搜索
数据挖掘在客户关系管理中的应用数据挖掘在客户关系管理中的应用•一、数据挖掘技术在客户关系管理中的主要应用领域•二、数据挖掘在保险业中的应用•三、数据挖掘在应用中面临的问题一、数据挖掘技术在客户关系管理中的主要应用领域•1、客户关系管理中常用的数据挖掘方法•（1）分类（2）聚类（3）关联规则•（4）回归分析（5）偏差分析•2、数据挖掘在客户关系管理中的具体运用•(1)获得客户特性（2）获得客户（3）保持客户（4)获得客户忠诚度（5）客户欺诈行为预测•3、从行业角度分析数据挖掘技术的应用•(1)零售业ＣＲＭ中数据挖掘的应用•（2）金融业ＣＲＭ中的数据挖掘•（3）电信业ＣＲＭ中的数据挖掘一、数据挖掘技术在客户关系管理中的主要应用领域1、客户关系管理中常用的数据挖掘方法常用的数据挖掘方法主要包括：分类、聚类、关联规则、统计回归、偏差分析等等。（1）分类：分类的目的是通过统计方法、机器学习方法（包括决策树法和规则归纳法）、神经网络方法等构造一个分类模型，然后把数据库中的数据映射到给定类别中的某一个。1、客户关系管理中常用的数据挖掘方法•（2）聚类•聚类是把一组个体按照相似性归成若干类别。即“物以类聚”。它的目的是使同一类别之内的相似性尽可能大，而类别之间的相似性尽可能小。这种方法可以用来对客户进行细分，根据客户的特征和属性把客户分成不同客户群，根据其不同需求，制订针对不同客户群的营销策略。一、数据挖掘技术在客户关系管理中的主要应用领域•1、客户关系管理中常用的数据挖掘方法•（3）关联规则•它是描述数据库中数据项之间存在关联的规则，即根据一个事物中某些项的出现可导出另一项在同一事物中也出现，即隐藏在数据间的关联或相互关系。在客户关系管理中，通过对企业客户数据库里大量数据进行挖掘，可以从中发现有趣的关联关系。一、数据挖掘技术在客户关系管理中的主要应用领域•1、客户关系管理中常用的数据挖掘方法•（4）回归分析•回归分析反映的是事务数据库中属性值在时间上的特征．主要用于预测，即利用历史数据自动推出对给定数据的推广描述．从而对未来数据进行预测。它可应用于商品销售趋势预测、客户赢利能力分析和预测等。一、数据挖掘技术在客户关系管理中的主要应用领域•1、客户关系管理中常用的数据挖掘方法•（5）偏差分析•偏差分析侧重于发现不规则和异常变化，即与通常不同的事件。在相类似的客户中，对客户的异常变化要给予密切关注。一、数据挖掘技术在客户关系管理中的主要应用领域•2、数据挖掘在客户关系管理中的具体运用•DM技术帮助企业管理客户生命周期的各个阶段，包括保持住有价值的客户，争取新的客户等。让客户为企业创造更多利润。DM技术能帮助企业确定客户的特点，使企业能够为客户提供有针对性的服务。一、数据挖掘技术在客户关系管理中的主要应用领域•2、数据挖掘在客户关系管理中的具体运用•(1)获得客户特性•DM的第一步就是挖掘出顾客的特性,描述了解顾客的地址、年龄、性别、收入、教育程度、爱好等基本信息。运用分类与聚类分析，从客户基本库中发现不同的客户群．并且用购买模式来刻画不同客户群的特征，以便于企业经营提高针对性。采取有效措施。一、数据挖掘技术在客户关系管理中的主要应用领域•2、数据挖掘在客户关系管理中的具体运用•（2）获得客户•例如，某超市新开一品牌床上用品专卖区，那么向谁推销这些产品?哪些客户可能会购买这些产品呢?如果向所有顾客都寄发宣传资料，则费时、费财，而且效果也不会好。而运用DM技术。例如，企业可以从客户资料库中知道哪些人刚刚结婚、结婚5年内的客户以及曾在该商场购买其他床上用品的客户情况(职业、收入、学历、爱好等)，那么广告宣传就会有的放矢，特具有针对性的宣传资料邮寄给这些客户。使之成为该产品的新客户。一、数据挖掘技术在客户关系管理中的主要应用领域•2、数据挖掘在客户关系管理中的具体运用•（3）保持客户•随着零售业的竞争加剧，企业获得新客户的成本下不断的上升。因此保持原有的客户对企业来非常重要。如果能对客户实行一对一服务，便能加深客户对企业的忠诚度。一对一营销是指了解你的每一个客户，并和他建立长期持久的关系。这种新的概念不是只用寄一些纪念卡、生日卡的方式就可以留住客户的，在竞争激烈的今天必须了解客户独特的爱好和口味，以提供特别的服务。一、数据挖掘技术在客户关系管理中的主要应用领域•2、数据挖掘在客户关系管理中的具体运用•（4)获得客户忠诚度。•对于高忠诚度客户要继续保持其良好的印象。对于低忠诚度客户要下大功夫将其培养成忠诚客户。对于高低忠诚度客户的识别，可通过DM分析。以产品消费周期为购买间隔，在一年中其消费次数大于规定数则为高忠诚度客户。运用分类技术，就忠诚度进行分类。从而就不同类型的不同忠诚度顾客，采取不同的方式和措施保持住客户。防止客户的流失。一、数据挖掘技术在客户关系管理中的主要应用领域•2、数据挖掘在客户关系管理中的具体运用•（5）客户欺诈行为预测•总结归纳出以往客户的各种欺诈行为的内在规律，建立一套欺诈行为规则库，从而可以及时预测各种骗费、欠费，尽量减少企业损失。•做法：将多个数据库的信息集成起来，用多种数据分析工具来找出异常模式．•分析工具：分类工具，聚类分析工具，孤立点分析工具，序列模式分析工具等。这些工具都可以识别出一些重要的活动和模式，有助于聚焦可疑线索。一、数据挖掘技术在客户关系管理中的主要应用领域问题描述：如何从众多申请经费或者纳税中发现欺诈•结果描述:(回归、神经网络）•3、从行业角度分析数据挖掘技术的应用•(1)零售业ＣＲＭ中数据挖掘的应用•零售业ＣＲＭ是数据挖掘的主要应用领域，特别是由于日益增长的Web或电子商务方式的兴起零售数据挖掘可有助于识别客户购买行为，发现客户购买模式和趋势，改进服务质量，取得更好的客户保持力和满意度，提高货品销量比率，设计更好的货品运输与分销策略，减少商业成本。一、数据挖掘技术在客户关系管理中的主要应用领域•3、从行业角度分析数据挖掘技术的应用•(1)零售业ＣＲＭ中数据挖掘的应用•具体应用：•①使用多特征数据立方体进行销售、客户、产品、时间和地区的多维分析；•②使用多维分析和关联分析进行促销活动的有效性分析；•③序列模式挖掘可用于客户忠诚分析；•④利用关联分析挖掘关联信息进行购买推荐和商品参照。一、数据挖掘技术在客户关系管理中的主要应用领域•3、从行业角度分析数据挖掘技术的应用（2）金融业ＣＲＭ中的数据挖掘•大部分银行和金融机构除提供丰富多样的储蓄服务、信用服务、投资服务外，还提供保险服务和股票投资服务。在银行和金融机构中产生的金融数据通常相对比较完整、可靠，这大大方便了系统化的数据分析和数据挖掘。一、数据挖掘技术在客户关系管理中的主要应用领域•以下给出几种典型的应用情况：•①为多维数据分析和数据挖掘设计和构造数据仓库；•②特征选择和属性相关性计算有助于贷款偿还预测和客户信用政策分析；•③分类和聚类的方法可用于客户群体的识别和目标市场的分析；•④通过数据可视化、链接分析、分类、聚类分析、孤立点分析、序列分析等分析工具帮助进行洗黑钱和其他金融犯罪的侦破。•3、从行业角度分析数据挖掘技术的应用•（3）电信业ＣＲＭ中的数据挖掘•电信业已经迅速地从单纯的提供市话服务演变为提供综合电信服务。电信网、因特网和各种其他方式的通信和计算的融合是目前的大势所趋。利用数据挖掘技术可帮助理解商业行为、确定电信模式、捕捉盗用行为、更好的利用资源和提高服务质量。一、数据挖掘技术在客户关系管理中的主要应用领域•3、从行业角度分析数据挖掘技术的应用•（3）电信业ＣＲＭ中的数据挖掘•下面以移动通信行业为例•由于移动通信行业固有的激烈竞争，移动通信运营商需要理解并保持客户，同时，也需要建立有效的途径将产品销售给这些客户。所有的这些推动了移动通信行业对DM的需求。当前，像中国移动、中国联通等顶尖移动通信运营商都开始关注DM技术的应用。一、数据挖掘技术在客户关系管理中的主要应用领域•在移动通信行业的CRM系统中引入了DM技术，通过建立用户使用模式和预测什么时间某一用户进行欺诈而跟踪己知的欺诈类型。还有包括甄别移动通信欺诈功能，如何识别客户流失的功能。DM技术可以解决移动通信行业广泛关注的问题：•1．如何识别和甄别出现欺诈的时间?•2．哪些客户可能流失?哪些客户流失的概率最大?•3．哪些是最有价值的客户?哪些是无价值的客户?•4．新推出的资费套餐应该向哪部分客户进行推广才能既减少成本又见成效?•5．当竞争对手提出特殊的售价并降低费用时如何挽留住客户并使他们保持忠诚?•6．与竞争对手的产品相比，我们的产品有什么显著特征?•移动通信业已经迅速地从单纯的提供通话服务演变成提供综合移动通信服务，如语音、传媒、寻呼、图像、电子邮件和WEB数据传输，以及其他通信服务。•电信、计算机网络、因特网和各种其他方式的通信和计算的融合是目前的大势所趋。而且随着许多国家对移动通信业的开放和新型计算与通信技术的发展，移动通信市场正在迅速扩张并越发竞争激烈。因此，利用DM技术来帮助理解商业行为、确定移动通信模式、捕捉盗用行为、更好地利用资源和提高服务质量是非常有必要的。二、数据挖掘在保险业中的应用•如何保持现有客户，争取潜在的客户以及如何识别诈骗行为等等，是保险业中面临的主要问题。•数据挖掘的作用：对业务数据，客户数据等各种数据分析，有利于保险公司开展业绩评价，财务预算，市场分析，风险评估和风险预测等，大大提高了企业防范和抵抗经营风险的能力和水平，也为管理人员提供科学的决策依据。•1）保险索赔预测•2）保险交叉销售和提升销售•3）保险业客户挽留•4）保险业的客户细分二、数据挖掘在保险业中的应用二、数据挖掘在保险业中的应用•1）保险索赔预测现状：保险市场客户竞争激烈，索赔率和损失率不断上升。关键之处在于：识别每个客户公司带来的特定的索赔风险。解决方案：通过更有效的定价和营销来降低损失率，保险人需要从公司的每个角落探索与索赔相关的信息及第三方数据资源，以进行索赔趋势预测和索赔规模预测。预测谁将索赔，索赔多少。•2）保险交叉销售和提升销售•交叉销售：交叉销售是指企业向原有客户销售新的产品或服务的过程。•重要性原因：保险世界竞争环境相当激烈——利润空间收缩，索赔率和客户流失率不断上升，索赔严重程度则持续恶化。•做法：将购买大量保单的客户资料整理成档案。然后，可以使用同样的档案整理方法分析其他的客户，以确定哪些客户将会愿意购买其他产品，以及预测客户下一步将需要什么。这样能有效的实施交叉销售和提升销售战略。二、数据挖掘在保险业中的应用•3）保险业客户挽留•原因：保险业竞争的日趋激烈和客户忠诚度的下降•必要的工作：精确报告已过去的保单；洞察保单到期的主要影响因素；准确预测近期将要到期的客户；对客户行为进行主动的建立在规则基础上的分析等等。•从各个层面收集信息以分析保单到期的可能性。营销人员可以利用这些可能性评分，并结合获利性信息将现有的客户群分组，有效定位有获利价值的客户以阻止客户的流失。二、数据挖掘在保险业中的应用•4）保险业的客户细分•重要性：竞争加剧，客户忠诚度降低和较高的保单过期率使得公司的利润利率降低。根据客户的可能行为和潜在盈利性，细分客户是全面了解客户的关键。•方法：依据相似的特性确认客户群，并将客户进行分组：为营销和市场活动等目标行为创建可管理的客户组，确认每组客户的特征和需求，对比不同组客户以确定每组客户所特有的行为，为每组客户确定有效的可测的目标。二、数据挖掘在保险业中的应用三、数据挖掘在应用中面临的问题•1、数据挖掘分析变量的选择•2、数据抽取的方法的选择•3、数据趋势的预测•4、数据模型的可靠性•5、数据挖掘涉及到数据的私有性和安全性•6、数据挖掘结果的不确定性三、数据挖掘在应用中面临的问题•1、数据挖掘分析变量的选择•数据挖掘的基本问题：数据的数量和维数。•数据分析变量：在数据挖掘中技术应用中产生的，选择合适的分析变量，将提高数据挖掘的效率，特别适用于电子商务中大量商品以及用户信息的处理。•方法：可以用分类的方法，分析出不同信息的属性以及出现频率进而抽象