消费的时间、地点、感兴趣的商品或服务、愿意接收的价格水平和支付能力等数据；当我们在申办信用卡、办理汽车驾驶执照、填写商品保修单等其他需要填写表格的场合时，我们的个人信息就存入了相应的业务数据库；企业除了自行收集相关业务信息之外，甚至可以从其他公司或机构购买此类信息为自己所用。

这些来自各种渠道的数据信息被组合，应用超级计算机、并行处理、神经元网络、模型化算法和其他信息处理技术手段进行处理，从中得到商家用于向特定消费群体或个体进行定向营销的决策信息。

通过这个例子可以对数据挖掘的方法有很好的理解。

3.客户关系管理中数据挖掘的步骤和流程数据挖掘的流程包括以下几个方面: 确定数据挖掘目的、数据准备、确定挖掘方法和工具、数据挖掘、结果分析和知识运用。

3.1 确定数据挖掘目的首先明确所解决问题属于哪种应用类型。

是属于关联分析、时序模式、分类、聚类、偏差分析以及预测，还是综合应用。

例如：我们要做一个哪个年龄段的人上网玩游戏多的分析，我们首先明确其任务主要是分类。

在明确了所要解决的问题属于哪一类应用问题后。

就可以选择合适的方法。

例如上面的问题，我们明确了其任务主要是分类。

那么可以采用的技术有遗传算法、决策树和人工神经网络等。

选择合适的挖掘技术和工具，对于未来系统的性能和可靠性有重大影响，应该认真分析商业目的，慎重选择。

3.2 数据挖掘的过程3.2.1 数据抽样数据挖掘是由可以获取的数据驱动的，其成功在很大程度上取决于数据的数量和质量。

因此，进行数据挖掘前，首先应从大量的企业客户数据中找到与分析问题有关的样本数据子集，而不是动用全部企业数据。

数据取样一定要把好数据的质量关，要保证取样的代表性、真实性、完整性和有效性，这样才能通过此后的分析、研究，得出反映本质规律性的结果。

3.2.2 数据分析和处理当拿到了一个样本数据子集后，要分析它是否达到原来的设想和要求；其中有没有什么明显的规律和趋势；有没有出现从未设想过的数据状态；因素之间有什么关性；它们可区分成怎样一些类别 ......这都是要首先探索的内容3.2.3 数据调整和工具技术选择通过数据抽样和数据分析之后，对原来要解决的问题更加明确，这时要尽可能对问题的要求能进一步的量化。

在问题进一步明确化的基础上，就可以按照问题的具体要求，来审视数据子集了，看它是否适应问题的需要。

针对问题的需要，可能要对数据进行增删，也可能根据对整个数据挖掘过程的新认识，要组合或者生成一些新的变量，以体现对状态的有效的描述。

3.2.4 模型研究和知识发现主流的数据挖掘工具都能提供常用的挖掘过程和挖掘模型。

采用哪一种模型，主要取决于数据子集的特征和要实现的目标。

另一方面，数据挖掘是一个反复的、不断深化的和实践的过程，在实践中选出最适合的模型。

这些工具不仅能揭示企业已有数据间的新关系隐藏着的规律性，而且能反过来预测它的发展趋，或者在一定条件下将会出现什么结果。

在选择好数据挖掘的技术和方法后，下面就要对其建立模型，这是数据挖掘的核心环节。

不同的技术方案产生的结果模型有很大不同，而且模型结果的可理解性也存在较大差异。

例如，用决策树方法产生模型结果就比用神经网络技术的结果易于理解。

另外，对结果的分析和描述（即进行知识发现）也很关键，不恰当的描述会造成误导。

3.2.5 综合解释和评价从上述过程中将会得出一系列的分析结果、模式或模型。

能得出一个直接的结论当然很好，但是更多的时候会得出对目标问题多侧面的描述。

这时就要能很好的综合它们的影响规律性，提供合理的决策支持信息。

所谓合理，实际上是要在所付出的代价和达到预期目标的可靠性的平衡上作出选择。

假如在数据挖掘过程中，就预见到最后要进行这样的选择的话，那末最好把这些平衡的指标尽可能的量化，以利综合抉择。

提供的决策支持信息适用性如何，这是十分重要的问题。

除了在数据处理过程中工具软件提供给许多检验参数外，评价的办法之一是直接使用原来建立模型的样板数据来进行检验。

假如样板数据得到较好的结果，就说明确实从这批数据样本中挖掘出了符合实际的规律性。

得到一系列的分析结果和模式后，需要对它们进行验证和评价，以得到合理的、完备的决策信息。

可以采用的方法有直接使用原来建立模型的样本数据进行检验，或另找一批数据进行检验，也可以在实际运行中取出新鲜数据进行检验。

4数据挖掘的理论应用4.1数据挖掘在客户关系管理中的应用数据挖掘对于CRM应用具有巨大的基础辅助作用，它可以应用于获取新客户、保持优质客户和提升客户价值等CRM的各个方面。

也正是有了数据挖掘的支持，才使CRM 的理念和目标得以实现，满足了现代电子商务时代的需求和挑战。

数据挖掘在客户关系管理中主要应用于以下方面：4.1.1客户群体分类分析数据挖掘可以把大量的客户分成不同的类，每个类里的客户具有相似的属性，而不同类里的客户的属性不同，这就是物以类聚,人以群分。