淘金：数据挖掘在CRM中的运用

2002/05/22

数据挖掘显身手

　　在客户关系管理（CRM）理论中有一个经典的2/8原则，即80%利润来自20%客户。那么，这20%的客户都有什么特征呢？

　　调查发现，大部分企业每年有20%～50%的客户是变动的。企业一方面在挖空心思争取新客户，另一面却不断失去老客户。有没有办法找出，失去的是哪一类型的客户，得到的又是哪种类型的客户？

　　在竞争激烈的商业时代，资源占有成为决定企业生死成败的关键。在客户关系方面，企业总希望建立与客户最稳固的关系，并最有效率地把这种关系转化为利润，即留住老顾客、发展新顾客并锁定利润率最高的客户，这也就是CRM要重点研究的问题。为了实现这个目标，企业就需要尽可能地了解客户的行为，但这种了解不可能通过与客户接触直接获得，因为企业不可能挨个与客户交谈，而且他们所需要的信息单个客户往往无法提供。

　　企业所能做的，就是尽可能收集顾客的信息，借助各种分析方法，透过无序的、表层的信息挖出内在的知识和规律，这就当前十分流行的数据挖掘技术所研究的。在挖出大量信息之后，企业就可以根据这些规律或用这些信息设计数学模型，对未发生行为做出结果预测，为企业的综合经营决策、市场策划提供依据。

　　数据挖掘，又称数据库中的知识发现(Knowledge Discovery in Database，KDD)，是指从大型数据库或数据仓库中提取有潜在应用价值的信息或模式。适应企业对资源的渴求，在CRM风光无限之时，数据挖掘也走出研究室，纷纷落户企业。一份最近的Gartner报告中列举了在今后3～5年内对工业将产生重要影响的五项关键技术，KDD和人工智能并列第一。

数据挖掘挖什么？

　　在CRM中，数据挖掘是从大量的有关客户的数据中挖掘出隐含的、先前未知的、对企业决策有潜在价值的知识和规则。

　　客户特征：数据挖掘的第一步就是挖出顾客的特征描述。企业在了解客户信息方面永不满足，他们不仅会想方设法了解顾客的地址、年龄、性别、收入、职业、教育程度等基本信息，对婚姻、配偶、家庭状况、疾病、爱好等等的收集也是不遗余力。也由于这个原因，在谈到CRM的时候，个人隐私便成为一个敏感话题。

　　“黄金客户”：通过客户行为分析，归类出消费额最高、最为稳定的客户群，确定为“黄金客户”。针对不同的客户档次，确定相应的营销投入。对于“黄金客户”，往往还需要制定个性化营销策略，以求留住高利润客户。所以，不要期待在CRM时代继续人人平等。当然，成功的CRM不会让顾客感觉到歧视。如果你不幸发现自己受到的待遇比别人低，很有可能别人是“黄金”，而你是“白银”或者“黑铁”。

　　客户关注点：通过与客户接触，收集大量客户消费行为信息，通过分析，得出客户最关注的方面，从而有针对性地进行营销活动，把钱花在“点”上。同样的广告内容，根据客户不同的行为习惯，有的人会接到电话，有的人就可能收到信函；同一个企业，会给他们的客户发送不同的信息，而这些信息往往就是顾客感兴趣的方面。不要惊讶于为什么企业给你送来的正是你最需要的、最满意的，你和其他与你相似的顾客的数据，在企业的数据仓库里经不住百般“拷打”，已经集体招供了。

　　客户忠诚度：得出客户持久性、牢固性及稳定性分析。对于高忠诚度客户，要注意保持其良好印象，对于低忠诚度客户，要么不要浪费钱财，要么就下大工夫把他们培养成忠诚客户。去年圣诞节，一家美国公司一改以往给所有客户发送圣诞卡的作法，只给他们认为最忠诚的客户寄去了问候。大概他们觉得，既然是要走的客户，又何必再浪费一张贺卡和邮寄费呢？

数据挖掘怎样挖？

　　在CRM中，必不可少的要素是将海量的、复杂的客户行为数据集中起来的，形成整合的、结构化的数据仓库（Data Wearhouse），这是数据挖掘的基础。在此基础上，就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。

　　横向关联

　　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“A→B→C”模式。可以想见的是，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。不过，要是通过数据挖掘找出“刮胡刀→抽水马桶→钻石戒指”这样的模式，估计企业客户服务部门就要忙乎一阵搞明白其中潜在的联系了。

　　分类

　　分类分析就是通过分析样本客户数据库中的数据，为每个类别作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，信用卡公司根据顾客的信用记录，把持卡人分成不同等级，并把等级标记赋与数据库中的每个记录。对于每一等级，找出它们共同点，比如：“年收入在10万元以上，年龄在40～50岁之间的外企白领”总体上信用记录最高。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值，在客户服务投入上就心中有底。

　　聚类

　　这是分类的逆向方法。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。它采用的分类规刚是按统计学的聚类分析方法决定的。比如，面对数据库中“消费额”、“购买频率”、“收入水平”等多个评价指标，没有办法按照一个指标去分类，就可以通过聚类按照数据间的自然联系把分散的记录“聚”成几“堆”，然后再对每堆进行深入分析。

　　数据挖掘融合了数据库、人工智能、机器学习、统计学等多个领域的理论和技术，对数据进行标准化、抽象化、规范化分类、分析，从而淘出所需要的“金”。在技术上，客户关系管理系统采用嵌入数据挖掘系统的方式，可以自动地产生一些所需要的信息。深度的数据挖掘，还需要企业有统计学、决策科学、计算机科学方面的专业人才，制定出相应的挖掘规则，才能发挥出挖掘系统的优势。

　　注：全球最大的零售商沃尔玛（Walmart）通过对顾客购物的数据分析后发现，很多周末购买尿布的顾客也同时购买啤酒。经过深入研究后发现，美国家庭买尿布的多是爸爸。爸爸们下班后要到超市买尿布，同时要“顺手牵羊”带走啤酒，好在周末看棒球赛的同时过把酒瘾。后来沃尔玛就把尿布和啤酒摆放得很近，从而双双促进了尿布和啤酒的销量。这个故事被公认是商业领域数据挖掘的诞生。

赛迪网　2002/05/22