论文部分内容阅读
一、前言
数据挖掘(Data Mining，简称DM)，简单地讲就是从大量数据中挖掘或抽取出知识。数据挖掘概念的定义描述有若干版本，一个普遍被采用的定义是“数据挖掘，又称为数据库知识发现(Knowledge Discovery from Database，简称KDD)，它是一个从大量数据中抽取挖掘出未知的、有价值的模式或规律等知识的复杂过程。根据不同的标准，数据挖掘系统可以有不同的分类，其中根据发现的知识类型分类是一种主流方法，即根据数据挖掘的功能，如关联分析、聚类分析和孤立点分析等。随着信息技术的飞速发展，各企业都相应的建立相应的信息系统，数据库应用的规模、范围和深度不断扩大，积累了大量的数据，这为数据挖掘提供了坚实的基础。当前，数据挖掘技术不管在理论上还是技术上都日趋成熟，数据挖掘已用于电信、商业、客户关系管理等方面。
客户忠诚度是客户关系管理（Customer Relationship Management，CRM）中的重要概念，也是客户关系好坏的重要衡量指标。客户忠诚的营销实践之父弗雷得里克·莱奇荷德（Frederick F·Reichheld）在他的“忠誠效应”（The Loyalty Effects）一书指出忠诚的客户对企业具有下列好处：
维持一个现有的客户比要获得一个新的客户成本低得多；
一个老客户比新客户有更低的企业运营成本；
一个客户与企业的关系时间越长，就会购买更多的企业的产品；
一个现有的客户会向其他潜在客户免费的宣传企业的产品；
忠诚的客户比他客户更可能承受企业产品的涨价而不离企业而去。
与顾客关系时间越长，价值优势越明显，顾客向他人引荐的要会越大，成本节约越大，收益每年都回稳增长，基本利润逐年增加，而争取顾客的成本却逐年下降。因而，当前越来越多的企业开始注重客户忠诚度的分析。
企业利用数据挖掘工具对企业海量数据进行分析，对客户进行细分，利用数据挖掘模型分析客户忠诚度，针对不同的客户企业可以采取不同的营销策略。
二、DM技术的应用
1.数据预处理
进行数据挖掘时首先要对数据进行分析，OLTP中的数据往往是杂乱的，不论DM的目标是进行客户的细分，还是对客户满意度的分析，还是对客户忠诚度分析等，数据预处理以相关的知识为指导，用相关数据模型来重组OLTP中的数据，清除与DM目标无关的属性，提供“干净”、准确、精简的数据，以提高挖掘质量和效率。
2.数据挖掘常用算法
常用的算法有：决策树（Decision Tree）决策算法、神经网络（Neural Network）、遗传算法（Genetic Algorithms）、粗糙集方法、模糊集方法等。
3.数据挖掘常用的分析方法
(1)分类和预测方法。是两种数据分析形式，可以用于提取描述重要数据类的模型或预测未来的数据趋势。
(2)聚类分析。聚类是将数据对象分组成为多个类或簇（Cluster），在同一个簇中的对象之间具有较高的相似度，而不同簇中的对象差别较大。
(3)关联规则。关联规则挖掘给定数据集中项之间的有趣联系。
(4)序列模式。序列模式分析和关联规则分析类似，也是为了挖掘数据项之间的联系，不过序列模式分析是数据项在时间维上的先后序列关系。
(5)孤立点分析。孤立点是度量错误或固有的数据变异性的结果。
三、DM在分析客户忠诚度的应用
1.判断客户忠诚度
判断客户是否忠诚可从以下四个方面观察：
(1)忠诚的客户会经常反复地购买你的产品或雇佣你的服务，甚至可以定量分析出他们的购买频度。
(2)忠诚的客户在购买你的产品或雇佣你的服务时，选择呈多样性，因为是你的产品或服务，他们乐意购买，他们信任你，支持你，也较其他客户更关注你所提供的新产品或新服务。
(3)忠诚的客户乐于向他人推荐你的产品，而且调查显示，被推荐者相对于其他客户会更亲近于你，更忠诚于你。
(4)忠诚的客户会排斥你的竞争对手，只要忠诚的纽带未被子打破，他们甚至不屑胜你一筹的对手。
2.客户细分
管理实践表明，企业80%的利润往往来自于其20%的客户。因此，区分这两类客户，保持和发展这20%的最大利润客户对企业来说就显得尤为重要。事实上企业的客户可以按不同的标准进行多种划分，而客户关系管理的一个重要功能是通过对客户行为的理解，达到识别客户和区分客户的目的。
3.确定数据挖掘模型
在现在的市场营销学领域，客户忠诚度的概念已经是家喻户晓。但是在研究客户忠诚度时，遇到的一个最大问题就是如何评估客户忠诚度，并在评估结果的基础上进一步制定、调整产品策略等等。在许多的评估客户忠诚度，往往采用销售业绩方面和客户评价方面的指标，这些指标是忠诚度的直接反映或表现，但是对于这种表现的真实内涵和变化原因往往不好了解，只是作为经验、猜测或是直接的评价结论来理解。这样对制定和调整改善客户忠诚度的市场营销策略往往产生不了应有的效果。
2000年，Gronhodlt、Martensen和Kristensen提出的客户忠诚度的衡量因素有：顾客购买的意愿、交叉购买意原、价格容忍度，以及推荐意原。但这无法满足CRM软件的要求。
在国内外有许多人提出不同的评估客户忠诚度的计算模型。国外主要的模型如：
式中：Lj表示客户j的忠诚度；
Cvj表示客户j的客户让渡价值；
Wji表示客户j对第i个客户让渡价值指标的重要评分；
Si表示第i个客户让渡价值指标的差分量；
n表示指标观测的客户让渡价值差评估指标的总个数。
四、结束语
企业利用数据挖掘工具对企业海量数据进行分析，对客户进行细分，利用数据挖掘模型分析客户忠诚度。识别客户的购买行为特征，发现客户购买模式和趋势，提高客户的购买效率和服务质量，提升客户的忠诚度，从而达到提升客户层次、保持有价值客户的目的。
数据挖掘(Data Mining，简称DM)，简单地讲就是从大量数据中挖掘或抽取出知识。数据挖掘概念的定义描述有若干版本，一个普遍被采用的定义是“数据挖掘，又称为数据库知识发现(Knowledge Discovery from Database，简称KDD)，它是一个从大量数据中抽取挖掘出未知的、有价值的模式或规律等知识的复杂过程。根据不同的标准，数据挖掘系统可以有不同的分类，其中根据发现的知识类型分类是一种主流方法，即根据数据挖掘的功能，如关联分析、聚类分析和孤立点分析等。随着信息技术的飞速发展，各企业都相应的建立相应的信息系统，数据库应用的规模、范围和深度不断扩大，积累了大量的数据，这为数据挖掘提供了坚实的基础。当前，数据挖掘技术不管在理论上还是技术上都日趋成熟，数据挖掘已用于电信、商业、客户关系管理等方面。
客户忠诚度是客户关系管理（Customer Relationship Management，CRM）中的重要概念，也是客户关系好坏的重要衡量指标。客户忠诚的营销实践之父弗雷得里克·莱奇荷德（Frederick F·Reichheld）在他的“忠誠效应”（The Loyalty Effects）一书指出忠诚的客户对企业具有下列好处：
维持一个现有的客户比要获得一个新的客户成本低得多；
一个老客户比新客户有更低的企业运营成本；
一个客户与企业的关系时间越长，就会购买更多的企业的产品；
一个现有的客户会向其他潜在客户免费的宣传企业的产品；
忠诚的客户比他客户更可能承受企业产品的涨价而不离企业而去。
与顾客关系时间越长，价值优势越明显，顾客向他人引荐的要会越大，成本节约越大，收益每年都回稳增长，基本利润逐年增加，而争取顾客的成本却逐年下降。因而，当前越来越多的企业开始注重客户忠诚度的分析。
企业利用数据挖掘工具对企业海量数据进行分析，对客户进行细分，利用数据挖掘模型分析客户忠诚度，针对不同的客户企业可以采取不同的营销策略。
二、DM技术的应用
1.数据预处理
进行数据挖掘时首先要对数据进行分析，OLTP中的数据往往是杂乱的，不论DM的目标是进行客户的细分，还是对客户满意度的分析，还是对客户忠诚度分析等，数据预处理以相关的知识为指导，用相关数据模型来重组OLTP中的数据，清除与DM目标无关的属性，提供“干净”、准确、精简的数据，以提高挖掘质量和效率。
2.数据挖掘常用算法
常用的算法有：决策树（Decision Tree）决策算法、神经网络（Neural Network）、遗传算法（Genetic Algorithms）、粗糙集方法、模糊集方法等。
3.数据挖掘常用的分析方法
(1)分类和预测方法。是两种数据分析形式，可以用于提取描述重要数据类的模型或预测未来的数据趋势。
(2)聚类分析。聚类是将数据对象分组成为多个类或簇（Cluster），在同一个簇中的对象之间具有较高的相似度，而不同簇中的对象差别较大。
(3)关联规则。关联规则挖掘给定数据集中项之间的有趣联系。
(4)序列模式。序列模式分析和关联规则分析类似，也是为了挖掘数据项之间的联系，不过序列模式分析是数据项在时间维上的先后序列关系。
(5)孤立点分析。孤立点是度量错误或固有的数据变异性的结果。
三、DM在分析客户忠诚度的应用
1.判断客户忠诚度
判断客户是否忠诚可从以下四个方面观察：
(1)忠诚的客户会经常反复地购买你的产品或雇佣你的服务，甚至可以定量分析出他们的购买频度。
(2)忠诚的客户在购买你的产品或雇佣你的服务时，选择呈多样性，因为是你的产品或服务，他们乐意购买，他们信任你，支持你，也较其他客户更关注你所提供的新产品或新服务。
(3)忠诚的客户乐于向他人推荐你的产品，而且调查显示，被推荐者相对于其他客户会更亲近于你，更忠诚于你。
(4)忠诚的客户会排斥你的竞争对手，只要忠诚的纽带未被子打破，他们甚至不屑胜你一筹的对手。
2.客户细分
管理实践表明，企业80%的利润往往来自于其20%的客户。因此，区分这两类客户，保持和发展这20%的最大利润客户对企业来说就显得尤为重要。事实上企业的客户可以按不同的标准进行多种划分，而客户关系管理的一个重要功能是通过对客户行为的理解，达到识别客户和区分客户的目的。
3.确定数据挖掘模型
在现在的市场营销学领域，客户忠诚度的概念已经是家喻户晓。但是在研究客户忠诚度时，遇到的一个最大问题就是如何评估客户忠诚度，并在评估结果的基础上进一步制定、调整产品策略等等。在许多的评估客户忠诚度，往往采用销售业绩方面和客户评价方面的指标，这些指标是忠诚度的直接反映或表现，但是对于这种表现的真实内涵和变化原因往往不好了解，只是作为经验、猜测或是直接的评价结论来理解。这样对制定和调整改善客户忠诚度的市场营销策略往往产生不了应有的效果。
2000年，Gronhodlt、Martensen和Kristensen提出的客户忠诚度的衡量因素有：顾客购买的意愿、交叉购买意原、价格容忍度，以及推荐意原。但这无法满足CRM软件的要求。
在国内外有许多人提出不同的评估客户忠诚度的计算模型。国外主要的模型如：
式中：Lj表示客户j的忠诚度；
Cvj表示客户j的客户让渡价值；
Wji表示客户j对第i个客户让渡价值指标的重要评分；
Si表示第i个客户让渡价值指标的差分量；
n表示指标观测的客户让渡价值差评估指标的总个数。
四、结束语
企业利用数据挖掘工具对企业海量数据进行分析，对客户进行细分，利用数据挖掘模型分析客户忠诚度。识别客户的购买行为特征，发现客户购买模式和趋势，提高客户的购买效率和服务质量，提升客户的忠诚度，从而达到提升客户层次、保持有价值客户的目的。