APP下载

基于数据挖掘技术的客户关系管理系统研究

2013-11-29宫新军

山东开放大学学报 2013年1期
关键词:客户关系数据挖掘管理系统

宫新军

(滨州学院,山东 滨州 256600)

基于数据挖掘技术的客户关系管理系统,就是一个组织以数据挖掘技术为平台,将管理资源、业务流程与专业技术进行有效整合,构建的服务消费者的集合,它可以使得组织以更低成本、更高效率地满足客户的需求。

一、客户关系管理的定义

客户关系管理的概念可以从以下三个层次来表述:它是一种现代的经营管理理念,这是宏观概念;它包含一整套的解决方案,这是中观概念;它意味着一套应用软件系统,这是微观概念。

客户关系管理作为一种管理理念,起源于西方的市场营销理论,产生和发展在美国。它理念的核心就是以客户为中心,不断的去分析和研究客户的需求,适时地为客户提供产品和服务。要做到这一点,需要整合客户各方面的信息,同时要有一系列的技术手段作为支持。近年来,信息技术的长足发展为客户关系理念的普及和应用开辟了广阔的空间。

客户关系管理作为解决方案,指的就是支持客户关系管理理念的各种技术手段,包括:Internet和电子商务、多媒体技术、数据仓库和数据挖掘、专家系统和人工智能、呼叫中心以及相应的硬件环境。Internet和呼叫中心得到客户的各种相关信息;数据仓库和数据挖掘技术对这些信息进行加工和处理,多媒体技术则可以用一种更直观、具体的方式把这些信息展示出来,从而更好地分析客户的需求,做出相关的决策。

对于企业来说,实施客户关系管理的目的是通过一系列的技术手段了解客户目前的需求和潜在客户的需求,然后整合各方面的信息,使得企业对客户信息的了解达到完整和一致。这样企业就可以对客户的行为进行分析,然后把分析的结果反馈给相关部门,从而进行一对一个性化服务[1]。

二、数据挖掘的内涵

所谓数据挖掘就是从随机的、有噪声的、不完全的、大量的、模糊的实际应用数据中,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[2]。

在数据仓库和数据挖掘应用中,分类是一种非常重要的方法。目前,分类的主要算法有贝叶斯算法、决策树算法(如ID3、C4.5等)、规则推导、人工神经网络、最近邻算法、支持向量机等等。这些算法在许多现实数据集合上具有较好的预测精度。

在数据仓库和数据挖掘应用中,聚类也是一种非常重要的方法,广泛地应用于商务、市场分析、生物学、WEB文档分类等领域中。聚类分析是一种数据划分或分组处理的重要手段和方法,也是数据挖掘中的一个重要研究领域。

在客户关系管理系统中,分类和聚类同样重要。分类模型可随时监控客户流失的可能性,聚类可以使得企业针对不同的用户群体提供不同的服务。

三、数据挖掘技术在客户关系管理中的应用

当前,电信行业已经积累了大量的运营数据和客户的信息,所面临的主要问题就是如何利用数据挖掘等分析技术对现有的数据进行分析,以得出客户的信息,并利用这些信息改善自己现有的业务,提供可以满足客户需求的新业务。所以说,电信行业在实施客户关系管理时,有其不可比拟的优势。

因此,本文以电信业为例,研究基于数据挖掘技术的客户关系管理系统的构建问题。

(一)数据挖掘技术在客户关系管理中的应用流程

开发数据挖掘项目时,要在问题和数据的理解上,即项目的需求和采用哪种技术都要作深入和透彻的分析。例如,确定应用领域,定位数据挖掘问题类型;选择与解决问题类型相配的数据挖掘技术。将这些关键点分析综合并确定后,再进行阶段任务分配和过程实例的开发。根据数据挖掘任务的构成,数据挖掘模型一般由功能、数据和方法三部分组成,功能部分既在目标中体现又在结果中体现。根据数据挖掘技术特点在电信行业客户关系管理系统中的应用流程。见图1所示。

图1 数据挖掘技术在客户关系管理中应用流程图

1.确定挖掘目标

明确数据挖掘的业务目标是数据挖掘的第一步。挖掘对象的确定要充分了解电信领域的有关情况,熟悉电信企业客户背景知识。在客户关系管理中,客户流失管理就是要把流失客户的特征通过预测模型(分类模型)从大量的数据中挖掘出来,同时对于非流失客户要将具有较高相似度的客户聚类管理,从而针对不同类型的客户制定出相应的营销、服务措施。

2.数据准备

在数据挖掘过程中,数据准备是非常重要的一个阶段,数据挖掘的效率和准确度以及最终挖掘模式的有效性都受到数据准备的影响。在电信客户关系管理中,由于企业长期对于客户资料管理不够重视以及我国企业的数据仓库的建设大都处于起步阶段等原因造成企业的原始数据并不利于数据挖掘方案的实施,数据准备工作就显得尤为重要,数据集成、数据选择、数据预处理和数据转换是数据准备阶段的4个步骤。

3.数据挖掘模型的构造与应用

基于数据挖掘的电信客户关系管理系统设计,数据挖掘模型的选择是数据挖掘任务的应用开发基础环节。数据挖掘任务有大有小,问题及其要达到的目标各异,数据挖掘算法对数据集规模的要求,结果表现和应用形式也不尽相同,所以一定要结合特定的业务需求,设计有效实用的客户关系管理模型,有针对性的进行挖掘和分析,才能取得好的效果[3]。

4.数据挖掘结果的应用和评价

数据挖掘模型投入使用后,本阶段的主要任务就是根据最终用户的决策目的,对提取的知识进行分析,把最有价值的信息区分出来并提交给用户。同时,在应用和评价阶段,不仅要把知识以能被人理解的方式表达出来,还要对其有效性进行评价,如果不能满足用户要求,则应重复上述数据挖掘过程。

(二)基于数据挖掘技术的客户关系管理的系统设计

1.系统总体结构设计

基于数据挖掘电信客户关系管理系统包括以下几个组成部分:

(1)组成数据源。由关系型数据库作为源系统的组成数据源。

(2)构成知识库。在确定数据挖掘的目标以后,选取相应的数据挖掘算法对数据源中的数据进行分析,应用分类模型得到隐含在数据集中的知识,最后构成知识库。

(3)提供决策支持。将获取的隐含知识应用于客户关系服务,为市场营销和新业务的推广等方面提供决策支持。

(4)反馈和改进。对应用结果进行评价并反馈到数据挖掘过程,用于以后改进数据挖掘模型和相关算法。

以上结构见图2所示。

2.系统功能设计

电信客户关系管理系统从功能说,可以为决策者在客户特征和客户行为分析、市场营销、个性化服务等方面制定决策提供支持。

(1)分析不同客户特征和客户行为

图2 电信客户关系管理系统结构图

由于性别、年龄、职业等的不同,客户的行为也呈现多样性。譬如,运营商可以通过聚类分析得到三类用户:第一类客户尽管长途通话次数和网络通话次数较高,但是总的通话费用却较少。此类客户可能较多的是学生客户,较多的在优惠时段拨打长途和网络电话。从市场的角度来说,如果采取适当的营销手段,提高他们对数据业务的使用量,就有可能提高这一群体的利润水平;而且这个用户群在若干年之后,消费能力整体增强,如果采取措施提高他们对企业的忠诚度,将有利于企业的长远发展。

第二类客户尽管长途的通话量较少,但是总的通话费用却较高,因此,此类客户属于企业的“优质”客户,他们为公司贡献了绝大多数的利润。此类客户同样具有市场潜力,企业可以通过套餐业务和折扣优惠,来提高他们对长途业务的使用量,从而增加该群体的长途业务收入。

第三类客户属于大众型客户,与前两类客户相比,没有什么特殊的特征,其大多数指标都接近总体的平均值。对于此类客户,企业需要采用积极的市场策略,为他们提供更多的产品和服务。

三类不同的客户特征,三类不同的客户行为,三类不同的营销方案,为领导决策提供了支持。

(2)预测用户消费行为

图3 电信客户关系管理系统主要功能模块

不同的客户特征会有不同的客户行为,从大量的数据中,系统可以挖掘出规则库,预测哪些客户会使用某种产品,哪些客户会经常更改电话号码,由此,市场部门可以有针对性地进行宣传,有针对性地改善服务。

(3)分析呼叫数据

呼叫数据主要是指通话时间、长度和路由等等。分析呼叫数据就是主要使用神经网络和遗传算法的方法来规划和优化网络。分析呼叫数据可以考察各个地区话务量同人口变化,经济发展等因素的关系。

(4)提供个性化服务

提供个性化服务是通信运营商的追求之一。由于客户数量的巨大,个性化服务只能通过自动化的数据挖掘技术来实现。譬如防盗打服务——它就是通过数据挖掘技术首先获得某一个用户使用电话的规律,当这种规律突然发生改变时给用户警告。见图3所示。

3.系统数据结构设计

进行分析的客户数据主要来自企业数据库的以下3个关系表。

(1)客户基本情况表

客户的基本情况,主要字段见表1。

表1 客户基本情况表

(2)客户帐户表

客户的话费构成及其交纳情况,主要字段见表2。

表2 客户账户表

字段名称 字段描述欠费记录帐户余额是否欠费历史信用信用等级信用额度帐户状态

(3)客户通话记录表

客户的通话记录,主要字段见表3。

表3 客户通话记录表

4.系统技术架构设计

系统技术架构设计要保证具有良好的扩充性——一是硬件设备的扩充,二是软件系统的功能方面的扩充,并能兼容不同厂家的系统平台。这一系统结构的设计就是通过采用流行的三层系统体系结构——数据库服务器、应用服务器、浏览器,以及分布式技术来实现的。

系统将常用的分析工具模块、挖掘算法、模型以对象的形式构建,以通用的“插件”的形式插在分布式的“软总线”上,供不同分析主题的调用,这样,随着系统主题的不断扩充,算法与模型的不断丰富,系统的功能将不断增强,并且不会影响系统的整体结构。这种软总线的设计理念,大大提高了系统的扩充性能。见图4所示。

图4 三层的系统体系结构图

本系统将采用OLAP技术 (联机分析处理,on-ling analytical processing)展示数据挖掘的结果,OLAP具备多视图和动态视图的能力,为成功的数据挖掘奠定了坚实的基础。

除此以外,用户要经常与系统进行交互,选择合适的算法,持续进行系统的优化,而不能简单依靠数据挖掘系统自动地产生模式和知识。用户要经常进行评价和反馈,从这个意义上说,客户关系管理系统应当是以人为中心的过程,OLAP为交互式数据分析提供了很好的借鉴,为探测式数据挖掘做了充分而必要的准备。见图5所示。

图5 基于OLAP的系统结构图

本文仅以电信业为例,研究了基于挖掘技术的客户关系管理系统的构建问题,在其他行业,譬如银行业、商业、工业等行业也得到广泛的应用,其应用流程,总体结构,系统功能,数据结构和技术架构等也大同小异。

[1]庞里洋.CRM系统应用效果评价研究[D].成都:西南财经大学,2005.

[2]李春梅.数据挖掘与CRM在电信行业中的应用[J].电脑知识与技术,2008(3):393 -404.

[3]陈卫华,朱仲英.数据挖掘在CRM中的应用[J].微型电脑应用,2001(10):98-103.

猜你喜欢

客户关系数据挖掘管理系统
基于James的院内邮件管理系统的实现
润滑油行业大客户关系建立与维护策略探讨
关于客户关系管理的思考
探讨人工智能与数据挖掘发展趋势
基于LED联动显示的违停管理系统
八大策略增进客户关系
海盾压载水管理系统
基于并行计算的大数据挖掘在电网中的应用
一种基于Hadoop的大数据挖掘云服务及应用
基于RFID的仓储管理系统实现