引言

　　随着经济全球化进程的加速，企业面临的竞争愈来愈激烈，越来越多的企业认识到，客户对企业的忠诚不仅来自于企业提供的商品，而且来自于服务等非实体性因素。借助先进的信息技术发现潜在的新客户以及保持并改善与老客户的关系已成为企业的迫切需求。针对每个客户的不同要求，提供更为个性化的系列服务也已成为企业生存的根本法则。然而现实中企业的资源总是有限的，不可能平等细致地研究每一个顾客的所有要求，所以企业必须通过数据挖掘技术将客户进行分类，使企业更加准确地为目标客户提供全面和优质的服务，同时通过改善业务流程降低企业运营成本，从而整体上提高企业的市场竞争力。

　　1 CRM的体系结构

　　CRM即“客户关系管理”，是以信息技术为手段，以为更多的客户提供服务为目标，对企业和客户之间的交互活动进行管理。

　　1.1 CRM的目标

　　CRM一方面通过提供更快速和周到的优质服务吸引并保持更多的客户;另一方面通过对业务流程的全面管理来减低企业的成本。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。据国际CRM论坛的统计，国际上成功的CRM实施，能给相应的企业每年带来6%的市场份额增长，提高9%～10%的基本服务收费。

　　1.2 CRM的组成

　　CRM一般由业务操作子系统，客户合作子系统和数据分析子系统3个部分组成。

　　(1)业务操作子系统主要是借助IT技术，通过营销流程、销售流程和服务流程等业务流程的制定与管理，让企业在进行销售、营销和服务时，采用最佳方法取得最佳效果。最后将经营活动中产生的数据和信息记录到数据库中。

　　(2)客户合作子系统用于对客户和企业进行交互方式的管理。它是一种整合的企业与客户互动的渠道，企业与客户联系的渠道包括电子邮件、呼叫中心、客服中心、网站和电子社区等，其目的是提升企业与客户的沟通能力，强化服务的质量与时效性。

　　(3)数据分析子系统是CRM中的核心部分，它强调对各种数据的分析，并从中得到有价值的信息。它通过客户合作子系统和业务操作子系统等不同渠道收集各种与客户接触的资料，经过汇总、整理等数据处理，通过线上分析(OLAP)、数据挖掘(Data Mining)等智能技术，帮助企业全面了解客户的分类、行为、满意度、需求等信息，以寻找企业的潜在市场和预测可能的风险，最后将分析结果反馈给业务操作子系统和客户合作系统。

　　2 数据挖掘定义和分析方法

　　数据挖掘也称数据开采，数据采掘等。一种比较公认的定义是W·J·Frawley，G·Piatetsk Shapiro等人提出的：数据挖掘就是从大型数据库的数据中提取人们感兴趣的知识。这些知识是隐含的、事先未知的潜在有用信息，提取的知识表示为概念、规则、规律和模式等形式。这个定义把数据挖掘的对象定义为数据库。目前更广义的说法是：数据挖掘意味着在一些事实或观察数据的集合中寻找模式的决策支持过程。数据挖掘的对象不仅是数据库，也可以是文件系统，或其他任何组织在一起的数据集合。

　　2.1 数据挖掘分析方法

　　数据挖掘分析方法大致包括关联规则分析、序列模式分析、聚类分析、分类分析。

　　(1)关联规则分析即通过对记录数据的分析研究产生关联规则，继而利用关联规则挖掘隐藏在数据间的相互关系，它能发现数据库中譬如“90%的顾客在一次购买活动中购买商品A的同时是否购买商品B”之类的知识。

　　(2)序列模式分析基本上与关联规则分析相同，但它的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，然后购买商品C，即序列A、B、C出现的频率”之类的知识。

　　(3)聚类分析是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，把相似的记录在一个集合里。它能够发现数据库中譬如“哪些顾客购买了A商品，他们有着什么样的共性”之类的知识。

　　(4)分类分析即通过分析示例数据库中的训练集，建立分类模型和挖掘出分类规则，然后用这个分类规则对其他数据库中的记录进行分类。它解决的问题基本上与聚类分析相同，但由于有训练集可供反复验证，因此结果更加准确可靠。在现实问题中，企业基本上都有着大量的历史记录数据可供使用，而且CRM中普遍存在着客户分类问题，所以分类分析方法是数据挖掘技术应用于CRM时最经常使用的方法。

　　2.2 数据挖掘在CRM中的应用

　　由于CRM的应用能够提高企业效率，提升客户的忠诚度、节省运营开支和增加营业收入，所以越来越多的企业开始建立CRM系统。根据International Data Corporation(国际数据公司)2002年的调查结果显示，全球CRM市场以每年平均18.6%的速度增长，到2008年达到114亿美元。然而随着CRM系统中数据库技术的迅速发展以及业务操作流程自动化的广泛应用，企业积累了越来越多的数据。巨增的数据背后蕴藏着丰富的知识，而目前的数据库技术虽可以高效地实现数据的查询、统计等功能，却无法发现数据中存在的关系和规则，无法根据现有的数据来预测未来的发展趋势，从而出现了“数据爆炸而知识贫乏”的现象。

　　数据挖掘技术融合了数据库、人工智能、机器学习、统计学等多个领域的理论和技术，能够找出过去数据之间的潜在联系，从而对将来的趋势和行为进行预测和指导，进而很好地支持人们的决策。此外根据“马特莱法则”：给一个公司带来80%利润的是20%的客户。按照这个原则，如果能把这20%的客户找出来，提供更好的服务，对于公司的发展和业绩的增长无疑是最大的帮助。

　　根据2008年第四季度全球PC厂商市场份额报告，诞生于1984年的戴尔计算机公司全球名列第二。短短20多年的时间，就获得如此巨大的成功，这与戴尔公司自成立开始便采用的区分客户群中的不同客户、寻找出有较高的企业价值的客户的思想是密不可分的。戴尔公司通过对每个客户的平均收益、较高利润产品或服务的使用百分比、销售或订单的趋势(升或降)以及客户支持或服务的成本等方式来评估客户的长期价值。根据客户对企业的价值的不同将其分在不同类别的组内，同一组内的客户对企业有相同或相似的价值。将客户由高到低依次划分为白金客户、签约客户、注册客户和普通客户四类。对不同的客户提供不同级别的服务，客户的级别越高，将获得越为完善和个性化的服务。

　　在当前迅速变化的商业环境下，企业经营者们都认为，谁能掌握客户的需求趋势、加强与客户的关系、有效分析挖掘客户数据和正确预测客户服务发展方向，谁就能获得市场竞争优势，在激烈的竞争中立于不败之地。由此可见，在CRM中应用数据挖掘技术是非常必要的。 2.3 数据挖掘在CRM中的实施

　　数据挖掘技术在CRM中的实施是一个循序渐进、循环反复和不断调整的动态过程，主要包括如下4个步骤。

　　(1)确定业务对象

　　要想使数据挖掘技术在CRM中起作用，企业首先要清楚地定义出业务中存在的现实问题。只有清晰地定义这些问题，企业才能够确定在CRM中应用数据挖掘技术的业务对象和所期望的商业目标，然后在此基础上开展数据的收集和预处理工作，形成对数据的初步认识，了解数据的分布状况，为建立预测模型打下基础。

　　(2)进行数据准备

　　数据准备是数据挖掘过程中非常重要的一步，数据的好坏直接影响到最后挖掘的结果。数据准备按以下步骤进行。①数据的收集：根据业务问题收集所有与业务对象有关的数据，企业需通过制定严格的业务操作流程和协调好各个相关部门来完成数据的收集工作，要能够及时和完整地从多种异构数据源中获得目标数据。②数据预处理：对客户数据进行清理，对所收集到的数据要验证其规范性、完整性、真实性和有效性，数据预处理是为进一步挖掘做好准备。③数据转换：将数据转换成元数据模型，该模型是针对数据的数据挖掘算法建立的，一个真正适合挖掘算法的元数据模型是数据挖掘成功的关键。

　　(3)建立数据挖掘模型

　　根据所要解决的业务问题和所收集的数据的属性确定要建立的模型类型。这一步是一个反复比较的过程，要综合考虑多方面的因素，在多种建模方案中做出选择，以求所建立的模型能够实现商业目标，解决业务问题。

　　(4)解释和评价模型

　　本阶段是将数据挖掘的结果用更为容易理解和执行的方式进行表述并对数据挖掘的质量进行评定。一般用两个指标进行评估，一个是支持度，用来验证结果的实用性;一个是可信度，用来验证结果的准确性。如果评估的结果不好则可能需要重新整合数据或重新修正原有的模型。

　　以上步骤是不断循环持续的动态过程，随着系统的不断扩展，客户数据的不断积累，先前建立的数据挖掘模型很可能不再有效，因此需要重新建立数据挖掘模型。同时，随着企业业务需求的变化，可能又会有新的数据挖掘应用，因此基于数据挖掘的CRM的实施应用不是一成不变的，而是随着数据和业务需求的发展而改变的。