数据挖掘技术在电子商务客户关系管理中的应用研究

    从上世纪90年代起，数据挖掘技术伴随着海量数据处理需求的不断增长而发展成熟，许多数据挖掘软件工具被开发出来，成为了电子商务CRM实施的关键技术之一。目前国内外学者对于数据挖掘工具的开发与数据挖掘方面的研究也变得越来越热衷。由美国IBM公司开发的数据挖掘工具Intelligent Miner，可以挖掘包含在数据库、数据仓库和数据中心中的隐含信息，它已成功用于市场分析、诈骗行为监测及客户联系管理等业务领域；在国内像用友、中圣、金蝶等一批软件公司也纷纷发布了自己的CRM产品，通过数据分析和数据挖掘能实现从海量客户数据中提炼出重要的信息，以支持企业开展多方面的客户分析；而在学术界，近几年来也对客户关系管理研究和数据挖掘在客户关系管理中的应用开展了一些讨论和研究，如邹鹏等基于决策树方法给出了一个客户利润贡献度的评价模型；张酷等人用一种基于遗传算法的多重决策树组合分类方法来进行客户获取分析等。但总体上来看，目前在数据挖掘在客户关系管理的研究主要还是描述性的分析居多，对数据挖掘在电子商务环境下客户关系管理的研究仍然进展缓慢。

    从以上分析可知，数据挖掘在电子商务CRM中的应用研究是当前的一个重要课题，本研究具有重要的实际应用价值。

1 客户关系管理的概念

    客户关系管理(Customer Relationship Management，CRM)源于“以客户为中心”的新型商业模式，是一种旨在改善企业与客户之间关系的新型管理机制。

    CRM首先是一种管理理念，起源于西方的市场营销理论，产生和发展在美国。其核心思想是将企业的客户(包括最终客户、分销商和合作伙伴)作为最重要的企业资源，通过完善的客户服务和深入的客户分析来满足客户的需求，保证实现客户的终生价值。

    CRM又是一种旨在改善企业与客户之间关系的新型管理机制，它实施于企业的市场营销、销售、服务与技术支持等与客户相关的领域，要求企业从“以产品为中心”的模式向“以客户为中心”的模式转移，也就是说，企业关注的焦点应从内部运作转移到客户关系上来。

    CRM也是一种管理软件和技术，它将最佳的商业实践与数据挖掘、数据仓库、一对一营销、销售自动化以及其它信息技术紧密结合在一起，为企业的销售、客户服务和决策支持等领域提供了一个业务自动化的解决方案，使企业有了一个基于电子商务的面对客户的前沿，从而顺利实现由传统企业模式到以电子商务为基础的现代企业模式的转化。

    CRM的目标是一方面通过提供更快速和周到的优质服务吸引和保持更多的客户；另一方面通过对业务流程的全面管理降低企业的成本。设计完善的CRM解决方案可以帮助企业在拓展新收入来源的同时，改进与现有客户的交流方式。

2 数据挖掘的概念

    数据挖掘(Data Mining) ，又称数据库中的知识发现(Knowledge Discovery In Database，KDD)，是指从大型数据库或数据仓库中提取隐含的、未知的、非平凡的及有潜在应用价值的信息或模式，它是数据库研究中的一个很有应用价值的新领域，融合了数据库、人工智能、机器学习、统计学、高性能计算、模式识别、神经网络、数据可视化、信息检索、图像于信息处理和空间数据分析等多个领域的理论和技术。

    从技术上来说，数据挖掘就是从大量的、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。

    从商业角度来说，数据挖掘是一种新的商业信息处理技术，其主要特点是对商业数据库中的大量业务数据进行抽取、转换、分析和其他模型化处理，从中提取辅助商业决策的关键性数据。

    因此，数据挖掘可以描述为：按企业既定业务目标，对大量的企业数据进行探索和分析，揭示隐藏的、未知的或验证已知的规律性，并进一步将其模型化的先进有效的方法。

3 数据挖掘技术在电子商务CRM中的应用

    3.1 主要的数据挖掘技术

    比较典型的数据挖掘方法有关联分析、序列模式分析、分类分析、聚类分析等。它们可以应用到以客户为中心的企业决策分析和管理的各个不同领域和阶段。

    3.1.1 关联分析

    关联分析，即利用关联规则进行数据挖掘。关联分析的目的是挖掘隐藏在数据间的相互关系，它能发现数据库中形如“90％的顾客在一次购买活动中购买商品A的同时购买商品B”之类的知识。

    3.1.2 序列模式分析

    序列模式分析和关联分析相似，但侧重点在于分析数据间的前后序列关系。它能发现数据库中形如[在某一段时间内，顾客购买商品A，接着购买商品B，而后购买商品C，即序列A-B-C出现的频度较高晓类的知识，序列模式分析描述的问题是：在给定交易序列数据库中，每个序列是按照交易时间排列的一组交易集，挖掘序列函数作用在这个交易序列数据库上，返回该数据库中出现的高频序列。在进行序列模式分析时，同样也需要由用户输入最小置信度C和最小支持度S。

    3.1.3 分类分析

    设有一个数据库和一组具有不同特征的类别(标记)，该数据库中的每一个记录都赋予一个类别的标记，这样的数据库称为示例数据库或训练集。分类分析就是通过分析示例数据库中的数据，为每个类别做出准确的描述或建立分析模型或挖掘出分类规则，然后用这个分类规则对其它数据库中的记录进行分类。

    3.1.4 聚类分析

    聚类分析输入的是一组未分类记录，并且这些记录应分成几类事先不知道，通过分析数据库中的记录数据，根据一定的分类规则，合理地划分记录集合，确定每个记录所在类别。它所采用的分类规则是由聚类分析工具决定的，采用不同的聚类方法，对于相同的记录集合可能有不同的划分结果。
3.2 电子商务CRM的现状及存在的问题

    电子商务CRM是在传统CRM的基础上利用信息技术的发展所创建的一种新兴的顾客满意管理。与传统CRM相比，电子商务CRM在以下几方面的具有十分明显的特征：

    a．客服流程与方法的整合。它包含了前端与后端的整合，前端是指统一的联系渠道，它使得企业可以同时让客户选择在不同时间以电话、传真、网站或电子邮件等各种不同方式与企业接触；后端则是指用先进的资料分析方法，深入探索客户相关的知识，做客户管理的依据。

    b．重在一对一营销。电子商务CRM应以每一个客户作为一个个别的区域，因此对客户行为的追踪或分析，都是以单一客户为单位，发现其行为方式与偏好；同时，应对策略或行销方案也是依每个客户的个别状况来提供。

    c．交互的实时性。Interact时代消费者快速地接受大量信息，所以消费者偏好也不断地改变。企业必须不断地观察消费者行为的改变，并立即产生应对策略，才能掌握先机赢得客户。

    虽说电子商务CRM较传统客户关系管理有一定的优势，但电子商务CRM也存在以下一些问题：

    a．客户范畴的认知不深。企业的客户，应该包括现有客户与潜在客户，而当前许多企业仅仅把目光落在眼前的客户上，忽略了潜在客户的利润空间。

    b．服务缺乏创新。个性化服务只停留在观念的层次，仅有形式的个性，实际上并没有给客户提供多少贴心的服务。

    c．大量有益信息未充分的挖掘和利用。电子商务网站每天都可能有上百万次的在线交易，生成大量的记录文件和登记表，这些数据都是和客户行为有关的，对商家来说是非常重要的。但是数据并不是信息，这些数据资源中所蕴涵的大量有益信息至今却未能得到充分的挖掘和利用。这些数据一旦不能为企业所用，大量的数据就可能成为企业的包袱，甚至成为垃圾。

    如何才能不被数据的汪洋大海所淹没，从中及时发现有用的知识，提高数据利用率，变得非常重要。近年来兴起的数据挖掘技术为解决大量有益信息未充分的挖掘和利用这个问题带来了一线曙光。

    3.3 数据挖掘技术在电子商务CRM中应用的必要性

    目前，越来越多企业使用数据挖掘来加强电子商务CRM的应用水平，许多企业都在其具体的应用中使用数据挖掘技术。

    具体来说，电子商务CRM应用数据挖掘的必要性体现在以下3个方面：

    a．把握客户动态。互联网时代客户快速地接受大量信息，因此他们的偏好也不断地改变。企业必须通过数据挖掘快速了解客户行动的改变，并立即产生应对策略，才能掌握先机赢得客户。

    b．追踪市场变化。企业通过在电子商务CRM中使用数据挖掘技术对所记录的客户历史信息进行挖掘得到有价值的信息，预测市场的潜在消费需求，及时调整各种服务，做出正确的针对性的决策。比如改进公司网站、向各类客户推进个性化的页面等。

    c．实施个性化营销。电子商务CRM应通过数据挖掘针对客户的行为模式进行分析和追踪，发现其行为方式与偏好，为客户量身定做服务形式、产品以及定价，从而充分利用基于互联网的销售和售后服务渠道，进行实时的、个性化的营销。这也是企业通过高品质电子化服务争得新客户、保留老客户和实现对客户关怀的最重要手段。

    3.4 数据挖掘在电子商务CRM中的应用

    具体来说，数据挖掘在电子商务CRM中的应用主要体现在以下几方面：

    a．客户价值分析。通过分析客户对企业业务所构成的贡献，并结合投入产出进行分析，计算客户对企业的价值度，然后根据价值度的大小，用分类或聚类的方法来划分客户群，以便对客户实施有差异的服务。

    b．产品客户价值分析。分析客户对某种产品业务量的贡献，使用的方法与客户价值分析基本相同，通过对产品客户价值分析，不仅有利于该产品的经营管理者有区别地做好客户服务，而且可以为该产品的营销提供相对准确的目标客户群。

    c．客户保持。采用聚类(分类)和关联分析技术，可将客户群分为5类：高价值稳定的客户群、高价值易流失的客户群、低价值稳定的客户群、低价值易流失的客户群、没有价值的客户群。

    d．客户满意度分析。分析客户对企业产品和服务的满意度，可以帮助企业改进客户营销策略，从而增加客户的忠诚度。数据挖掘可从零散的客户反馈信息中，分析出客户的满意度。

    e．客户信用分析。分析客户信用，对商家很有意义，对不同信用级别的客户，采取不同的赊销方案等。数据挖掘可从大量历史数据中分析出具体客户的信用等级。
3.5 数据挖掘技术在电子商务CRM中的应用步骤

    数据挖掘是一个多步骤的处理过程，这个过程是交互和迭代的，其中许多过程需要用户参与，主要由数据准备、数据挖掘和分析评价3个阶段(见图1)。这个过程是一个双向的循环过程，若结果不能令决策者满意，可以递归地执行。

    在电子商务CRM中实施数据挖掘应用的步骤及过程包括：

    a．确定任务。首先，建立企业级的客户信息数据仓库，然后，确定数据挖掘所需要解决的问题和所需要达到的预定目标，在CRM中应用数据挖掘是为了优化CRM，提高企业运营效率，所以数据挖掘应用必须能够与企业现有的CRM或CRM的人工处理过程集成。通常在一个CRM系统中实施数据挖掘应用时，我们不是同时针对CRM流程的各个环节开发数据挖掘应用，而是首先针对关键环节，或者需求较为强烈的环节优先进行部署。
 

    b．定义数据挖掘应用的用户。数据挖掘应用的用户组成通常比较复杂，他们包括经常使用系统但是仅使用一些简单功能的日常工作人员，也包括很少使用系统但是每次使用系统都需要完成大量分析、挖掘任务的企业高层决策者；包括精通数据挖掘技术的专业人员，也包括毫无技术背景的普通用户，所以系统中用户的定义需要经过细致的用户需求分析。

    c．定义数据并对数据进行预处理。数据挖掘是由可以获取的数据驱动的，其成功在很大程度上取决于输入数据的数量和质量。实施一个数据挖掘应用，首先应该针对数据库或数据仓库中的大量数据建立完善的数据字典。使用数据字典，可以准确地从数据或数据仓库中找到数据挖掘应用所需的数据。但是，存储在数据库中的数据通常存在数据的不完整、不一致等一些情况，而且通常包含了许多挖掘时用不到的多余属性。所以，在真正使用这些数据之前，需要对他们进行清理、转换、集成和属性归约。

    d．选择合适的数据挖掘技术和工具。在明确了所要解决的问题属哪一类应用问题后，就可以选择合适的数据挖掘技术。例如上面的问题我们明确了其主要任务是分类，那么可以采用的技术有遗传算法，决策树和人工神经网络等，经过比较和权衡，最后我们选择决策树，因为分类之后，我们还需要知道每个类的流失原因和预测。合适的挖掘技术和工具的选择，对于未来系统的性能和可靠性有重大影响，应该认真分析，权衡利弊。

    e．建立模型和知识发现。在选择好数据挖掘的技术和方法后。下面就要对其建立模型，这是数据挖掘的核心环节。不同的技术方案产生的结果模型有很大不同，而且模型结果的可理解性也存在较大差异。例如，用决策树方法产生模型结果就比用神经网络技术的结果易于理解。另外，对结果的分析和描述(OP进行知识发现)也很关键，不恰当的描述会造成误导。

    d．证实和评价。通过上面的处理之后，就会得到一系列的分析结果和模式，它们是对目标问题的多侧面的描述，这时需要对它们进行反复验证，因为数据挖掘是一个复杂的应用，对一个大型数据挖掘应用的验证需要花费大量的时间，所以验证应该从较小的系统开始：对系统的验证可以纠正其中发生的错误，而且有利于用户对数据挖掘应用的理解，帮助他们提出更合理、更有创见性的建议。最后对其作出评价，以得到合理的完备决策信息，可以采用的方法有直接使用原来建立模型的样本数据进行检验，或另找一批数据对其进行检验，也可以在实际运行中取出新鲜数据进行检验。

    g．用户培训，它也是非常重要的一环。因为用户才是最终真正使用CRM系统和其中的数据挖掘应用的人对用户的培训必须让他们知道对所使用的CRM系统的整体流程、功能以及数据挖掘应用在其中所起的作用，了解系统中所使用的数据的具体含义，最后指导他们对挖掘结果进行有效的访问和可视化。

4 结束语

    本文结合客户关系管理、数据挖掘和电子商务相关理论，对数据挖掘技术在电子商务客户关系管理中的应用做了一些基础性的研究，对今后的在这方面的研究具有一定的借鉴意义。在CRM中实施数据挖掘应用是一个持续的过程，随着CRaM系统的不断扩展和数据资源的积累，很可能需要重新建立数据挖掘模型或者创建新的数据挖掘应用。我们相信，数据挖掘和CRM的结合必然会推动企业的发展，同时也为客户提供更优质的服务。实践证明，将数据挖掘技术应用于CRM使企业进一步巩固了高价值的客户群体，引导并提升了低价值的客户群体，激励并转化了没有价值的客户群体，取得了可观的直接经济收益，为企业带来了丰厚的利润。数据挖掘技术对具有“海量信息”的行业或公司，例如：超市、金融行业、移动通信行业等，具有广泛的应用前景。