数据挖掘：提升电信CRM水平的助推器
中国电信股份有限公司上海研究院 陈金波 2007/01/10
随着我国电信业的不断改革以及中国加入WTO后国外电信运营商的逐步进入，国内电信市场的竞争愈演愈烈。今天的电信市场已经从以前的技术导向转变为产品导向、客户导向。因此，电信企业利用有效的工具和手段，提升客户关系管理(Customer Relationship Management,CRM)水平，增强电信企业的竞争力，已成为电信运营企业的重要竞争战略。
CRM是企业的一项商业策略，它按照客户的细分情况有效地组织企业资源，培养以客户为中心的经营行为以及实施以客户为中心的业务流程，并以此为手段来提高企业的盈利能力、收入以及客户满意度。简单地说，CRM就是一种倡导以客户为中心的管理思想和方法。CRM包括三层含义：CRM是一种管理理念；CRM是一种管理机制；CRM是一种管理软件和技术。
CRM是一种旨在改善企业与客户关系的新型管理机制，它贯穿于市场营销、销售、服务和技术支持等与客户相关的领域，通过向企业的销售、市场和客户服务的专业人员提供全面的、个性化的客户资料，并强化跟踪服务、信息分析的能力，使他们能够协同建立和维护一系列与客户和生意伙伴之间卓有成效的关系。CRM也表现为一套管理软件和技术，它将最佳的商业实践与数据挖掘、数据仓库、销售自动化以及其它信息技术紧密结合在一起，收集并提取出与客户相关的有用信息，利用模型及其他技术方法进行决策支持和营销分析，为企业的销售、客户服务和决策支持等领域提供了一个自动化的商业问题解决方案。
CRM软件在整个客户关系管理体系中具有重要地位。目前有很多公司致力于CRM系统的研究与开发，并已有许多成功的实施案例。不同公司的CRM产品具有不同的功能和架构，但大致上相同。按照功能层次，美国的Meta Group把CRM系统分为运营型CRM(Operational CRM)、协作型CRM(Collaborative CRM)和分析型CRM(Analytical CRM)。
运营型CRM系统应用于企业中直接面对客户的部门，使这些部门在日常工作中能够共享客户资源，减少信息流动滞留点，形成一个虚拟的综合部门，从而实现企业业务流程的自动化和高效率，全面提高企业同客户的交流能力。运营型CRM一般由销售力自动化(Sales Force Automation,SFA)、营销自动化(Marketing Automation,MA)和客户服务与支持(Customer Serviceand Support)三个基本功能组成，以实现销售、营销和客户服务的自动化。
协作型CRM系统让企业客户服务人员与客户能够协同工作，实现全方位为客户提供交互服务和收集客户信息，实现多种客户交流渠道(如呼叫中心、面对面交流、互联网、传真)的集成，使各种渠道信息相互流通，保证企业和客户都能得到完整、准确、一致的信息。协作型CRM系统由呼叫中心服务、传真/信件服务、电子邮件服务、Web站点服务和现场接触服务等几部分组成，实现企业与客户、客户与客户的全面交流。
分析型CRM系统的设计主要利用数据仓库、在线分析处理(OLAP)和数据挖掘等计算机技术，将交易操作所累计的大量数据过滤并抽取到数据仓库中，基于统一的客户数据视图，再利用在线分析处理和数据挖掘技术，建立各种分析模型，最后通过可视化的方式展示出来，提供既定量又定性的即时分析，然后将分析结果反馈给管理层和其他相关部门，为企业的经营决策提供支持。
近年来我国电信企业加大了对IT系统的投入，逐步建立和完善了运营数据存储（ODS）、企业数据仓库（EDW）、CRM系统和MBOSS系统等，电信企业获取、存储和集成应用数据的能力不断增强，这些海量数据为电信企业面向分析型CRM的数据挖掘奠定了基础；同时，基于现代统计学、人工智能和机器学习等现代计算技术的数据挖掘(Data Mining,DM)方法和工具的发展应用，为提升CRM水平提供了新的方法和手段。因此，以电信企业IT系统集成为前提、以数据挖掘技术为手段，分析型CRM在电信企业将实现普及。国外一些知名的电信企业如BT、Verizon等已将数据挖掘技术应用于客户行为的分析、研究与预测，并以此作为提升CRM水平的重要手段。我国电信企业如中国电信、中国移动等近年来利用数据挖掘技术，对客户细分和客户流失等商业问题进行了研究，为提升客户关系管理和企业经营决策水平进行了有益的尝试。
数据挖掘是从海量的数据库中选择、探索、识别出有效的、新颖的、具有潜在效用的乃至最终可理解的模式以获取商业利益的非平凡的过程。简单地说，数据挖掘就是从海量数据中提取或“挖掘”知识的过程，这些知识必须是隐含的、事先未知的，并且潜在有用的信息。数据挖掘技术的深入应用，产生了大量经典的数据挖掘算法，如K-means聚类算法、C5.0决策树算法、Apriori算法、人工神经网络算法、遗传算法、粗糙集、支持向量机等，还有一些与数据挖掘密切相关的统计模型，如概率分布、相关分析、回归分析、判别分析等。基于十多年来发展日趋成熟的数据挖掘算法，其功能主要有：聚类分析、分类分析（预测）、关联分析、时序模式、异常检测等。
由于数据挖掘技术具有商用价值，许多企业投入了大量人力物力进行数据挖掘系统的开发工作，较有影响的商业数据挖掘系统有：SPSS公司的Clementine、SAS公司的Enterprise Miner、IBM公司的Intelligent Miner、SGI公司的Mineset、Sybase公司的Warehouse Studio、Oracle公司的Darwin等。近年来我国也开发了一些具有自主知识产权的数据挖掘工具，如天律公司的马克威(Markway)数据挖掘工具、复旦德门(DMiner)数据挖掘工具等。
数据挖掘方法论是数据挖掘项目的一个具体操作流程。其代表的方法论有：SAS公司的SEMMA，即采样(Sample)、探索(Explore)、修正(Modify)、建模(Model)、评估(Assess)；以SPSS、NCR等公司为代表的CRISP-DM（Cross-Industry Standard Process for Data Mining，跨行业数据挖掘标准流程），强调以业务理解（Businessunderstanding）、数据理解（Dataunderstanding）、数据准备（Datapreparation）、建模（Modeling）、评价（Evaluation）、发布（Deployment）为核心环节，将数据挖掘目标和商务目标有机地联系在一起。
电信企业在实施数据挖掘时首先要明确商业问题，即要研究和解决的主题。在电信CRM中，数据挖掘的商业问题要基于动态的客户全生命周期(Customer Life Time,CLT)管理中的CRM目标。CRM的三大目标是：获取新客户、提升客户价值和保持老客户。客户生命周期可分为客户识别期、客户发展期、客户稳定期和客户衰退期四个阶段，在不同的时期有不同的CRM目标，也就是说有不同的挖掘主题。
在客户识别期，如何高效地识别和获取新客户是主要任务。因此，数据挖掘的主题是建立响应率分析模型。分析客户对某种电信新服务或者新产品的感兴趣程度，预测哪些客户能够响应以及响应的可能性是多少，找到最合适的响应客户，能够有效地降低市场推广的费用，同时能够更加有针对性地面对目标市场，达到以最小的投入获得最佳效果的目的。建立客户响应率模型的方法主要是分类分析（预测）技术，如决策树、神经网络等。
在客户发展期，CRM的目标是获取客户和提升客户价值。数据挖掘的任务是依据客户的自然属性、行为属性和价值属性，建立客户细分模型。针对不同的客户群，研究客户的消费水平、消费行为、消费倾向，对不同的客户群进行特征刻画，设计出针对不同客户群的营销策略，提高服务水平，提升客户价值，扩大市场占有率，为开展精确化营销提供决策支持。建立客户细分模型的方法主要是聚用分析技术，如K-mean聚类方法等。
在客户稳定期，CRM的目标主要是引导客户使用电信产品，在提升客户价值的同时提升企业价值。数据挖掘的主题是建立交叉销售模型。交叉销售模型是利用数据挖掘技术，找出那些曾经购买某种电信产品的客户更容易购买其他相关产品的规则，利用该规则发现不同产品之间的潜在关系，向客户提供捆绑组合产品，实现交叉销售，在为客户提供更多产品和服务的同时实现企业收益的增长。建立交叉销售模型的方法是关联分析技术，如Apriori算法等。
在客户衰退期，CRM的目标是延长客户生命周期，保持老客户。数据挖掘的主题是建立客户流失预测模型。客户流失预测模型主要通过对客户数据库中的大量数据进行分析和处理，挖掘出客户流失的潜在规则和模式，并建立一个流失预测模型，用以识别和预测客户的流失倾向，分析客户流失原因，为制订客户挽留策略提供依据。建立流失预测模型的主要方法是分类分析技术，如决策树、人工神经网络等。
在电信CRM中，除了解决上述主要商业问题外，数据挖掘技术在电信CRM中挖掘的主题还包括：客户价值评价模型、客户忠诚度模型、客户信誉度模型、客户欺诈预警模型等。随着数据挖掘技术在电信CRM中的广泛应用，其必将成为提升电信CRM水平的助推器。
中国信息产业网(www.cnii.com.cn)
相关链接: