数据挖掘技术在客户关系管理中的应用研究

——基于DELL公司的案例分析

沈文俊         刘  伟

(东北财经大学     大连  116025)

摘 要：在简要介绍客户关系管理和数据挖掘概念的基础上，论述了数据挖掘的基本技术、数据挖掘的过程以及数据挖掘在客户关系管理中的应用，并结合DELL公司的案例分析了数据挖掘技术在客户关系管理中的具体应用。

关键词：数据挖掘     客户关系管理

0  引  言

          在现代企业中，客户资源正成为企业最具有价值的资产，建立客户信息数据库，实现对这部分最有价值资产的管理，是企业的核心任务之一。许多企业己经发现最重要的财富不是他们生产的产品或是提供的服务，而是如何利用客户信息创造高效价值。市场环境复杂多变使以产品生产管理为中心的企业经营理念面临极大的挑战，并导致以客户为中心的关系管理成为企业管理战略的必然选择。

           实施客户关系管理离不开对客户数据的收集与存储。随着企业业务操作流程走向自动化，许多企业内产生了数以GB甚至TB计的客户数据，在如此海量的数据面前，传统的分析方法遇到了困难，如果没有强有力的数据分析工具，企业便会陷入“数据丰富，而信息贫乏”的尴尬境地，大量客户数据中隐藏的有用信息便会被淹没，客户关系管理的目标难以真正实现。而数据挖掘技术可以从大量数据中抽取出潜在的、有价值的信息和知识，揭示已知的事实，预测未知的结果，从而有利于企业运作，帮助企业做出正确决策，使企业处于有利的竞争地位。因此数据挖掘技术被广泛地应用于客户关系管理(Customer Relationship Management)系统中。本文结合DELL公司客户关系管理的案例来分析数据挖掘技术在CRM系统中的应用。

1  客户关系管理

           市场环境复杂多变已经成为当今企业生存的外部环境，市场竞争程度加剧，产品高度细化，市场日趋饱和，产品质量与服务特征日渐趋同，技术变化加快，产品生命周期缩短，这就使得客户选择更加丰富，客户转移成本下降，客户生命周期缩短。在这种情况下如何提高客户的转移成本，延长客户生命周期，最大化客户利润成为企业需解决的难题。与此同时，客户需求的不确定性增加，个性化和多元化趋势增强，变化加剧，企业的经营风险大大增加。客户关系管理正是在这种背景下提出的。

           客户关系管理(CRM)思想源于市场营销理论。传统的营销理论认为，企业营销实质上是企业利用内部可控因素(包括产品、价格、分销和促销决策)，对外部不可控因素做出积极的动态反应，进而促进产品销售的过程。产生于20世纪70年代的社会营销非常明显地体现了企业经营管理从内到外的变化，不仅要求企业的经营活动满足消费者的需求，而且必须考虑消费者和社会的长期利益。营销学已经逐渐从销售过程的研究转向此过程中所发生的种种相互关系和相互作用对于营销目标影响的研究。于是，作为对以往各种营销观念的总结和发展，关系营销出现了。关系营销把营销活动看成是一个企业与消费者、供应商、分销商、竞争者、政府机构以及其他公众发生互动作用的过程，企业营销活动的核心在于建立并发展与这些公众的良好关系。因而企业经营管理的对象也就不仅仅是内部可控因素，其范围扩展到外部环境的相关成员。企业和这些相关成员包括竞争者的关系并不是完全对立的，其所追求的目标存在相当多的一致性，关系营销或者说现代企业管理的目标也就在于建立和发展企业和相关个人及组织的关系，取消对立，成为一个相互依赖的事业共同体。信息技术的发展对上述管理思想提供了强有力的支持。CRM就是以上述管理思想为基础，管理企业与客户之间的关系。企业实施客户关系管理的目标是通过建立全方位的客户接触渠道，使整个企业取得对客户一致的理解，针对潜在客户采取有效的营销措施，获取新客户，更好地为客户创造价值，提高客户的满意度和忠诚度，留住有价值的客户，在为客户提供价值的同时实现企业的利润和长期发展，构筑持久的竞争优势。

          信息和通信技术的发展使客户关系管理从理论走向实践。1990年前后，许多美国企业为了满足日益竞争的需要，开始开发销售自动化系统(SFA)，随后又着力发展客户服务系统(CSS)。1996年后一些公司开始把SFA和CSS两个系统合并起来，再加上营销策划(Marketing)和现场服务(Field Service)，并集成CTI(计算机电话集成技术)，形成集销售和服务于一体的呼叫中心，这就是CRM的雏形。后来在1997年，GartnetGroup正式提出CRM的概念，加速了CRM的产生和发展。1998年以后，随着电子商务的兴起，CRM又开始和电子商务结合在一起。近几年来，欧美国家的很多企业都已经使用了CRM系统，国内企业也开始走向CRM，对CRM的重视是现代市场营销理念和商业运作方式转变的结果，并具有广泛的市场价值和研究价值。

2  数据挖掘概念和主要数据挖掘技术

2．1  数据挖掘概念

          数据挖掘(Data Mining，简称DM)，1995年在首届国际知识发现和数据挖掘大会上被提出，是近年来随着人类进入信息社会以来对信息的价值认识不断提高而不断发展的，是伴随着人工智能和数据库技术的发展而出现的一门新兴技术，正成为世界范围内的研究热点。又称数据库中的知识发现(Konwledge Biscovery in Database，KDD)，具体来说是指从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中提取出隐含的、以前不为人所知的、可信而有效的知识(这里是指令人感兴趣的概念、规则、规律、模式、约束)，并能够对数据进行再分析，以期获得更加深入的了解，并具有预测功能，即可通过己有的历史数据预测未来。该定义包括着多层的含义：数据源必须是真实的、大量的、含噪声的；发现的是用户感兴趣的知识；发现的知识要满足可接受、可理解、可运用；仅支持特定的发现问题。

2．2  主要数据挖掘技术

          根据所发现知识的种类不同，可以将数据挖掘分为以下几类：

          1)概念描述。

          概念描述是利用数据描述属性中更为广义的属性，对所分析数据进行归纳描述得到相应的概要总结。它通常都用更广义的关系表或特征描述规则来加以输出表示；或者利用描述两类数据集中数据特征的更广义内容并与对比数据集的实际情况进行对比，根据对比结果给出概要性总结和其概念描述。其输出结果采用表格形式或对比规则形式来加以描述，同时对比概要总结加入了对比捕述因子以帮助区分目标数据集与对比数据集的对比情况。例如可以从某个客户群体中提取关于某产品和服务购买的特征规则。

         2)关联分析。

         就是从给定的数据集中发现频繁出现的项集模式知识(即关联规则)，也就是描述数据之间存在关系的规则。形式表示为“数据库中的满足X中条件的记录也一定满足Y中的条件。一般分为两个步骤：求出大数据项集，用大数据项集产生关联规则。

         3)聚类分析。

         聚类是一个将数据集划分为若干组或类的过程，并使得同一个组内的数据对象具有较高的相似度；而不同组中的数据对象是不相似的。对于相似或不相似的描述是基于数据描述属性的取值来确定的，通常就是利用(各对象间)距离来进行表示的。聚类分析所分析处理的数据均是无(事先确定)类别归属，类别归属标志在聚类分析处理的数据集中是不存在的，因此聚类分析属于无教师监督学习方法。

         4)分类和预测。

         分类与预测是两种数据分析形式，它们可用于抽取能够描述重要数据集合或预测未来数据趋势的模型。分类就是找出一组能够描述数据集合典型特征的模型(或函数)，以便能够分类识别未知数据的归属或类别，即将未知事例映射到某种离散类别之一。分类模型(或函数)可以通过分类挖掘算法从一组训练样本数据(其类别归属已知)中学习获得。而预测则用于预测数据对象的连续取值。分类挖掘所获的分类模型可以采用多种形式加以描述输出。

2．3  数据挖掘过程模型

         数据挖掘的基本过程由以下几个步骤组成：

         1)鉴别商业问题：数据挖掘首要是了解行业基本情况，熟悉基本数据。否则无法为挖掘准备数据，无法正确评估挖掘结果，了解挖掘的目标是成功实施数据挖掘的一个重要条件。要想使数据挖掘在CRM中起作用，首先必须将其与实际问题联系起来。数据挖掘影响企业决策的方式取决于商业过程，而不是数据挖掘过程，因此必须首先依据CRM的功能做需求分析，定义问题。

          2)建立挖掘数据库：虽然数据库不是数据挖掘所必须的(还可以使用数据仓库等形式)，但为了便于管理、更新，最好还是使用独立的挖掘数据库。而且已有的数据仓库等形式其结构也不一定适合数据挖掘所需。

          3)分析数据：其目的是为了找出在预言结果时起重要作用的字段和信息。

          4)准备建模数据：这一步骤包含四个部分，即选择变数，不能将所有变数都输入到挖掘器中，否则既耗时又低效；选择数据，使用全部数据同样也是低效的；构建新变数，根据原始数据构建新的变数通常是必要的；调整变数，根据挖掘器需要来调整变数的类型和值范围。

          5)建立模型：根据实际问题、定义的问题以及数据的类型，采取适合的分析方法和模型同时要根据数据的属性(连续或离散)考虑采用相应的算法，自动的建立数据挖掘模型。

          6)评估模型：模型的评估是数据挖掘成败的关键，不但要验证预测模型的过程正确，同时使用这些模型的其他输入和输出过程也要正确。验证的方法是输入一些历史数据，运用该模式比较数据挖掘的结果与已知历史结果的差异，如果差异很大，就要考虑改进模型或应该重新建立新的模型。

           7)数据挖掘：在数据抽取形成的表上，运用一定的算法进行数据挖掘。

           8)结果评估：通常在数据挖掘过程中，用户会对被抽取出来的数据进行分组，

          我们可以将上述数据挖掘过程大致分为三个阶段，如图1所示。

3  数据挖掘在客户关系管理中的应用

          1)客户的获取。分类和聚类等挖掘方法可以把大量的客户分成不同的类(群体)，适合于用来进行客户细分。通过群体细分，CRM用户可以更好地理解客户，发现群体客户的行为规律。在行为分组完成后，还要进行客户理解、客户行为规律发现和客户组之间的交叉分析。

2)重点客户发现。就是找出对企业具有重要意义的客户，重点客户发现主要包括：发现有价值的潜在客户；发现有更多的消费需求的同一客户；发现更多使用的同一种产品或服务；保持客户的忠诚度。根据80／20(即20％的客户贡献80％的销售额)以及开发新客户的费用是保留老客户费用的5倍等营销原则，重点客户发现在CRM中具有举足轻重的作用。

          3)交叉营销。商家与其客户之间的商业关系是一种持续的不断发展的关系，通过不断地相互接触和交流，客户得到了更好更贴切的服务质量，商家则因为增加了销售量而获利。交叉营销指向已购买商品的客户推荐其他产品和服务。有几种挖掘方法都可以应用于此问题，关联规则分析能够发现顾客倾向于关联购买哪些商品。聚类分析能够发现对特定产品感兴趣的用户群，神经网络、回归等方法能够预测顾客购买该新产品的可能性。

          4)客户流失分析。分类等技术能够判断具备哪些特性的客户群体最容易流失，建立客户流失预测模型。从而帮助企业对有流失风险的顾客提前采取相应营销措施。利用数据挖掘技术，可以通过挖掘大量的客户信息来构建预测模型，较准确地找出易流失客户群，并制定相应的方案，最大程度地保持住老客户。

          5)性能评估。以客户所提供的市场反馈为基础，通过数据仓库的数据清洁与集中过程，将客户对市场的反馈自动地输人到数据仓库中，从而进行客户行为跟踪。性能分析与客户行为分析和重点客户发现是相互交迭的过程，这样才能保证企业的客户关系管理能够达到既定的目标，建立良好的客户关系。性能评估是改进的重要依据。

4  基于数据挖掘的客户关系管理的案例分析

          DELL公司是全球第一大PC厂商，它的成功得益于其直销模式。直销模式使DELL公司能够最直接的与客户接触，得到第一手的客户资料，及时了解客户需求，使其能够更准确的实施营销策略。DELL在对客户数据的利用和挖掘方面已经基本形成了一套成熟有效的体系，以DELL公司为例，分析数据挖掘技术在客户关系管理中应用。

          1)客户数据的原始积累。

          所有的客户购买DELL产品通过两个渠道：800免费电话进入呼叫中心和网上订购，它们是DELL客户关系管理的起点。客户的购买流程是这样的：首先客户看到广告，对DELL的产品产生兴趣，接下来拨打800免费电话向DELL的销售人员咨询，或者自己在DELL网站上查看产品信息。如果是前者，销售人员通过与客户的交流拿到第一手的客户资料，包括客户名称、职业、城市、用途、联系方式等信息，并将这些信息输入DELL的SMART系统为客户建立ID。如果是后者，客户自己将个人信息在网上填好并提交，这些信息同样作为客户ID自动进入SMART系统。客户在全面了解DELL产品之后，便可以通过销售员或网上下订单。这些客户信息和订单信息就构成了DELL公司庞大的原始数据库，为下一步进行有效的数据挖掘奠定了基础。

           2)客户行为的有效分析。

          通过系统中存储的客户资料，运用数据挖掘的方法，进行客户分析，比如运用分类分析方法，根据客户的性格特点将客户分为驱动型、亲切型、表达型和分析型，分析每类客户的特点，找出影响各类客户购买决策的最主要因素。根据客户购买用途不同，将客户分类，可以找到各种不同需求用户对产品不同方面性能的要求，以及对价格的敏感程度。运用关联分析，知道哪些客户在购买电脑的同时，对其他的外设如打印机有购买意向，以及哪些产品的捆绑促销是最有效的等等。当客户再次打人电话，可以从系统中调出客户资料，知道客户用途以及客户主要关注的问题，有针对性的服务于客户，满足客户需求。

         3)高效的广告媒体选择。

         DELL的广告策略是在不同的平面广告媒体上发布不同的800电话，通过客户打人电话的号码，可以判断用户是通过哪一媒体认知DELL的。这样的信息存储在系统中，成为DELL媒体选择和管理的基础，DELL的市场部门每周都会分析庞大的电话资料，运用交叉分析等方法找出哪些媒体是最为有效的，什么样的广告及价格策略在什么样的媒体上最适用，这些结论将直接影响到DELL下一周的广告及价格策略，保证公司能在第一时间调整营销政策，带来最大化收益。

          4)科学的预测。

          通过对过去大量客户数据的分析，在每周的开始，公司都要对一周的电话数量及各种型号订单的数量以及物料的需求进行科学预测，以保证物料供应的充足和生产的顺利进行。此外，对于每一天每个时段的电话数量也会有一个预测，由此来确定每个时段需要多少人员在线接听客户电话，进而科学安排员工的工作时间。比如下周公司准备在媒体上打出一款机型新的促销价格及促销方案，在这项促销政策出台前，市场部门会从数据库中调出以往在相关媒体上打出类似广告之后的市场反应数据，再结合本周市场情况，预测出下周由于这一促销政策带来电话量的变动，以及这样的促销政策和电话量带来此款机型销量的变化，进而预测出对相关配件的需求变动，以及时与供应商进行沟通保证物料的充足供应和最低库存的维持。

         5)客户保留与交叉营销。

          由于系统中存储了所有已订购DELL产品的客户订购信息和联系方式，公司可以对老客户进行更深入的分析研究和不定期的回访，与客户建立长期的良好关系，提高客户满意度。同时进一步挖掘客户的潜在需求，找到客户感兴趣的东西，在第一时间将每期的DELL新产品及最新促销价格的信息送到老客户手中。比如DELL的一个客户购买了DELL打印机一台，公司根据回访和分析会在恰当的时间为客户寄送最新的墨盒型号和价格资料。

5  结语

          在企业面临以产品为中心转变为以客户为中心的竞争环境下，缩短企业与客户的交流途径，及时跟踪客户的变化，不断满足客户的需求成为企业持续发展的根本。数据挖掘是客户关系管理的引擎，网络技术的快速发展条件下，通过跨平台整合，加上日益成熟的数据仓库和数据挖掘技术，使得企业能更有效地掌握客户的行为与需求，分析客户的特征，探索企业和所对应市场的运营规律性，不断提高企业的经济效益，是企业发展的必由之路。

参考文献

[1]   [美]Jiawei Han，Micheline Kamber等著．数据挖掘：概念与技术[M]．范明、孟小峰译．北京：机械工业出版社，2001．

[2]  [美]Richard J．Roiger，Michael W．Geatz等著．数据挖掘教程[M]．翁敬农译．北京：清华大学出版社，2003

[3]  袁卫，等译．数据挖掘——客户关系管理的科学与艺术[M]．北京：中国财政经济出版社，2004．

[4]  杨路明．客户关系管理——理论与实务[M]．北京：电子工业出版社，2005．