1、引 言
　　经济的发展，导致商品极大丰富，市场竞争日益激烈，社会商品逐渐趋于同质化，品质不再是顾客消费选择的主要标准，更多的顾客看重的是商家能够为其提供何种服务，以及服务的质量和及时程度。于是企业之间的竞争方式逐渐由过去的以产品为中心转变为以客户为中心，很多企业认识到如何正确处理好与客户的关系是在竞争中成功的关键，客户关系管理CRM(Customer Relationship Management)便应运而生了。客户关系管理的任务就是对客户进行系统化的研究分析，找出与客户交互过程中的规律，以便提高客户的服务水平，形成一对一营销，从而提高客户忠诚度，并因此给企业带来更多的利润。
　　2、客户关系管理的系统结构
　　从宏观上CRM可以分为相互独立又紧密联系的三个部分：渠道层次的CRM、操作层次的CRM以及分析层次的CRM。渠道层次的CRM是指企业拥有多种与客户的沟通方式，运用CTI(Computer Telecommunication Integration)技术实现符种联络方式如计算机、网络与电话网的集成用以方便与客户的沟通。使企业可以方便地、有选择地处理客户的抱怨、及时响应客户的要求以及向客户发布各种信息。操作层次的CRM可以消除以往企业部门之间存在各自为战，信息互不相通的现象，帮助企业实现营销、销售、服务等业务环节的流程自动化，真正做到利用IT的手段提高企业的运作效率、降低运作成本的目的。分析层次的CRM主要是指运用数据挖掘技术分析客户数据从而对营销、销售、服务等业务部门提供决策支持。通过数据挖掘技术对客户需求进行深入分析可以满足企业对个体细分市场的客户关系管理需求。CRM的精髓在于如何运用数据挖掘技术建立好分析层次的CRM。
　　3、数据挖掘技术概述
　　数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的数据中提取隐含在其中的人们不知道但又潜在有用的信息和知识的过程。它融合了数据库、人工智能、机器学习和统计学等多学科的理论和技术。数据挖掘不是简单的对数据的查询，而是对数据进行更深入的计算、分析、推理，发现数据之间的关系，从而完成从大量业务数据到决策信息的转换。
　　3.1 数据挖掘的功能
　　◆特征描述
　　数据库一般存放着大量的细节数据。有时，用户希望用简洁的描述形式观察汇总的数据集，这种数据特征描述可以提供一类数据的概貌。此外用户可能希望方便、灵活地以不同的粒度和不同的维度描述数据。这种描述性的数据挖掘被称为特征描述。
　　◆关联规则分析
　　关联就是数据之间存在的隐含、重要的规律，关联分析试图找出这种规律性并把它转换为知识，为决策提供可靠的支持。关联分析可以分为简单关联、时序关联、因果关联等。
　　◆聚类
　　聚类是将物理或抽象对象的集合分组成为由类似的对象组成的多个簇的过程。由此而生成的簇是一组对象的集合，同一个簇中对象彼此相似，不同的簇中对象之间相差较多。目前较流行的几中技术是二划分方法、层次方法、基于密度的方法、基于网格的方法和基于模型的方法等。整个过程属于无指导的学习过程。
　　◆分类
　　分类的过程可以分为两步：第一步首先是建立训练数据集，其每个记录都带有一定的类别属性，然后运用一定的分类算法对训练数据集进行分析并构造分类器(分类规则)。第二步是利用已经建立的分类器对类别属性未知的记录进行预测。整个过程属于有指导的学习过程。
　　3.2 常用的数据挖掘算法
　　◆决策树方法
　　决策树是类似于流程图的树形结构，建立决策树时需要对节点进行多次循环递归测试，每次都会产生一定的测试分支，直到每个节点都属于同一个类或者没有可以测试的属性为止。典型算法有：CHAID；CART；ID3；PUBLIC等。
　　◆神经网络方法
　　神经网络方法从结构上模仿人的生物神经，不易理解，一般把它看做黑盒。训练一个神经网络需要很多的训练数据，而且很费时间，但是一旦训练完成。它可以很快的对新样本作出预测，可以用于分类、聚类等多种数据挖掘任务。
　　◆模糊集方法
　　是一种表达和处理不确定性问题的重要方法。数据库中存在许多的不确定性，模糊集方法利用不确定性使系统变得简单可处理。当输入精确性不高时，这是一种强有力的模型方法。
　　◆粗糙集方法
　　粗糙集基于给定训练数据内部的等价类的建立。形成等价类的所有数据样本是不加区分的。给定现实世界的数据，通常有些类不能被可用的属性区分。粗糙集可以用来近似地定义这种类。粗糙集可以用于分类也可以用于特征归约和相关分析。此外还有贝叶斯网络、最临近搜索和公式发现等方法。
　　4、CRM中数据挖掘的一般过程
　　CRM中数据挖掘的一般过程数据采集、数据预处理、数据挖掘、解释评价、知识形成等几点。其中涉及管理、技术等多方面的工作。
　　4.1 数据采集
　　是针对不同的业务运用领域，从数据库中提取不同任务相关数据的过程。如销售部门所关心的数据与售后服务部门肯定是有所区别。采集的数据不对或不完整将对数据挖掘的结果产生误导。
　　4.2 数据预处理
　　数据库中一般是平时工作产生的事务数据，一般是不够完整的，如存在空缺值、噪声数据、不一致性等缺陷，如果不进行预处理将对以后的挖掘产生很大的影响。
　　4.3 数据挖掘
　　运用一定的挖掘算法从目标数据中提取知识的过程。
　　4.4 解释评价
　　当数据挖掘结果出现后，需要对其结果进行解释与评价，以确保挖掘出的结果在实际运用中的准确性。
　　4.5 知识形成
　　将挖掘出的知识存如知识库以备使用。
　　5、数据挖掘技术在客户关系管理中的典型应用
　　5.1 客户获取
　　客户获取的传统方式一般是通过大量的媒体广告、散发传单等方式吸引新客户。这种方式涉及面过广不能做到有的放矢而且企业投入太大。数据挖掘技术可以从以往的市场活动中收集到的有用数据(主要是指潜在客户反应模式分类)建立起数据挖掘模型。企业因此能够了解真正的潜在客户的特征分类，从而在以后的市场活动中做到有的放矢而不是传统的凭经验的猜想。
　　5.2 客户细分
　　细分就是指将一个大的消费群体划分成为一个个细分群体的动作，同属一个细分群体的消费者彼此相似，而隶属于不同细分群体的消费者是被视为不同的。比如将数据库中的数据按照年龄的不同来组织存放这样一个简单的动作就是细分。细分可以让用户从比较高的层次上来观察数据库中的数据，细分可以让人们用不同的方法对待处于不同细分群中的客户。数据挖掘中的分类、聚类等技术可以让用户对数据库中的数据按类别、年龄、职业、地址、喜好等企业感兴趣的属性进行客户细分。客户细分是企业确定产品和服务的基础．也是建立客户一对一营销的基础。
　　5.3 客户赢利能力分析
　　就企业的客户而言，企业的绝大部分利润是来自于小部分的客户，而对于企业来说很难确定哪些客户是高利润回报，哪些客户是低利润回报甚至是负利润回报的。数据挖掘技术能帮助企业区分利润回报不同的客户。从而可以将资源更多的分配在高利润回报的客户身上以产生更大的利润，同时减少低或负利润回报客户的投入。为此，在数据挖掘之前，企业应该建立一套计算利润回报的优化目标方法。可以是简单的计算，如某客户身上产生的收入减去所有相应的支出，也可以是较复杂的公式。然后利用数据挖掘工具从交易记录中挖掘相应的知识。
　　5.4 客户的保持
　　随着行业中竞争愈来愈激烈，人们普遍认识到获得一个新客户的开支比保持一个老客户的开支要大得多。所以如何保持原来老的客户，不让他们流失就成为CRM的一个重要课题。在实际应用中，利用数据挖掘工具为已经流失的客户建立模型，然后利用这些模型可以预测出现有客户中将来可能流失的客户，企业就能研究这些客户的需求，并采取相应的措施防止其流失，从而达到保持客户的目的。
　　6、结束语
　　CRM进入我国已经多年，目前市面上也出现了相应的一些软件。但绝大多数都停留在操作的层面上。真正能运用数据挖掘技术建立分析型CRM的很少。随着企业的发展，企业数据库中已经积累了海量的数据，为数据挖掘奠定了良好的物质基础，采用数据挖掘的CRM是符合现代企业要求的高效的客户关系管理系统。

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。