一、引 言

　　在当今激烈竞争的商业环境中，竞争对手的增加、业务的多样化和全球化已使企业间的竞争急剧增强。企业只有不断的通过各种渠道同客户进行有效的互动交流，并且从这种互动中获取信息，了解客户，提高客户满意度来获得利润，才能在竞争中立于不败之地。尤其是新经济时代的到来，客户是企业至关重要的成功因素和利润来源，谁把握了客户谁就拥有了市场，使得企业战略正从“以产品为中心”向“以客户为中心”转变。对于企业而言，“以客户为中心”的最终目的是企业自身利润的最大化。因此，企业还需进一步对真正的客户的价值进行挖掘。客户的价值挖掘工作要求企业通过数据分析，掌握客户的行为规律，运用于企业决策中。随着数据仓库、数据挖掘技术的发展和成熟，客户的价值挖掘工作得到了必要的技术支持。

　　二、数据挖掘技术

　　数据挖掘（Data Mining）是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。

　　数据挖掘包括如下功能：

　　1．分类（Classification）

　　就是研究已分类资料的特征，分析对象属性，据此建立一个分类函数或分类模型，然后运用该模型计算总结出的数据特征，将其他未经分类或新的数据分派到不同的组中。计算结果通常简化为几个离散值，常用来对资料作筛选工作。

　　2．聚类（Clustering）

　　当要分析的数据缺乏描述信息，或是无法组成任何分类模式时就采用聚类的方法， 将异质母体区隔为较具同构性的群（Cluster），即将组之间的差异识别出来，并对个别组内的相似样本进行挑选，实现同组数据相近，不同组数据相异。分类功能和聚类功能是不同的，分类是根据预先定好的一些特征值对对象分组，组或类是预先确定好的，而聚类是事先不知道的条件下根据对象的一些相似特征分组。

　　3．估计与预测（Estimation and Prediction）

　　估计是根据已有的资料，对某一参数或数值进行估计，来获取数据其他未知属性之值。预测是根据对象属性、过去的观察值和有关资料对该属性的未来值进行预测，估计预测使用的技巧主要是回归分析、时间数列分析及人工神经网络等方法。

　　4．关联和序列发现（Correlation and Sequence Discovery）

　　数据库中的数据一般都存在关联关系，即变量之间存在某种规律，关联就是要找出某一件事或某一资料中会同时出现的东西。序列分析的相关关系是在关联中增加了时间属性。因此关联分析就有了简单关联和时序关联之分。

　　5．数据描述（Description）

　　目的是对数据进行浓缩，给出它的总体的综合描述，实现对原始数据的总体把握。常用的数据描述的方法是统计学的传统方法，如计算数据项的总和、均值、方差等基本描述统计量，或绘制直方图、折线图等统计图形。

　　数据挖掘技术已经应用到了很多重要领域，例如在银行、电信、保险、交通、零售等商业领域中，能够帮助解决许多典型的商业问题，在企业市场营销中也得到了普遍应用。

　　三、数据挖掘在企业客户价值管理中的应用

　　所谓客户价值管理，即根据客户的交易历史数据对客户生命周期价值进行统计与分析，挖掘最具价值的现期客户和潜在客户，一方面通过对现期最有价值客户的个性化需求的满足，提高客户满意度和忠诚度；另一方面对潜在客户的行为模式进行分析，使企业发现新的销售机会，拓展市场，最终实现客户对企业贡献或价值的最大化。

　　1．发展新客户

　　发展新客户、扩大客户基础是实现企业成长的一种主要方式。采用数据挖掘可以辅助新客户开发活动。首先，企业需要从多种渠道获得客户信息，通过收集数据，如居住城市、地区、工作性质、收入水平等，或从其他机构购买资料，然后自行汇总。在新客户开发中，客户资料的搜集和整理是数据挖掘中一项重要工作，数据质量的好坏及信息的丰富程度将直接影响到数据的质量和水平。获得了基本的潜在客户资料，下一步任务就是寻找顾客的反应模式，如果企业没有发动过类似的新客户开发活动，应该随机抽取一定数量的客户进行市场测试，搜集客户的反映模式数据。获得了市场数据，企业就可以运用数据挖掘来构建反映客户行为模式的模型。在构建的模型中，目标变量是制定的目标反应行为，其他变量则作为自变量视为引起目标行为的原因。构建模型的技术，可以采用回归分析、决策树、神经网络等。然后再根据预测模型对所有潜在客户的回应可能能性进行评定。

　　2．客户细分

　　客户细分是指将一个消费群体划分成一个个细分群的过程，同属于一个细分群的消费者彼此相似，而隶属与不同细分群的消费者被视为差异十分明显。企业通过客户细分，针对每类客户使用不同的营销方式或提供不同的服务，可使企业以最小的投入最大的回报。

　　在实现技术上，客户价值管理充分运用各种先进的数据处理技术，来处理各种客户数据如人口统计特征、客户行为数据，购买历史数据等等，使客户细分的结果更为科学、客观和可靠。采用数据挖掘技术进行客户细分，通常可以采用许多方式实现。在数据挖掘中，最常用的客户细分技术是聚类分析。聚类分析技术是通过无指导学习，按类相似性最大化原则，自动对数据分类。根据客户在不同特征如性别、年龄、收入水平、交易历史、教育状况等方面的相似程度，对客户进行分类。在同一类客户内部，具有高度的同质性，而在不同类别之间，存在高度的异质性。通常，聚类分析还可以给出不同变量在类别划分上的重要程度，以供决策者分析判断。采用聚类技术进行客户细分，要求企业掌握足够的特征数据，才能获得较好的分析结果。虽然不是所有变量对于划分客户群都有用，聚类技术可以识别出其中有用的变量，并自动在运算过程中剔除不显著变量的影响。此外，有经验的市场分析人员根据过去的经验，来选择或剔除变量，以提高客户细分的效率和有效性。通过聚类分析，企业往往可以发现客户的群体行为，了解客户的共性，从而提供针对性的客户服务，提高企业服务成功率。

　　3．交叉销售

　　交叉销售是指借助各种分析技术和经验判断，发现现有客户的多种相关需求，通过满足其需求而销售多种相关产品和服务的一种营销理念。数据挖掘技术在交叉营销中的运用是始于对现有客户购买行为的研究，目的是为了挖掘出不同客户在不同产品和服务上的消费模式，以优化企业的产品或服务，在全面满足客户需求的同时，增加企业的销量，使客户和企业双方均能从产品或服务的提供中获得利益，营造买卖双方之间的双赢状态。

　　采用关联性模型来分析客户在购买不同产品或服务上的内在模式联系，从而达到交叉营销的目的。例如，数据挖掘采用关联性分析来识别同次事件中不同属性组合之间的关联性。这种关联性也可以作为识别规则，用于决策支持。这种功能常被应用于市场购物篮分析，通过对交易历史数据进行关联性分析，找出不同商品之间的关联性，可以配合企业营销和后勤管理。

　　另外一种关联性分析手段是次序分析，次序分析用于识别具体具有先后次序的不同时间之间的关联性。比如，通过分析客户不同次光临的购买模式发现，如果客户本次光临购买的是啤酒，下次光临就会买可乐，则企业可以通过对啤酒销量的统计来预测可乐的销售量。

　　企业利用数据挖掘技术中的关联分析法从客户过去发生的交易数据中寻找影响客户交易行为的因素，并建立预模型对客户将来可能发生的交易行为进行预测，分析哪些客户最有可能对企业的服务感兴趣，会对哪些产品感兴趣，哪些产品或服务通常会一起发生在同一次交易里，按什么样的先后顺序发生，从而实施有效的交叉营销，提高企业的客户价值。

　　4．识别优质客户

　　企业以客户为核心并非是指所有的客户都同等重要，根据二八原则，一个公司80％盈利是由20％的客户产生的，因此识别企业的价值客户是实现企业客户关系管理的关键。但是，目前大多数企业仍然按自己的经验来识别优质客户，很少有企业能够确定一个较为完整准确的优质客户标准。利用数据挖掘技术中的分类算法，这一问题就可得到有效解决。我们首先假设类标号属性是“是否为优质客户”，然后采用分类法，通过在一定数量的客户群上进行归纳，最后确定出优质客户的评估准则。在获得了评估准则后，企业就可以比较轻松﹑客观地识别出其绝大多数优质客户。

　　用分类法还有利于企业培养忠诚客户，使之与企业保持长期关系。随着市场竟争的日益激烈，大部分市场己趋于饱和状态。获得一个新客户的成本越来越高，因此，保留原有客户的价值也显得越来越重要了。有统计表明，企业争取一个新客户的成本是保留一个老客户的7～10 倍，而流失1 个老客户的损失，只有争取10 个新客户才能弥补，留住客户有可能会为企业带来100%的利润。因此保持现有客户，提高他们对企业的忠诚度对企业至关重要。

　　企业留住老客户，防止客户流失，就必须了解客户的需求。首先假设类标号属性是“顾客是否流失”，再利用数据挖掘工具对大量的客户资料进行分析，建立数据模型，确定客户的交易习惯、交易额度和交易频率，分析客户对某个产品的忠诚程度、持久性等，并为他们提供个性化定制服务，以提高客户忠诚度。

　　5．发现客户异常行为，防止客户流失

　　孤立点是数据集中与一般数据模型不相符合的那些数据。一般情况下，在数据被导入数据仓库前，应该经过数据清理，以消除不一致的情况。但是在实际应用中，往往会发现一些客观存在的、非操作人员的人为因素而导致的异常数据。对于这些异常数据，我们无法按照一般可行的分类规进行划分，也无法通过聚类的方法将其与其他数据建立有效的联系。这些数据往往包含着实际应用价值。在客户关系管理系统中，通孤立点分析法可发现客户的异常从而使企业避免不必要的客户流失。比如银行在信用卡推广中，为每位客户按月消费金额或月消费次数设定一个阈值，客户的日常行为都应该在此阈值之中，如果某客户的某月的消费金额或消费次数低于该阈值，表明该客户出现了异常行为，有可能变为客户。此时，信用卡中心管理人员应及时分析原因，采取一定的策留住该客户。

　　6．客户风险分析（customer risk analysis）

　　风险分析是提供产品或服务时存在潜在损失的行业所特有的。数据挖掘方法可以为风险分析建立分类定位模型。常见的风险类型出现在银行业和保险业。银行在放贷时存在金融风险。利用风险分析可以预测一个对象如期还贷或不还贷的可能性。一种贷款如抵押贷款或汽车贷款是安全贷款，另一种贷款如信用卡贷款为不安全贷款。

　　欺诈风险（fraud risk）是许多公司关心的另一个风险领域，对银行和保险公司更是如此。欺诈检测模型通过了解客户的典型消费行为帮助公司减少损失。如果客户的消费习惯变化极大，则风险处理就采取措施停止或监控直到这种情况可评估为止。

　　数据挖掘技术对发展新客户、客户细分、交叉营销、识别优质客户和客户风险分析等功能的支持，就是客户价值管理过程的支持。将数据挖掘技术运用到企业客户价值管理系统中，用分析结果知道决策，提高企业的盈利能力，增强企业的竞争优势。

免责声明：本网站（http://www.ciotimes.com/）内容主要来自原创、合作媒体供稿和第三方投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
本网站刊载的所有内容（包括但不仅限文字、图片、LOGO、音频、视频、软件、程序等）版权归原作者所有。任何单位或个人认为本网站中的内容可能涉嫌侵犯其知识产权或存在不实内容时，请及时通知本站，予以删除。