随着市场的日益成熟和竞争的日益激烈，“以产品为中心”的商务模式逐渐向“以客户为中心”的模式转变，客户关系管理(CRM)的理念已深入人心，CRM系统的应用也日益普遍。但目前CRM主要应用在金融、电信、零售等信息化程度较高的服务型行业，而制造业中CRM应用还不够普及，且大多是销售管理、呼叫中心等操作型和协作型CRM系统，而分析型CRM系统的应用还很少。这对于当前知识密集型的制造业来说是远远不够的，主要体现在：1)缺乏最大限度的将专家知识和专业经验嵌入到产品与服务中去的能力，也就是缺乏实现知识与技术商品化的能力;2)难以使企业和客户建立更密切的关系，从而使企业更好地理解和服务于客户需求并及时识别具有共同利益的商业机会，从事交易活动;3)缺乏对客户信息的分析，不能针对客户反馈信息进行及时准确的经营决策。

　　基于数据挖掘方法的分析型CRM能针对制造型企业的业务特征，帮助企业解决这些问题。数据挖掘是一种具有智能性的信息技术，它能从海量数据中用自动或半自动的方法获取知识，用以辅助和支持决策。制造企业在生产经营过程中积累了大量的客户数据，其中蕴含着丰富的信息和知识。数据挖掘可以帮助制造企业通过对客户数据的分析，掌握客户消费模式，了解客户需求，对客户进行细分，并在此基础上，为客户提供个性化产品和服务，获取潜在客户，维持已有客户，促进客户消费，对市场进行合理规划，从而提高企业竞争力，增加企业效益。

　　群体智能是受到群居昆虫群体和其它动物群体集体行为的启发而产生的算法和解决方案。在群体智能中组成群体的是结构简单的独立个体，通过个体间及个体和环境间的简单交互，最终体现为群体行为。单一的一个客户数据与群体智能中的个体类似，本身结构简单，不能提供有效的客户模式，但多个近似的客户数据所体现出来的客户模式，则反映了该客户群的群体特征。因此本文在客户关系管理中采用自行研究和改进的基于群体智能思想的数据挖掘方法。

　　制造业中的数据挖掘应用目前主要集中在设备管理、质量管理、库存管理等方面，制造企业客户关系管理中对数据挖掘技术的应用还刚刚起步，虽然在某些业务领域有所应用，但还未有系统的、全面的应用研究。在此，本文作者对制造业客户关系管理中数据挖掘应用的各个业务领域进行系统的研究，提出业务应用、评价指标以及数据挖掘功能间的映射关系，采用本文作者研究改进的基于群体智能思想的数据挖掘方法，建立了系统的应用于分析型CRM的数据挖掘应用体系。

　　1 客户关系管理与数据挖掘功能映射

　　数据挖掘可为大量制造型企业的业务需求提供答案，包括：区分客户特征，针对不同客户群体采取相应的营销策略;预测哪些客户可能会流失，如何留住他们;评价客户真实价值。对不同价值的客户群体采取不同策略;利用客户信息判断新的商业机会，进一步拓展企业业务;寻找可为其开发新型产品的客户群，促进客户消费;确定交叉销售和纵深销售的候选客户，有针对性地进行促销活动等。

　　本文将上述问题归纳为制造业客户关系管理的5个业务应用领域，分别是：客户细分、客户流失预测、客户价值分析、交叉销售和纵深销售，客户转移模式分析。每一个应用领域中用相应的评价指标作为标准，使用相应的数据挖掘功能来实现。业务应用、评价指标以及数据挖掘功能间的映射关系如图1所示。

　　图1 业务应用、评价指标、数据挖掘功能映射关系

　　2 制造业客户关系管理数据挖掘应用体系

　　上述各个应用领域之间并非是彼此孤立的，而是相互关联的，只分析其中的某一方面，不能形成完整的客户关系管理体系，无法为企业提供全面的决策支持。而且，各应用领域中所涉及的评价指标在分析过程中还会有交叉应用。因此在上面给出的业务应用、评价指标以及数据挖掘功能间的映射关系基础上，提出了制造业客户关系管理中的数据挖掘应用体系，如图2所示。

　　图2 制造业客户关系管理中的数据挖掘应用体系

　　2.1 客户细分模块

　　客户细分是用数据挖掘方法发现客户共同特征，将客户划分为若干客户群的过程。客户细分使制造企业能够了解客户群体特征，有针对性地制定市场营销策略，同时也是获取新客户的基础，可以针对客户特征采取有效的促销方式。客户细分模块以客户交易数据、促销记录数据和客户人口统计数据作为输入。其中人口统计数据往往不易收集或不准确，因此，只作为辅助变量。

　　客户细分模块使用数据挖掘聚类方法对输入数据进行分析处理。本文采用自行研究改进的基于蚁群聚类思想的数据挖掘算法——Ant-Cluster算法。该方法与常用的k-平均算法相比，不用事先指定聚类数，且没有对初始聚类中心选择的依赖性，能够更为有效地划分客户群体。

　　对聚类结果的评估与解释是客户细分的关键步骤。通过分析各客户群中的各个属性的取值分布情况，并与整个客户数据集该属性的取值分布情况对比，得出不同客户群的特征。通过对聚类结果的解释得到客户细分模块输出的各客户群特征，可以帮助制造企业针对不同的客户群体，采取相应的市场营销策略。

　　2.2 客户流失预测模块

　　由于市场日趋饱和，制造企业竞争日益激烈，获取新客户的成本比留住原有客户的成本高得多，对客户流失进行预测并采取有效措施留住客户成为制造企业面临的重要问题。客户流失预测模块输入的数据样本，如果从所有数据中随机抽取样本作为数据集，将影响预测效果。因此只针对某类客户，如制造企业某类型产品的客户，进行流失预测，这样预测的针对性更强，效果会更好。

　　客户流失预测模块采用数据挖掘中的分类方法。客户流失预测模块的输出分为两种形式：一种是规则形式，另一种是客户忠诚度。规则形式可解释性好，能使业务人员易于理解，辅助业务人员采取相应的措施预防客户流失。本文采用自行研究改进的基于蚁群优化算法的分类算法——ACO-Classifier算法，可以得到预测准确度更高、更为简洁、便于理解的分类规则。

　　客户忠诚度作为客户流失预测模块的另一种输出形式，用神经网络方法获得。用样本数据集作为输入，经过训练和测试得到一个预测客户流失的神经网络模型，它输出的结果是客户的流失概率T。则忠诚度工可表示为：L=1-T。根据实际应用的经验，给出一个忠诚度阈值λ，当L<λ时则认为该客户可能流失，并根据客户特征采取相应措施。

　　此外，在客户流失预测中还涉及到客户满意度，但需要注意的是，满意并不代表忠诚。满意度通常是通过市场调查得出的，它并不能直接预测客户是否会流失，只有忠诚度才能较准确地反映客户流失的可能性。但满意度可以作为对可能流失客户采取相应措施的依据，例如忠诚度低、满意度高的客户，应该是企业挽留的重点。

　　2.3 客户价值分析模块

　　正确地评估客户的真正价值，可以使制造企业在基于客户的市场活动中采取主动和适当的策略，维持已有客户，发掘潜在客户，促进客户消费。客户价值并不等同于客户生命周期价值，因为通常所说的客户生命周期价值并未考虑客户的信用风险，即客户的流失可能性。这里所说的客户价值加入客户信用风险的因素，包括三个方面：当前价值、潜在价值以及客户信用风险。客户价值V表示为如下函数：

　　V=f(c，p，r)

　　式中：当前价值c代表客户对企业过去的贡献，用客户给企业带来的收入来衡量：客户信用风险r代表客户的流失可能性，用客户满意度及忠诚度来衡量;潜在价值p代表客户对企业未来的贡献，用客户的“活跃程度”来衡量。客户活跃程度定义为最近某段时间内客户的单位时间平均消费额。

　　根据如上定义，计算出客户价值后，客户价值分析模块采用上述的Ant-Cluster聚类方法，使用当前价值c、潜在价值p以及客户信用风险r，3个属性作为聚类的依据，对客户价值进行分析。最后的聚类结果分布于以c，p和r为坐标的三维坐标系中，如图3所示。

　　图3 客户价值分析聚类结果

　　对聚类结果的评估和解释与客户细分中的方法类似，可以得出分布于不同卦限的客户群的特征。针对不同卦限中的客户群，采取相应的措施。例如第五卦限中的客户群5，其当前价值与潜在价值较高，但其客户忠诚度低，客户信用风险大，因此可以对其采取优惠策略、加强客户关怀等措施，以增加其客户忠诚度。

　　2.4 交叉销售和纵深销售模块

　　制造企业客户关系管理的一个重要方面就要促进客户消费，使客户为企业带来更大的价值，这就要依靠企业对客户的交叉销售和纵深销售来实现。交叉销售是指向合适的客户群推销相关产品或服务，纵深销售是指向台适的客户群追加销售价值更大的同种产品或服务。

　　交叉销售和纵深销售模块的输入是交易数据和促销记录数据，采用数据挖掘中的关联分析方法进行分析。关联分析能够发现给定数据集中某些频繁地一起出现的属性，值之间的关联规则，因此，可以用于客户交叉销售和纵深销售分析。具体采用的关联分析方法是Apriori算法。用该算法来发现客户所购买的产品和服务间的关联规则，以指导交叉销售和纵深销售策略。交叉销售和纵深销售模块的输出是客户响应度，用Apriori算法中得到的规则最小置信度作为客户响应度。

　　2.5 客户转移模式分析模块

　　由于市场环境处于不断的变化之中，客户的需求和选择也在不断的改变，因此就产生了客户转移模式的概念。所谓客户转移模式，是指客户消费模式的改变及其变化规律。客户转移模式分析的任务，就是发现客户消费模式的改变，揭示其中的变化规律，得出变化产生的原因，用于辅助企业决策者做出正确的市场营销策略。

　　客户转移模式分析模块以两个不同时间段的客户数据集作为输入，首先生成各自所对应的规则集，然后采用基于蚁群优化算法的数据挖掘方法，发现两个规则集所包含的规则以及其所覆盖的客户的变化规律。

　　客户转移模式分析的结果可以在以下两方面为企业提供决策支持。一方面，企业决策者根据市场的变化情况，制定了相应的市场策略，可以根据分析结果预测客户在新的市场策略下的客户转移模式;另一方面，根据分析客户在两个不同时期的客户转移模式，发现其中的规律和原因，从而制定新的相应的市场策略。

　　3 应用举例

　　下面通过一个例子来说明数据挖掘应用体系在制造企业客户关系管理中的应用过程。本文选取了一组某汽车制造企业客户数据集作为应用体系的输入，该数据集共包含客户数据66144条，所用到的属性如表1所示。

　　表1 数据属性列表

　　试验平台采用的是自主开发的基于群体智能的数据挖掘软件系统SIMiner，计算机CPU主频2.4 GHz，内存512 MB。系统的应用过程如下：

　　1)数据准备过程。首先对数据进行填充空缺值、数据离散化等预处理，然后根据不同模块对输入数据的要求，分别对相应数据进行整理，选择所需的属性，选取合适的数据子集。例如客户流失预测模块输入的是某类产品的客户数据，则根据要分析的产品类型，从数据库中选取需要的样本，

　　2)数据挖掘模块分析处理过程。将准备好的数据分别输入数据挖掘应用体系中相应的分析处理模块，运行该模块中的数据挖掘算法，得到所需的模型。例如应用客户流失预测模块中的ACO-Classifier算法，对某车型客户数据集进行客户流失分析，输出如图4所表示的规则集。

　　图4 客户流失分析规则集

　　3)结果的评估和解释过程。对数据挖掘结果的评估和解释是应用过程中的关键步骤，从中可以获得可理解的规则和知识，用于指导企业决策。例如对客户细分的结果进行评估和解释，分析各客户群中的各个属性的取值分布情况，并与整个客户数据集该属性的取值分布情况对比，得出不同客户群的特征，即客户交易模式，用以指导市场营销策略。

　　图5所示为采用Ant-Cluster算法，对客户进行细分的结果。图6和7所示为对其中某客户群成交次数属性的分析。从图7可以看出，该客户群中超过80%的客户成交次数都在3次以上，与图6所示的整个数据集在该属性的取值分布不同，说明成交次数较高是该客户群的一个特征。可根据该客户群的这一特征，采取相应的市场营销策略，例如对该客户群采取交叉销售的措施，促进其进一步消费，或者对与该客户群的其他属性特征相似的客户采取促销措施，以增加其成交次数。

　　图5 客户细分聚类结果

　　图6 整个客户数据集成交次数分布情况

　　图7 某客户群成交次数分布情况

　　上述数据挖掘应用体系在制造企业客户关系管理中的应用过程，说明了该体系能够分析处理制造企业客户关系管理的多个应用领域，并得到相应的客户评价指标，很好地体现了业务应用、评价指标以及数据挖掘功能间的映射关系，能够对制造企业的市场决策提供全面的支持。

　　4 结论与展望

　　本文对制造业客户关系管理中的数据挖掘应用进行了系统的分析，提出了业务应用、评价指标以及数据挖掘功能间的映射关系，研究了数据挖掘在客户细分、客户流失预测、客户价值分析、交叉销售和纵深销售、客户转移模式分析等5个制造企业业务领域的应用。数据挖掘在各个业务领域中的应用不是孤立的，而是相互联系的。例如，客户细分是客户获取的基础，可以为客户获取提供客户特征;客户价值分析中也要利用客户细分、客户流失分析的结果，同时客户价值分析在某种程度上来说也是一种以客户价值为标准的客户细分;客户细分也可以为交叉销售和纵深销售提供一定的依据。根据这些应用间的相互联系，采用基于群体智能思想的数据挖掘方法，建立了一个系统的制造企业客户关系管理中的数据挖掘应用体系。

　　从广义上说，制造企业中的客户类型很多，不但有最终消费者，还包括上游的供应商、企业内部员工、下游的分销商，甚至包括竞争对手。因此，在今后的研究中，需要将商机分析、竞争对手分析、市场分析等也纳入到整个应用体系中，更好地为制造企业提供决策支持。

免责声明：本网站（http://www.ciotimes.com/）内容主要来自原创、合作媒体供稿和第三方投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
本网站刊载的所有内容（包括但不仅限文字、图片、LOGO、音频、视频、软件、程序等）版权归原作者所有。任何单位或个人认为本网站中的内容可能涉嫌侵犯其知识产权或存在不实内容时，请及时通知本站，予以删除。