资源描述
数据挖掘技术在电信行业CRM中应用研究内容摘要本文在介绍数据挖掘技术和客户关系管理概念的基础上,以电信行业为背景,介绍了将数据挖掘技术应用到客户关系管理中的流程和方法。关键词数据挖掘、客户关系管理、电信行业一、数据挖掘方法和技术在客户关系管理中的应用数据挖掘的任务主要是关联分析、聚类分析、分类、预测、时序模式和偏差分析等,根据数据挖掘所能够完成的任务,数据挖掘的技术可以应用到以客户为中心的企业决策分析和管理的各个不同领域和阶段。在客户关系管理中,它可以应用到以下几个方面:客户群体分类分析、客户盈利能力分析、客户背景分析、客户满意度分析、交叉销售、客户信用分析、客户流失分析、客户的获得与保持等。(一)、客户群体分类分析客户细分是指将一个大的消费群体划分成一个个细分群的动作,同属一个细分群的消费者彼此相似,而隶属于不同细分群的消费者是不同的。细分可以让一个用户从比较高的层次上来查看整个数据库中的数据,细分也使得人们可以用不同的方法对待处于不同细分中的客户。有多种方式可以在细分上运用数据挖掘,通常用来建立细分群的数据挖掘方法是决策树方法和聚类方法。首先,数据挖掘可以用来根据客户的预测行为来定义客户细分群。如决策树的叶节点可视为一个独立的客户细分群,每个叶节点由某些特定的客户特征定义,对所有符合这些特征的客户存在一些预测行为。数据挖掘可以把大量的客户分成不同的类,在每一个类里的客户具有相似的属性,而不同类里的客户的属性也不同。大多数公司一般将客户分为VIP客户、主要客户、普通客户和小客户4类。电信客户分类一般是按照业务类型进行分类,主要分为大客户和普通客户。大客户又主要包括两类:其一指客户范围大,不仅包括普通的消费者,还包括企业的分销商、经销商、批发商和代理商;其二指客户的价值大,不同的客户对企业的利润贡献差异很大,20%的大客户贡献了企业80%的利润,因此,企业必须要高度重视高价值客户以及具有高价值潜力的客户。在大客户营销战略中的大客户是指后者,是指公司所辖地域内使用产品量大或单位性质特殊的客户,主要包括经济大客户、重要客户、集团客户与战略客户等。(二)、客户盈利能力分析客户盈利能力分析是数据挖掘的基础。数据挖掘技术是通过帮助你理解和提高客户盈利能力来发挥作用的,它可以用来预测在不同的市场活动情况下客户盈利能力的变化,通过分析已经发生的事实来发现信息和预测未来。数据挖掘技术可以从客户的交易记录中发现一些行为模式,并用这些行为模式来预测客户盈利能力的高低,但首先必须要设定一种计算客户盈利能力的方法。数据挖掘技术还可以用来揭示客户的行为习惯和预测发现一些在不同情况下有相似行为的新客户。通过数据挖掘技术可以优化一个市场活动以确定哪些顾客对提供的产品和服务感兴趣。(三)、交叉销售现代企业和客户之间的关系是经常变动的,一旦一个人或一个团体成为企业的客户,就要竭力使这种客户关系趋于完善,需要对现有的客户进行交叉销售。交叉销售是建立在双赢原则上的,对客户来讲,要得到更多更好满足需求的服务且从中受益,对企业来讲,也会因销售额的增长而获益。数据挖掘可以帮助企业分析出最优的合理的销售匹配。交叉销售就是指向现有的客户提供新的产品和服务的营销过程,那些购买了某种产品和服务的客户很有可能同时购买你能提供的某些他感兴趣的相关产品和服务,数据挖掘技术可以帮助企业发现这种行为模式并从中获利。交叉销售还有一种形式就是“升级销售”,即向客户提供与他们已购买的服务相关的增值服务。例如,电信公司向已经使用标准长途电话服务的客户推销优质长途电话服务。使用数据挖掘技术进行交叉营销分析一般是从分析现有客户的购买行为数据开始,将每个单项产品销售分析进行叠加,形成多项产品的交叉营销分析。首先收集关于现有客户消费习惯的数据,然后对这些数据进行挖掘,对所有的客户提供最合适的产品和服务。对交叉营销做分析时,具体的数据挖掘过程包括:对个体行为进行建模;用预测模型对数据进行评分; 对得分矩阵进行最优化处理。建模过程时用数据挖掘的一些算法对数据进行分析,然后产生一些数学模型,这些模型用来对客户将来的行为进行预测分析。在交叉营销分析中,需要对每一种交叉营销的情况都要建立一个模型。在这些交叉营销分析模型建好以后,每一个模型都可以用来分析新的客户数据以预测这些客户将来的行为。评分过程就是计算这些数学模型的结果,评分过程的结果就是产生一个得分矩阵,矩阵的每一行代表一位顾客,每一列代表一种交叉销售的情况。最后一步就是对这个得分矩阵进行最优化处理,即对每一位顾客选出最适合的几种服务方案。使用数据挖掘技术建立预测模型可以帮助找出客户最适合的服务种类,来进行针对性的营销活动。在交叉销售中通常采用的数据挖掘算法是关联规则。(四)、客户的保持随着行业的竞争越来越激烈和获得一个新客户的开支越来越大,保持原有客户的工作也越来越有价值。保留一个客户的时间越长,收回你在这个客户身上所花的初期投资和获取费用的时间越长,你从客户身上获得的利润就越多。随着获得新客户的费用与保留客户的费用比在逐年升高,这样的效果也逐年明显,尤其电信业在获取新客户的时候的费用是非常高的。但是由于各种因素的不确定性和市场的不断增长以及一些竞争对手为新客户提供比你更多的额外优惠条件,很多客户为了求得更低的费用,不断的从你这里转向另一个服务商。客户从一个服务商转向到另一个服务商的行为称为客户转移。为了分析出是哪些主要因素导致客户转移并可以有针对性的挽留那些有离开倾向的客户,企业可以通过使用数据挖掘技术,建立客户转移倾向的预测模型,挖掘出具有高风险转移可能性并具有较高商业价值的客户,在这些客户转移到同行业其它服务商那里之前,采取相应的商业活动措施来保持住这些有价值的客户,这个过程就叫做客户的保持。由于客户保持预测模型是全局市场策略的一部分,如何使用预测工具将对实施预测模型带来的效益产生重要的影响。因此选择的数据挖掘技术要使企业能够对客户进行细分并且能够对客户流失的原因有比较清晰的了解。在这样的要求下,分类回归决策树CART和数据挖掘技术中的一些其它决策树如CHAID和C4.5都可以很好的运用在这类现实环境中。从两个方面分析电信企业客户保持的重要性,从电信企业所处的外部环境来看,客户保持是进行市场竞争的需要。在社会经济发展,科技进步的影响之下,我国的电信市场逐渐扩大,电信业务的需求量不断增长。大量新运营商不断进入电信市场,更激发了市场竞争的激烈程度。随着电信市场垄断局面的打破,市场上的厂商获利由垄断时期的高额利润降至市场平均利润水平。在这种情况下,客户保持的重要性就在竞争中凸现出来。从电信运营商的角度来看,客户保持是企业生存发展的需要。通过一组数据表明:发展一位新客户的成本是挽留一个老客户的4倍;客户忠诚度下降5%,则企业利润下降25%;向新客户推销产品的成功率是15%,而向现有客户推销产品的成功率是50%;如果将每年的客户关系保持率增加5个百分点,可能使利润增长85%;向新客户进行推销的花费是向现有客户推销花费的6倍;如果公司对服务过失给予快速关注,70%对服务不满的客户还会继续与其进行商业合作; 60%的新客户来自现有客户的推荐;一个对服务不满的客户会将他的不满经历告诉其他810 个人,而一位满意的客户则会将他的满意经历告诉23人。以上数据充分说明,客户是目前商业活动的中心,衡量一个企业是否成功的标准将不再仅仅是企业的投资收益率和市场份额, 而是该企业的客户保持率,客户份额及客户资产收益率等指标。可见,客户保持的价值体现在增加企业的盈利、降低企业的成本以及提高企业的信誉度、美誉度等方面。近年来电信体制的激烈变革和竞争的加剧使电信企业忙于开拓市场、发展客户,对客户保持重视不够。从而导致企业一方面投入大量时间、人力、财力去发展新客户,另一方面因客户保持工作的不完善导致现有客户不满意而发生流失,这种情况对企业危害极大。面对当前的市场状况。电信企业必须摒弃那种“狗熊掰棒子”式的市场开拓方式,在发展新客户的同时,着手进行客户保持的研究,以有效的客户关系管理来提高客户的保持力,支持企业经济效益的不断增长。(五)、客户的获取数据挖掘技术可以帮助企业完成对潜在客户的筛选工作,市场人员把由数据挖掘技术得出的潜在客户名单和这些客户感兴趣的优惠措施系统地结合起来。数据挖掘技术在发展新客户策略中的应用是围绕数据开展的,用获得的客户数据建立一个预测模型,然后根据模型预测获得最优价值的潜在客户信息。客户的获取包括发现那些对你的产品不了解的顾客,它们可能是你的产品的潜在消费者,也可能是以前接受你的竞争对手服务的顾客,其中有些客户可能以前是你的客户。通过数据挖掘技术来获取新客户首先必须收集一份潜在客户名单。在潜在客户名单上列出哪些可能对你的产品或服务感兴趣的消费者的信息。这些信息应不仅包括客户的基本信息还应包括消费者消费行为的大量信息如个体的兴趣、消费习惯、消费倾向和消费需求等。通过各种数据源来收集这些信息,如果没能收集到足够的数据,那么就需要通过一次小规模的实验活动来收集分析用的数据。在挑选实验活动的对象时,不仅要从潜在客户名单中选取一些客户,还要随机选取一些与潜在客户名单上顾客属性特征不同的客户作为实验对象。这样可以为将来的数据挖掘提供足够有价值的信息。二、客户数据挖掘主题对照数据挖掘研究的4类问题:关联、分类、预测、聚类,客户数据挖掘主题也可按此4类来划分。(一)、关联问题横向关联:是挖掘表面看似独立的事件间的相互关系,例如“90%的顾客在一次购买活动中购买商品A的同时购买商品B”之类的知识。比如经典的“尿布和啤酒”的故事,就是利用这种方法,发现二者之间有很高的相关系数,引起重视,然后深入分析后才找出内在原因的。次序关联:这种分析的侧重点在于分析事件的前后序列关系,发现诸如“在购买A商品后,一段时间里顾客会接着购买商品B,而后购买商品C”的知识,形成一个客户行为的 “ABC”模式。比如一个顾客在买了电脑之后,就很有可能购买打印机、扫描仪等配件。关联问题研究客户各项属性特征的相互关系以及交叉销售等问题,同时也研究客户实体和其它实体的关系。电信业比较典型的关联问题有交叉销售、套餐选择问题、业务相互影响等问题。(二)、预测问题客户预测问题是预测客户的行为变化或消费等属性变化。客户典型的行为变化有流失、 增加、通话行为变化、消费行为变化、客户信息变化、和其它行为变化。比较典型的预测问题有客户流失/大客户离网、潜在大客户预测、客户级别变动、客户发展、市场效果预测等。(三)、分类问题分类分析就是通过分析样本客户数据库中的数据,为每个类别做出准确的描述或建立分析模型或挖掘出分类规则,然后用这个分类规则对其它客户的记录进行分类。比如电信公司根据客户的消费记录,把客户分成大客户和普通客户,并标记数据库中的每个记录。有了这样的挖掘结果,客户服务部门就知道一个新的客户的潜在价值,在客户服务投入上就心中有底。(四)、聚类问题聚类是分类的逆向方法。聚类把没有分类的记录,在不知道应分成几类的情况下,按照数据内在的差异性大小,合理地划分成几类,并确定每个记录所属类别。它采用的分类规则是按统计学的聚类分析方法决定的。客户聚类问题是对客户特征的研究,典型的聚类问题有客户特征分析、消费模型和异常客户分析等。三、数据挖掘技术对客户管理管理的影响和作用在CRM中应用数据挖掘,第一步是要理解数据挖掘所要解决的具体业务问题;第二步根据问题准备相应的数据,并对数据进行预处理;第三步是选择挖掘的模型,比如是用关联规则还是聚类等等;第四步是用训练集数据训练和评估挖掘模型的效果。一旦评估可以达到一定满意程度,该模型就得到确定,演变为一个固定的业务应用模型。这个业务应用模型就可以套用于实际的业务处理,从而完成一个闭环的挖掘过程。当业务发生了变化或者有新的需求产生时,数据挖掘就在另外一个层次上重复这个循环过程。循环过程如图4.1所示。图4.1 数据挖掘应用循环过程在CRM中应用数据挖掘,可以在以下方面对CRM提供支持:(一)、为决策提供依据企业运营过程中的各种信息都是通过数据反映出来的,通过对这些数据的分析,可以发现企业运营过程中的规律,从而对企业的生产活动、市场活动等提供科学指导意义。CRM目前解决了企业与外部市场进行信息接入的问题,产生大量数据通过报表等统计方法,只能得到一般意义上的信息反映。而通过数据挖掘技术,可以发现许多深层的、手工无法发现的规律,帮助企业在激烈的竞争环境中获胜。(二)、为用户提供针对性服务通过数据挖掘技术,可以根据客户的消费行为进行分类,找出该类客户的消费特征,然后提供更具个性化的服务,从而改进企业的服务水平,提高企业的社会效益和经济效益。(三)、提高企业决策的科学性目前,企业的决策具有很大的盲目性,如果采用数据挖掘技术,就可以在自己的生产过程中产生的数据基础上,进行科学分析,得出比较科学的预测结果,减少决策失误。通过数据挖掘技术,可以让企业的决策回归到自己的业务中,得到更实际的判断。(四)、增值作用数据挖掘在CRM中会有很多种应用,而且有些应用可以帮助简化管理运营,有的则可以提供一些业务关联性的数据,帮助企业更好地开展业务,实现增值。(五)、简化管理企业运营管理被人们提到前所未有的高度,一个企业即使建的很好,技术也很先进,但是如果管理不好,优势仍然发挥不出来。数据挖掘能帮助简化管理:1、预测业务量,安排人工在企业中,业务量是个重要的指标,企业要根据业务量的大小,安排人员的数量,但是业务量是个变化的指标,以往比较难以预测。通过数据挖掘中的时间序列分析,可以对业务量的情况进行一定程度的预测,就可以更合理的安排人员的数量,在不降低效率的基础上,降低企业的运营成本。2、进行关联分析,降低运营成本通过数据挖掘中关联分析,可以进行业务的相关性分析,分析出哪几种业务具有比较强的关联性。这样,在安排人员时,就可以将两种或更多的业务人员进行一定程度的合并,减少人员数量,降低经营成本。四、数据挖掘技术在电信客户关系管理中的应用(一)、数据挖掘技术在电信CRM中主要应用领域电信运营商拥有许多成熟的数据库应用系统,产生了大量的业务处理数据。如果针对客户关系管理相关决策分析的需求,对这些数据进行重组整合,就能充分利用这些宝贵的数据,体现信息的真正价值。目前电信CRM的数据挖掘应用主要涉及以下几个方面:1、客户消费模式分析客户消费模式分析是对客户历年来长话、市话、信息台的大量详单、数据以及客户档案资料等相关数据进行关联分析,结合客户的分类,可以从消费能力、消费习惯、消费周期等诸方面对客户的话费行为进行分析和预测,从而为运营商的相关经营决策提供依据。2、业务预测分析通过对历史数据的分析,找出影响业务发展的因素,然后对这些因素的未来发展作出预计,从而大致地确定未来业务量,作为制订发展计划的重要依据。3、客户欠费分析和动态防欺诈通过数据挖掘,总结各种骗费、欠费行为的内在规律,并建立一套欺诈和欠费行为的规则库。当客户的话费行为与该库中规则吻合时,系统可以提示运营商相关部门采取措施,从而降低运营商的损失风险。4、客户流失分析根据已有的客户流失数据,建立客户属性、服务属性、客户消费情况等数据与客户流失概率相关联的数学模型,找出这些数据之间的关系,并给出明确的数学模型。然后根据此模型来监控客户流失的可能性,如果客户流失的可能性过高,则通过促销等手段来提高客户忠诚度,防止客户流失的发生。这就彻底改变了以往电信运营商在成功获得客户以后无法监控客户流失的状况。5、大客户特征识别大客户群体是电信企业利润的主要来源,也是电信企业之间相互争夺的焦点。识别出大客户,制订针对性的措施,提高大客户的忠诚度,是电信企业保持竞争优势的关键所在。不仅能够根据现有消费量的多少来判断用户是否为大客户,还应该根据现有大客户的资料提取出大客户的特征,并发现潜在的大客户。6、网络资源的管理通信网在运行过程中产生了大量的运行数据。对这些数据进行挖掘,有利于尽早发现潜在的网络故障,提高网络的利用率。(二)、数据挖掘的应用实例客户流失分析一个完整的数据挖掘过程可进一步细分为业务问题定义、数据选择、数据清洗和预处理、模型选择与预建立、模型建立与调整、模型的评估与检验、模型解释与应用。1、业务问题定义针对客户流失的不同种类分别定义业务问题,进而区别处理。在客户流失分析中有两个核心变量:财务原因/非财务原因、主动流失/被动流失。客户流失可以相应分为四种类型,其中非财务原因主动流失的客户往往是高价值的客户,他们会正常支付服务费用,并容易对市场活动有所响应,这种客户是企业真正需要保住的客户。此外在分析客户流失时必须区分集团/个人客户,以及不同消费水平的客户,并有针对性地制定不同的流失标准。例如,平均月消费额1500元的客户连续几个月消费额降低到300元以下,就可以认为客户流失发生了,而这个流失标准不适用于原来平均月消费额400元的客户。国外成熟的应用中通常根据相对指标来判别客户流失,例如大众的个人通信费用约占总收入的1%3%,当客户的个人通信费用远低于此比例时,就认为发生了客户流失。2、数据选择数据选择包括目标变量的选择、输入变量的选择和建模数据的选择。a)目标变量的选择客户流失分析的目标变量通常为客户流失状态。根据业务问题的定义,可以选择一个已知量或多个已知量的组合作为目标变量。实际的客户流失形式有因账户取消发生的流失和因账户休眠发生的流失两种。对于因账户取消发生的流失,目标变量可以直接选取客户的账户状态(取消或正常);对于因账户休眠发生的流失,可以认为持续休眠超过一定时间长度的客户发生了流失。这时需要对相关的具体问题加以考虑:持续休眠的时间长度定义为多少?每月通话金额低于多少即认为处于休眠状态,或者是综合考虑通话金额、通话时长和通话次数来划定休眠标准?选择目标变量时面临的这些问题需要业务人员给予明确的回答。b)输入变量的选择输入变量是模型中的自变量,在建模过程中需要寻找自变量与目标变量的关联。输入变量分为静态数据和动态数据。静态数据指不常变化的数据,包括服务合同属性(如服务类型、 服务时间、交费类型)和客户的基本资料;动态数据指频繁或定期改变的数据,如月消费金额、交费记录、消费特征。业务人员在实际业务活动中可能会感觉到输入变量与目标变量的内在联系,只是无法量化表示出来,这就给数据挖掘留下了发挥的空间。如果一时无法确定某种数据是否与客户流失概率有关联,应该暂时将其选入模型,并在后续步骤考察各变量分布情况和相关性时再行取舍。c)建模数据的选择客户流失的方式有两种。第一种是客户的自然消亡,例如身故、破产、迁徙、移民而导致客户不再存在,或者由于客户服务的升级造成特定服务的目标客户消失。第二种是客户的转移流失,通常指客户转移到竞争对手,并使用其服务。第二种流失的客户才是运营商真正关心的、具有挽留价值的客户。因此在选择建模数据时必须选择第二种流失客户数据参与建模,才能建立有效的模型。3、数据清洗和预处理数据清洗和预处理是建模前的数据准备工作,一方面保证建模数据的正确性和有效性, 另一方面通过对数据格式和内容的调整,使数据更符合建模的需要。数据整理的主要工作包括对数据的转换和整合、抽样、随机化、缺失值处理等。例如按比例抽取未流失客户和已流失客户,将这两类数据合并,构成建模的数据源。此外,模型在建立之后需要大量的数据来进行检验,因此通常把样本数据分为两部分,2/3的数据用于建模,1/3的数据用于模型的检验和修正。4、模型选择与预建立在模型建立之前,可以利用数据挖掘工具的相关性比较功能,找出每一个输入变量和客户流失概率的相关性,删除相关性较小的变量,从而可以缩短建模时间,降低模型复杂度,有时还能使模型更精确。现有的数据挖掘工具提供了决策树、神经网络、近邻学习、回归、关联、聚类、贝叶斯判别等多种建模方法。可以分别使用其中的多种方法预先建立多个模型, 然后对这些模型进行优劣比较,从而挑选出最适合客户流失分析的建模方法。5、模型建立与调整模型建立与调整是数据挖掘过程中的核心部分,通常由数据分析专家完成。需要指出的是,不同的商业问题和不同的数据分布属性会影响模型建立与调整的策略,而且在建模过程中还会使用多种近似算法来简化模型的优化过程。因此还需要业务专家参与调整策略的制定,以避免不适当的优化造成业务信息丢失。6、模型的评估与检验应该利用未参与建模的数据进行模型的评估,才能得到准确的结果。检验的方法是使用模型对已知客户状态的数据进行预测,将预测值与实际客户状态作比较,预测正确率最高的模型是最优模型。7、模型解释与应用业务人员应该针对最优模型进行合理的解释。如发现开户时长与客户流失概率的相关度较高,利用业务知识可以解释为:客户在使用一定年限后需要换领新SIM卡,而这一手续的繁琐导致客户宁愿申请新号码,从而造成客户流失。通过对模型做出合理的业务解释,可以找出一些潜在的规律,用于指导业务行为。反过来,通过业务解释也能证明数学模型的合理性和有效性。在模型应用过程中,可以先选择一个试点实施应用,试点期间随时注意模型应用的收益情况。一旦发生异常偏差,则立即停止应用,并对模型进行修正。试点结束后,若模型被证明应用良好,可以考虑大范围推广。推广时应注意,由于地区差异,模型不能完全照搬。可以先由集团总部建立一个通用模型,各分公司在此基础上利用本地数据进行修正,从而得到适用于本地的精确模型。在模型应用一段时期,或经济环境发生重大变化后,模型的偏差可能会增大,这时应该考虑重新建立一个适用性更强的模型。参考文献1王尔平,崔宝灵.数据挖掘技术在电信CRM中的应用.管理科学.2003.102韩起云,李静.数据挖掘技术在电信企业CRM中的应用.重庆教育学院学报.2007.53郭军华,王静.浅析数据挖掘技术在CRM中的应用.商场现代化.2006.24方向,肖晓飞.数据仓库和数据挖掘技术在CRM中的应用研究.太原科技.2008.(2)5宋艳,张炎欣. 数据挖掘技术在CRM中的应用.企业导报.2009.(4)6张喆,常桂然,黄小原. 数据挖掘技术在CRM中的应用.中国管理科学.2003.27田红生. 数据挖掘在CRM中的应用.中国经济时报.2002.7.26
展开阅读全文