客户档案动态集成的处理方案
日期:2018年01月15日
编辑:
作者:无忧论文网
点击次数:3892
论文价格:免费
论文编号:lw201010200853385528
论文字数:3884
所属栏目:客户关系管理论文
论文地区:中国
论文语种:中文
论文用途:职称论文 Thesis for Title
摘要:本文分析客户档案的内容、挖掘方式、挖掘的作用,提出客户档案动态集成的处理方案,应用实践表明这些思想和方法是行之有效的。 <BR> 关键词:营销;客户关系管理;决策支持;数据挖掘 <BR>Abstract: How to obtain customer’s characteristics and individual demands is one of the essential problems of enterprise management.<A href="www.51lunwen.org">www.51lunwen.org</A> In this paper, a systematical method of using dadaming technique to gain customer demands is studied.Firstly, the way about applying dataming techniques to mine the knowledge in customer profile is analyzed. Secondly the content of customer profile is discussed.Thirdly, the affect ofcustomer profile mining to enhance enterprise competitive force is sutdied carefully.Finally,a dynamic processing methodology to create customer profile is put out. Our elemental practice shows that the above idea and the method are effective. <BR>Key words: marketing; Customer relationship management; Decision support; Data mining <BR><BR> 0 引言 <BR><BR> 在顾客需求日益多样化、个性化和竞争日益激烈的市场环境下,企业的生产经营方式必须要从大批量生产向大规模定制化生产方式转变。要想快速、低成本、高质量向客户提供个性化的服务,必须及时准确地了解客户的偏好与需求。为此,一方面要改变传统的市场营销观点和策略,进行思想和方法的创新;另一方面要充分利用包括数据挖掘在内的各种先进技术。企业应充分利用信息技术采集顾客信息,建立客户档案数据库。如沃尔玛创建的容量为43TB的客户数据库中记录了与顾客的每一笔交易及业务的收支等情况[2]。在这种海量数据面前,传统的分析方法遇到困难,利用先进的数据挖掘技术势在必行。 <BR> 数据挖掘是当前计算机应用等领域的研究热点,已经取得了许多成果。文[1]研究了未来营销建模将要面临的巨量数据交易数据库、模型集成等问题,文[3]提出了知识管理技术支持营销决策系统方法。受这些研究的启发,本文围绕客户档案的内容、知识挖掘的方式、挖掘的作用、动态集成过程等进行探讨。 <BR><BR> 1 应用于客户档案的数据挖掘分类 <BR><BR> 数据挖掘是指从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和知识的非平凡过程。这些信息和知识可表示为概念、规则、规律、模式等形式。数据挖掘是帮助发现隐藏在数据中知识的有力工具,它通过选择数据,对数据进行检测,建立挖掘分析模型,挖掘出深层次的信息和知识。其中挖掘模型或挖掘算法是关键。目前已有许多用于数据挖掘的方法,如统计分析、决策树、神经网络、规则归纳,趋势分析、遗传算法等。根据挖掘的知识类型的不同,可将数据挖掘方法分为多种类型,具体见图1。 <BR> 1)依赖分析。典型的依赖知识是具有某种最小支持度与置信度的项集间的关联规则,该方法能采掘出客户购买不同的商品之间的行为关系,从而可以帮助促销那些在消费者心中有某种依赖关系商品。如Wal-Mart建立的“市场购物篮分析系统”[4]能分析出顾客购买商品的模式及其关系,如它能发现如“腊肠 芥末”的关联规则,该规则的含义是购买腊肠的大部分客户同时也购买芥末。依此商场将相关商品在货架上合理布置(如腊肠和芥末在货架上邻近排放),使顾客很容易发现需要的商品,促进了商品的销售。 <BR> 2)类分析。类分析包括聚类和类识别。聚类在营销中可用于对客户的分类,成熟的算法是统计分析中聚类分析算法,其思想是使生成的类内部最大相似,类间最大差异。实际应用中,将由聚类分析算法得到的分类结果提交给业务行家,业务行家利用领域知识进行评判后确定基本类型,每个客户属于某一类型。类识别即某实例(如客户)归于已有的某类,可通过与类的距离长短来判别。 <BR> 3)偏差检测。偏差检测侧重于发现异常的变化。在相类似的客户类中,对客户异常变化要给予密切关注。如信用卡公司一旦发现某客户的信用购买量突然增大,就要对客户的这种变化的原因进行调查。如果不是由于客户的欺诈行为,而是由于客户状态的变化,比如客户找到一个薪水更高的职业或由于客户新购置了更大的住房等,此时需要确认客户的这种变化,更新相应的档案,并提出针对性营销方案,如主动提供一些如装修类商品或服务。 <BR> 4)其它。趋势分析主要用于发现变化的趋势。如根据客户的偏好趋势和商品特征间的关系,进行商品销售预测。人工神经网络方法和遗传算法是解决非线性的、非结构化的十分复杂问题的强有力工具。尽管利用它们所得的结论有时难以解释,但它们的实际应用异常有效,是应用极为广泛的机器学习技术。如在客户档案知识管理中,它们可用于对基于WEB营销的客户行为学习,对决定营销成功的关键因子间的复杂关系进行学习等。 <BR> 上面所介绍的所有方法实现时,可借助于可视化技术(如维技术和色彩技术等),来管理营销活动中的复杂对象利用对这些对象的切片、旋转和缩放等技术,向营销决策者提供直观而明了的、不同层次的信息。 <BR><BR> 2 客户档案知识挖掘方法 <BR><BR> 1)客户档案内容。客户档案是客户关系管理的主要依据。对客户档案应包含什么内容,有许多企业并不是十分清楚。许多企业把客户档案与客户的通讯录混为一谈。顾客通讯录通常只包含顾客编号、名称、所在地区、联系地址、电话号码等信息。客户通讯录其实只是客户档案的一部分。除了上述内容以外,客户档案还应包括更多的内容,如客户与企业交易的会员代码、每次交易的时间、商品名称或服务名称、价格、成交量,订货情况、信用评定情况、合同完成情况,还应该包括顾客的年龄、业余爱好、收入情况、从事的职业、经常光顾的分销店所在地区、客户光顾的商店及商店所在的地区(对最终客户而言)或客户拥有的分销店所在的地区及规模的大小(对分销商而言)、购买的动机和偏好、价值观、生活方式、家庭的人口结构、生日情况、需要的特殊服务等。另外,客户档案还包括经过分析得到的分类类别、交易的趋势、客户的购买模式和偏好特征等。由此可以看出客户档案不是静态的,而是一个动态变化的集成过程。 <BR> 2)客户档案知识挖掘的企业竞争优势。客户档案实质就是客户的模型,进行如下分析,可帮助制定满足客户的个性化需求营销战略与战术,帮助企业增强竞争力。 <BR> ①统计购买频率:通过客户档案中交易时间的统计,可得到客户与企业频繁交易的平均间隔时间,据此可制定针对频繁客户的促销计划。对过长时间而没有新的交易的频繁客户,可能是由于客户的地点发生变化或客户已经移情别恋等,营销者应及时查明原因并采取适当的措施;②分析交易量大小:通过分析客户典型的交易量,有助于投入恰当的资源进行促销;③识别典型客户类:通过聚类分析得到客户的分类,类间成员相似性好,有助于方便而准确地找到产品推销的目标客户群,找到针对性强的营销细分市场,可节约大量广告费,降低营销成本,提高营销的效率。国外有关资料统计表明,漫无目的地向顾客邮寄促销宣传品,反馈率只有2%~4%,而通过分析后的针对性促销,反馈率可达到25%~30%。④发现交易间的关联:利用前述的“购物篮”分析技术,如著名的Apriori等关联规则挖掘算法[5],通过对交易数据的扫描可以采掘出经典的关联规则,在文[6]中我们提出了一类多层次关联规则的挖掘算法。运用这些算法挖掘到的信息可以帮助企业进行相关商品的营销。再结合营销知识,还可挖掘到类似购置玩具的3~5岁的儿童组,其中的高收入客户有90%的可能性在6个月内购置高档儿童用书包等商品。依据这种序贯信息,营销