淘金：數(shù)據(jù)挖掘在CRM中的運用

2002/05/22

數(shù)據(jù)挖掘顯身手

　　在客戶關(guān)系管理（CRM）理論中有一個經(jīng)典的2/8原則，即80%利潤來自20%客戶。那么，這20%的客戶都有什么特征呢？

　　調(diào)查發(fā)現(xiàn)，大部分企業(yè)每年有20%～50%的客戶是變動的。企業(yè)一方面在挖空心思爭取新客戶，另一面卻不斷失去老客戶。有沒有辦法找出，失去的是哪一類型的客戶，得到的又是哪種類型的客戶？

　　在競爭激烈的商業(yè)時代，資源占有成為決定企業(yè)生死成敗的關(guān)鍵。在客戶關(guān)系方面，企業(yè)總希望建立與客戶最穩(wěn)固的關(guān)系，并最有效率地把這種關(guān)系轉(zhuǎn)化為利潤，即留住老顧客、發(fā)展新顧客并鎖定利潤率最高的客戶，這也就是CRM要重點研究的問題。為了實現(xiàn)這個目標(biāo)，企業(yè)就需要盡可能地了解客戶的行為，但這種了解不可能通過與客戶接觸直接獲得，因為企業(yè)不可能挨個與客戶交談，而且他們所需要的信息單個客戶往往無法提供。

　　企業(yè)所能做的，就是盡可能收集顧客的信息，借助各種分析方法，透過無序的、表層的信息挖出內(nèi)在的知識和規(guī)律，這就當(dāng)前十分流行的數(shù)據(jù)挖掘技術(shù)所研究的。在挖出大量信息之后，企業(yè)就可以根據(jù)這些規(guī)律或用這些信息設(shè)計數(shù)學(xué)模型，對未發(fā)生行為做出結(jié)果預(yù)測，為企業(yè)的綜合經(jīng)營決策、市場策劃提供依據(jù)。

　　數(shù)據(jù)挖掘，又稱數(shù)據(jù)庫中的知識發(fā)現(xiàn)(Knowledge Discovery in Database，KDD)，是指從大型數(shù)據(jù)庫或數(shù)據(jù)倉庫中提取有潛在應(yīng)用價值的信息或模式。適應(yīng)企業(yè)對資源的渴求，在CRM風(fēng)光無限之時，數(shù)據(jù)挖掘也走出研究室，紛紛落戶企業(yè)。一份最近的Gartner報告中列舉了在今后3～5年內(nèi)對工業(yè)將產(chǎn)生重要影響的五項關(guān)鍵技術(shù)，KDD和人工智能并列第一。

數(shù)據(jù)挖掘挖什么？

　　在CRM中，數(shù)據(jù)挖掘是從大量的有關(guān)客戶的數(shù)據(jù)中挖掘出隱含的、先前未知的、對企業(yè)決策有潛在價值的知識和規(guī)則。

　　客戶特征：數(shù)據(jù)挖掘的第一步就是挖出顧客的特征描述。企業(yè)在了解客戶信息方面永不滿足，他們不僅會想方設(shè)法了解顧客的地址、年齡、性別、收入、職業(yè)、教育程度等基本信息，對婚姻、配偶、家庭狀況、疾病、愛好等等的收集也是不遺余力。也由于這個原因，在談到CRM的時候，個人隱私便成為一個敏感話題。

　　“黃金客戶”：通過客戶行為分析，歸類出消費額最高、最為穩(wěn)定的客戶群，確定為“黃金客戶”。針對不同的客戶檔次，確定相應(yīng)的營銷投入。對于“黃金客戶”，往往還需要制定個性化營銷策略，以求留住高利潤客戶。所以，不要期待在CRM時代繼續(xù)人人平等。當(dāng)然，成功的CRM不會讓顧客感覺到歧視。如果你不幸發(fā)現(xiàn)自己受到的待遇比別人低，很有可能別人是“黃金”，而你是“白銀”或者“黑鐵”。

　　客戶關(guān)注點：通過與客戶接觸，收集大量客戶消費行為信息，通過分析，得出客戶最關(guān)注的方面，從而有針對性地進行營銷活動，把錢花在“點”上。同樣的廣告內(nèi)容，根據(jù)客戶不同的行為習(xí)慣，有的人會接到電話，有的人就可能收到信函；同一個企業(yè)，會給他們的客戶發(fā)送不同的信息，而這些信息往往就是顧客感興趣的方面。不要驚訝于為什么企業(yè)給你送來的正是你最需要的、最滿意的，你和其他與你相似的顧客的數(shù)據(jù)，在企業(yè)的數(shù)據(jù)倉庫里經(jīng)不住百般“拷打”，已經(jīng)集體招供了。

　　客戶忠誠度：得出客戶持久性、牢固性及穩(wěn)定性分析。對于高忠誠度客戶，要注意保持其良好印象，對于低忠誠度客戶，要么不要浪費錢財，要么就下大工夫把他們培養(yǎng)成忠誠客戶。去年圣誕節(jié)，一家美國公司一改以往給所有客戶發(fā)送圣誕卡的作法，只給他們認(rèn)為最忠誠的客戶寄去了問候。大概他們覺得，既然是要走的客戶，又何必再浪費一張賀卡和郵寄費呢？

數(shù)據(jù)挖掘怎樣挖？

　　在CRM中，必不可少的要素是將海量的、復(fù)雜的客戶行為數(shù)據(jù)集中起來的，形成整合的、結(jié)構(gòu)化的數(shù)據(jù)倉庫（Data Wearhouse），這是數(shù)據(jù)挖掘的基礎(chǔ)。在此基礎(chǔ)上，就需要借助大量的知識和方法，把表面的、無序的信息整合，揭示出潛在的關(guān)聯(lián)性和規(guī)律，從而用于指導(dǎo)決策。

　　橫向關(guān)聯(lián)

　　是挖掘表面看似獨立的事件間的相互關(guān)系，例如“90%的顧客在一次購買活動中購買商品A的同時購買商品B”之類的知識。比如經(jīng)典的“尿布和啤酒”的故事，就是利用這種方法，發(fā)現(xiàn)二者之間有很高的相關(guān)系數(shù)，引起重視，然后深入分析后才找出內(nèi)在原因的。

　　次序關(guān)聯(lián)

　　這種分析的側(cè)重點在于分析事件的前后序列關(guān)系，發(fā)現(xiàn)諸如“在購買A商品后，一段時間里顧客會接著購買商品B，而后購買商品C”的知識，形成一個客戶行為的“A→B→C”模式�？梢韵胍姷氖�，一個顧客在買了電腦之后，就很有可能購買打印機、掃描儀等配件。不過，要是通過數(shù)據(jù)挖掘找出“刮胡刀→抽水馬桶→鉆石戒指”這樣的模式，估計企業(yè)客戶服務(wù)部門就要忙乎一陣搞明白其中潛在的聯(lián)系了。

　　分類

　　分類分析就是通過分析樣本客戶數(shù)據(jù)庫中的數(shù)據(jù)，為每個類別作出準(zhǔn)確的描述或建立分析模型或挖掘出分類規(guī)則，然后用這個分類規(guī)則對其它客戶的記錄進行分類。比如，信用卡公司根據(jù)顧客的信用記錄，把持卡人分成不同等級，并把等級標(biāo)記賦與數(shù)據(jù)庫中的每個記錄。對于每一等級，找出它們共同點，比如：“年收入在10萬元以上，年齡在40～50歲之間的外企白領(lǐng)”總體上信用記錄最高。有了這樣的挖掘結(jié)果，客戶服務(wù)部門就知道一個新的客戶的潛在價值，在客戶服務(wù)投入上就心中有底。

　　聚類

　　這是分類的逆向方法。聚類把沒有分類的記錄，在不知道應(yīng)分成幾類的情況下，按照數(shù)據(jù)內(nèi)在的差異性大小，合理地劃分成幾類，并確定每個記錄所屬類別。它采用的分類規(guī)剛是按統(tǒng)計學(xué)的聚類分析方法決定的。比如，面對數(shù)據(jù)庫中“消費額”、“購買頻率”、“收入水平”等多個評價指標(biāo)，沒有辦法按照一個指標(biāo)去分類，就可以通過聚類按照數(shù)據(jù)間的自然聯(lián)系把分散的記錄“聚”成幾“堆”，然后再對每堆進行深入分析。

　　數(shù)據(jù)挖掘融合了數(shù)據(jù)庫、人工智能、機器學(xué)習(xí)、統(tǒng)計學(xué)等多個領(lǐng)域的理論和技術(shù)，對數(shù)據(jù)進行標(biāo)準(zhǔn)化、抽象化、規(guī)范化分類、分析，從而淘出所需要的“金”。在技術(shù)上，客戶關(guān)系管理系統(tǒng)采用嵌入數(shù)據(jù)挖掘系統(tǒng)的方式，可以自動地產(chǎn)生一些所需要的信息。深度的數(shù)據(jù)挖掘，還需要企業(yè)有統(tǒng)計學(xué)、決策科學(xué)、計算機科學(xué)方面的專業(yè)人才，制定出相應(yīng)的挖掘規(guī)則，才能發(fā)揮出挖掘系統(tǒng)的優(yōu)勢。

　　注：全球最大的零售商沃爾瑪（Walmart）通過對顧客購物的數(shù)據(jù)分析后發(fā)現(xiàn)，很多周末購買尿布的顧客也同時購買啤酒。經(jīng)過深入研究后發(fā)現(xiàn)，美國家庭買尿布的多是爸爸。爸爸們下班后要到超市買尿布，同時要“順手牽羊”帶走啤酒，好在周末看棒球賽的同時過把酒癮。后來沃爾瑪就把尿布和啤酒擺放得很近，從而雙雙促進了尿布和啤酒的銷量。這個故事被公認(rèn)是商業(yè)領(lǐng)域數(shù)據(jù)挖掘的誕生。

賽迪網(wǎng)　2002/05/22