论文部分内容阅读
摘 要：大数据又称巨量资料，由以图像、日志、音像、网页等纷繁复杂的数据类型所构成。大数据以其4V为主要特征：一是，海量的数据规模（Volume）；二是，快速的数据流转和动态的数据体系（Velocity）；三是，多样的数据类型（Variety）；四是，巨大的数据价值（Value）。大数据处理的核心技术是数据挖掘，数据挖掘是指从大量的数据中抽取出潜在的、不为人知的有用信息、依托一定的模型预测趋势来为我们的决策提供依据。其广泛应用于从商业科技到医疗、政府、教育、经济、人文以及社会生活的各个领域。
关键词：数据；关系管理；应用
1数据挖掘的背景
1989年8月在美国底特律召开的第11届国际人工智能联合会议的专题讨论会上首次提出了数据库中的知识发现这个术语；1995—1998年KDD国际会议对此进行了进一步的讨论；近年来，数据挖掘在PAKDD、PKDD、DaWaK等国际会议中日益成为人们热议的话题。
2硬件技术支持
计算机技术经历的四代发展：一是，电子管计算机：它采用18000多个电子管为基本元件，体积大，功耗高，运算速度慢，每秒只能运算几千次，只是应用在导弹、原子弹等国防技术尖端项目中的科学领域中；二是，晶体管线路：这一代计算机采用晶体管基本元件，体积与功耗比第一代有所缩小和降低，运算速度可以达到每秒十几万至几十万次。除了用作科学计算、数据处理外，也开始用于事务管理。使用计算机的也不再限于军队、政府和科研机构；三是，采用集成电路的IBM360系统：体积和功耗进一步缩小和降低，运算速度达每秒几百万至几千万次。计算机软件系统基本形成；四是，大规模集成电路计算机：这一代计算机体积和功耗继续缩小和降低，运算速度迅速提高到每秒以亿次计。计算机软件丰富，计算机应用领域和范围都大幅度增加，并和通讯相结合，开始出现了计算机网络化。
3社会需求
近年来，随着互联网、物联网、云计算、等IT与通信技术的迅猛发展，数据库越来越大，数据信息越来越多成为了许多行业共同面对的严峻挑战和宝贵机遇，如何将杂乱无序的海量数据转化为有用的信息为科学决策提供依据成为了人们关注的焦点，数据挖掘便成为满足这一需求的实现手段之一。
4浅析应用
数据挖掘是通过分析每个数据，从大量数据中寻找其规律的技术，由以下三个阶段组成：一是，数据准备；二是，数据挖掘；三是，结果表达和解释。数据准备是从相关的数据源中选取所需的数据并整合成用于数据挖掘的数据集；数据挖掘是用某种方法将数据集所含的规律找出来；结果表达和解释是尽可能以用户可理解的方式（如可视化）将找出的规律表示出来。
数据挖掘技术从开始就是面向应用的，诸如金融，市场，临床、交通等各个领域。它所能解决的典型商业问题包括：数据库营销、客户群体划分、背景分析、交叉销售等市场分析行为，以及客户流失性分析、客户信用记分、欺诈发现等。本文将就客户关系管理在数据挖掘中的应用进行简要分析
4.1数据挖掘在客户分类中的应用
客户分类是将客户分成不同类型的过程，是使企业能够有效进行客户关系管理的基础。对客户分类有助于针对不同类型的客户进行客户分析，从而制定个性化的服务策略。
传统客户划分的方法是基于简单的行为特征和属性特征。实际上大多数客户对象并没有严格的属性，这些对象在性态类属方面存在着连续性，一般需采用聚类分析的方法。
聚类分析是一种用数学方法通过自然聚集的方式定量地确定属性和状态的亲疏关系，从而客观地分析别的多元分析方法。在客户聚类分析之前并不知道客户可以分为哪几类，将数据聚类以后，对每个簇中的数据进行分析，归纳出相同簇中客户的相似性或共性，以此确定客户的类别。
4.2数据挖掘在客户识别和客户保留中的应用
4.2.1数据挖掘在客户识别中的应用
识别客户是企业发现潜在客户、获取新客户的过程，对于新客户或潜在客户，企业可以通过商业客户数据库或市场调查来获取这些客户的基本信息。得到这些客户信息以后，企业根据客户对企业产品或服务的不同反应建立数据挖掘预测模型，找到对产品最感兴趣的客户群，根据潜在客户的信息分析出最可能的潜在客户，这样就可以有针对性地制定营销及服务策略。
4.2.2数据挖掘在客户保留中的作用
客户保留是留住老客户，防止客户流失的过程。对企业来说，获取一个新客户比保留一个老客户的成本高的多。在当前的商业竞争环境下，客户保留也成为企业面临的一个重要难题。
在客户保留过程中，企业可以运用关联分析和序列模型分析等方法进行决策分析。对已经流失的客户进行数据分析，找到流失客户的行为模式，分析客户流失的原因。根据已经流失的客户的特点，预测现有客户中有流失倾向的客户。对于这些客户企业应该及时调整服务策略，针对用户分类时得到的特点采取相应的措施挽留客户。
4.3数据挖掘在客户忠诚度分析中的应用
客户忠诚度是提高企业客户关系管理中的一个重大目标。企业获得一个忠诚客户将会大幅降低成本，同时提高企业的竞争实力。
在客户忠诚度分析中，一般采用时间序列模型中的趋势分析方法，对客户持久性、牢固性和稳定性进行分析，通过数据分析和预测结果判断客户的持久性、牢固性和稳定性，继而确定客户的忠诚度。
4.4数据挖掘在客户赢利率分析中的应用
客户盈利率是一个定量评价客户价值的指标。数据挖掘技术在客户赢利率分析中的应用主要体现在分析。企业可以运用数据挖掘技术预测在不同的市场竞争环境和市场活动环境下客户赢利率的变化，目的是找到最合适的市场环境，使企业的客户赢利达到最大值。
4.5数据挖掘在个性化营销中的应用
个性化营销是面向客户的营销，也是客户关系管理的重要组成部分。个性化营销是在客户分类的基础上进行的。针对不同类型的客户，企业可以采取不同的营销策略，有针对性的个性化营销可以降低广告宣传成本，有效提高营销效果。
交叉销售也是个性化营销的一种形式，企业可以运用序列模型分析的方法，对客户备选产品进行数据挖掘，根据数据挖掘的结果有针对性地进行营销。
通过对客户关系管理中数据挖掘的应用可以看出，在客户关系管理中的很多方面都会用到数据挖掘技术。可见，数据挖掘技术的正确应用对客户关系管理系统功能的全面实现具有重要的意义。
5结束语
随着数据挖掘技术的迅猛发展，基于此的客户关系管理（CRM）应用迈向一个新的台阶。掌握并利用好大数据，是当代企业提高核心竞争力的重要手段。通过科学的谋划大数据战略，采用客户分类、个性化营销等方式来提高营销的针对性，为客户提供更优质的服务，实现用户和客户双赢。
参考文献：
[1]栾港《客户关系管理与应用》2015北京人民邮电出版社
[2]李志刚《客户关系管理理论与应用》2011北京机械工业出版社
（作者单位：河南郑州华北水利水电大学）
关键词：数据；关系管理；应用
1数据挖掘的背景
1989年8月在美国底特律召开的第11届国际人工智能联合会议的专题讨论会上首次提出了数据库中的知识发现这个术语；1995—1998年KDD国际会议对此进行了进一步的讨论；近年来，数据挖掘在PAKDD、PKDD、DaWaK等国际会议中日益成为人们热议的话题。
2硬件技术支持
计算机技术经历的四代发展：一是，电子管计算机：它采用18000多个电子管为基本元件，体积大，功耗高，运算速度慢，每秒只能运算几千次，只是应用在导弹、原子弹等国防技术尖端项目中的科学领域中；二是，晶体管线路：这一代计算机采用晶体管基本元件，体积与功耗比第一代有所缩小和降低，运算速度可以达到每秒十几万至几十万次。除了用作科学计算、数据处理外，也开始用于事务管理。使用计算机的也不再限于军队、政府和科研机构；三是，采用集成电路的IBM360系统：体积和功耗进一步缩小和降低，运算速度达每秒几百万至几千万次。计算机软件系统基本形成；四是，大规模集成电路计算机：这一代计算机体积和功耗继续缩小和降低，运算速度迅速提高到每秒以亿次计。计算机软件丰富，计算机应用领域和范围都大幅度增加，并和通讯相结合，开始出现了计算机网络化。
3社会需求
近年来，随着互联网、物联网、云计算、等IT与通信技术的迅猛发展，数据库越来越大，数据信息越来越多成为了许多行业共同面对的严峻挑战和宝贵机遇，如何将杂乱无序的海量数据转化为有用的信息为科学决策提供依据成为了人们关注的焦点，数据挖掘便成为满足这一需求的实现手段之一。
4浅析应用
数据挖掘是通过分析每个数据，从大量数据中寻找其规律的技术，由以下三个阶段组成：一是，数据准备；二是，数据挖掘；三是，结果表达和解释。数据准备是从相关的数据源中选取所需的数据并整合成用于数据挖掘的数据集；数据挖掘是用某种方法将数据集所含的规律找出来；结果表达和解释是尽可能以用户可理解的方式（如可视化）将找出的规律表示出来。
数据挖掘技术从开始就是面向应用的，诸如金融，市场，临床、交通等各个领域。它所能解决的典型商业问题包括：数据库营销、客户群体划分、背景分析、交叉销售等市场分析行为，以及客户流失性分析、客户信用记分、欺诈发现等。本文将就客户关系管理在数据挖掘中的应用进行简要分析
4.1数据挖掘在客户分类中的应用
客户分类是将客户分成不同类型的过程，是使企业能够有效进行客户关系管理的基础。对客户分类有助于针对不同类型的客户进行客户分析，从而制定个性化的服务策略。
传统客户划分的方法是基于简单的行为特征和属性特征。实际上大多数客户对象并没有严格的属性，这些对象在性态类属方面存在着连续性，一般需采用聚类分析的方法。
聚类分析是一种用数学方法通过自然聚集的方式定量地确定属性和状态的亲疏关系，从而客观地分析别的多元分析方法。在客户聚类分析之前并不知道客户可以分为哪几类，将数据聚类以后，对每个簇中的数据进行分析，归纳出相同簇中客户的相似性或共性，以此确定客户的类别。
4.2数据挖掘在客户识别和客户保留中的应用
4.2.1数据挖掘在客户识别中的应用
识别客户是企业发现潜在客户、获取新客户的过程，对于新客户或潜在客户，企业可以通过商业客户数据库或市场调查来获取这些客户的基本信息。得到这些客户信息以后，企业根据客户对企业产品或服务的不同反应建立数据挖掘预测模型，找到对产品最感兴趣的客户群，根据潜在客户的信息分析出最可能的潜在客户，这样就可以有针对性地制定营销及服务策略。
4.2.2数据挖掘在客户保留中的作用
客户保留是留住老客户，防止客户流失的过程。对企业来说，获取一个新客户比保留一个老客户的成本高的多。在当前的商业竞争环境下，客户保留也成为企业面临的一个重要难题。
在客户保留过程中，企业可以运用关联分析和序列模型分析等方法进行决策分析。对已经流失的客户进行数据分析，找到流失客户的行为模式，分析客户流失的原因。根据已经流失的客户的特点，预测现有客户中有流失倾向的客户。对于这些客户企业应该及时调整服务策略，针对用户分类时得到的特点采取相应的措施挽留客户。
4.3数据挖掘在客户忠诚度分析中的应用
客户忠诚度是提高企业客户关系管理中的一个重大目标。企业获得一个忠诚客户将会大幅降低成本，同时提高企业的竞争实力。
在客户忠诚度分析中，一般采用时间序列模型中的趋势分析方法，对客户持久性、牢固性和稳定性进行分析，通过数据分析和预测结果判断客户的持久性、牢固性和稳定性，继而确定客户的忠诚度。
4.4数据挖掘在客户赢利率分析中的应用
客户盈利率是一个定量评价客户价值的指标。数据挖掘技术在客户赢利率分析中的应用主要体现在分析。企业可以运用数据挖掘技术预测在不同的市场竞争环境和市场活动环境下客户赢利率的变化，目的是找到最合适的市场环境，使企业的客户赢利达到最大值。
4.5数据挖掘在个性化营销中的应用
个性化营销是面向客户的营销，也是客户关系管理的重要组成部分。个性化营销是在客户分类的基础上进行的。针对不同类型的客户，企业可以采取不同的营销策略，有针对性的个性化营销可以降低广告宣传成本，有效提高营销效果。
交叉销售也是个性化营销的一种形式，企业可以运用序列模型分析的方法，对客户备选产品进行数据挖掘，根据数据挖掘的结果有针对性地进行营销。
通过对客户关系管理中数据挖掘的应用可以看出，在客户关系管理中的很多方面都会用到数据挖掘技术。可见，数据挖掘技术的正确应用对客户关系管理系统功能的全面实现具有重要的意义。
5结束语
随着数据挖掘技术的迅猛发展，基于此的客户关系管理（CRM）应用迈向一个新的台阶。掌握并利用好大数据，是当代企业提高核心竞争力的重要手段。通过科学的谋划大数据战略，采用客户分类、个性化营销等方式来提高营销的针对性，为客户提供更优质的服务，实现用户和客户双赢。
参考文献：
[1]栾港《客户关系管理与应用》2015北京人民邮电出版社
[2]李志刚《客户关系管理理论与应用》2011北京机械工业出版社
（作者单位：河南郑州华北水利水电大学）