聚類分析技術(shù)在CRM中的應(yīng)用研究

鄭州航空工業(yè)管理學(xué)院實(shí)驗(yàn)室管理處計(jì)算中心 王海燕 李曉玲

1 引言

客戶關(guān)系管理(CRM，Customer Relationship Management)，可以理解為應(yīng)用信息技術(shù)為企業(yè)提供全面的、個(gè)性化的客戶資料，從而使客戶與企業(yè)間所有的過(guò)程和互動(dòng)能夠有助于維系和拓展這種互利關(guān)系的一種商業(yè)戰(zhàn)略。其核心思想來(lái)自市場(chǎng)營(yíng)銷理論，強(qiáng)調(diào)以客戶為中心，通過(guò)完善的客戶服務(wù)和深入的客戶分析來(lái)滿足客戶的需求，不斷提高客戶的滿意度和忠誠(chéng)度，進(jìn)而實(shí)現(xiàn)客戶的終生價(jià)值。在過(guò)去的幾年CRM已經(jīng)變成每個(gè)企業(yè)獲得成功的重要部分。

而CRM的核心是客戶理解，“正確的客戶理解和由此引導(dǎo)的行動(dòng)可提高顧客的終身價(jià)值。不恰當(dāng)?shù)目蛻衾斫鈱?dǎo)致冒險(xiǎn)盲目的行動(dòng)和措施 ”。因此本文利用數(shù)據(jù)挖掘中的聚類技術(shù)對(duì)客戶進(jìn)行分析，理解客戶的分布和特征。

2 相關(guān)概念介紹

2.1 CRM與數(shù)據(jù)挖掘的關(guān)系

不同的數(shù)據(jù)挖掘工具可以從客戶數(shù)據(jù)庫(kù)抽取不同目的的信息，同時(shí)通過(guò)分析顧客的問(wèn)題來(lái)為企業(yè)吸引更多的客戶。在數(shù)據(jù)挖掘中最早和最簡(jiǎn)單的分析步驟是描述數(shù)據(jù)，例如，總結(jié)它的統(tǒng)計(jì)特征（例如平均值和標(biāo)準(zhǔn)差），用圖表和圖形可以形象地觀察，查看數(shù)據(jù)域內(nèi)值的分布情況。用數(shù)據(jù)挖掘技術(shù)中的關(guān)聯(lián)規(guī)則來(lái)詳細(xì)地分析客戶的交易數(shù)據(jù)，從中得知顧客同時(shí)會(huì)購(gòu)買哪些商品，基于規(guī)則可以組合流行產(chǎn)品，基于規(guī)則可以讓營(yíng)銷人員和企業(yè)決策者制定市場(chǎng)營(yíng)銷策略或操作規(guī)則，并且積極提供客戶感興趣的產(chǎn)品[1]。用數(shù)據(jù)挖掘中的聚類來(lái)為客戶進(jìn)行分群，將具有相似消費(fèi)行為的客戶歸為一組，理解客戶并提供相應(yīng)的個(gè)性化服務(wù)。數(shù)據(jù)挖掘中的分類可以用于客戶行為預(yù)測(cè)，挖掘潛在消費(fèi)人群，刺激其消費(fèi)。

2.2 聚類分析

聚類，顧名思義，即物以類聚，人以群分。所以聚類的定義為將物理的或抽象對(duì)象的集合分成相似的對(duì)象類的過(guò)程成為聚類（cl ust er ing）[2]。簇（cl ust er）是數(shù)據(jù)對(duì)象的集合，這些對(duì)象與同一個(gè)簇中的對(duì)象彼此相似，而與其他簇中的對(duì)象相異。簡(jiǎn)單地說(shuō)，從人類對(duì)這個(gè)社會(huì)具有認(rèn)知性開(kāi)始聚類活動(dòng)就一直存在，我們會(huì)通過(guò)不停地改進(jìn)下意識(shí)的聚類模式來(lái)學(xué)習(xí)如何識(shí)別蘋果和梨，通過(guò)尋找和區(qū)分對(duì)象所具有的特征來(lái)區(qū)植物和動(dòng)物等等。

聚類分析已經(jīng)廣泛應(yīng)用于圖像處理、模式識(shí)別、數(shù)據(jù)分析和市場(chǎng)研究等領(lǐng)域。在商業(yè)領(lǐng)域聚類能夠幫助市場(chǎng)分析人員根據(jù)顧客的購(gòu)買模式從客戶數(shù)據(jù)庫(kù)中發(fā)現(xiàn)不同的顧客群，總結(jié)顧客群的特征，就是我們所說(shuō)的“人以群分”，比如可以識(shí)別具有高水平索賠額的汽車保險(xiǎn)持有者組群，進(jìn)而提出具有針對(duì)性的市場(chǎng)營(yíng)銷策略。在生物領(lǐng)域，聚類分析可以用來(lái)推導(dǎo)不同物種的分類，根據(jù)相似功能對(duì)基因進(jìn)行分類，獲得對(duì)種群中固有結(jié)構(gòu)的認(rèn)識(shí)。

由聚類所用標(biāo)準(zhǔn)的不同可以將聚類分為劃分方法、層次方法、基于密度的方法和基于網(wǎng)格的方法。

3 挖掘過(guò)程

下面依次經(jīng)過(guò)數(shù)據(jù)預(yù)處理、算法分析、結(jié)果解釋和提出針對(duì)性意見(jiàn)等步驟來(lái)實(shí)現(xiàn)將聚類分析應(yīng)用到客戶關(guān)系管理中。

3.1 數(shù)據(jù)預(yù)處理

本文所用數(shù)據(jù)為某4s店的客戶消費(fèi)數(shù)據(jù)，為了便于分析，需要將某些屬性量化處理。將分類數(shù)據(jù)進(jìn)行量化處理，以上挑選出的分類屬性有“車主姓名”、“性別”、“所在行業(yè)”、“車主婚姻狀況”、“車主教育狀況”、“車主家庭收入”、“配置”等?！败囍骷彝ナ杖搿钡膶傩灾等〉氖且粋€(gè)個(gè)的取值范圍，比如“3000-5999元、6000-9999元、10000-14999元……30000-50000元、50000元以上”，所以也要對(duì)其進(jìn)行量化處理。對(duì)于有高低之分的屬性取值如“車主教育狀況”、“車主家庭收入”、“配置”量化時(shí)就按數(shù)字從高到低進(jìn)行。

3.2 算法描述

DBSCAN算法為聚類分析技術(shù)中應(yīng)用廣泛且成熟的經(jīng)典算法，因此本文也選用此算法建模對(duì)數(shù)據(jù)進(jìn)行分群分析。DBSCAN[3](Densit y-Based Spat ial Cl ust er ing of Appl icat ions wit h Noise)可處理噪聲的基于密度的空間聚類算法是一個(gè)基于密度的聚類算法。表1描述核心對(duì)象的定義是如果一個(gè)對(duì)象的ε鄰域內(nèi)包含至少M(fèi)inPts個(gè)數(shù)據(jù)對(duì)象，則此對(duì)象被稱為一個(gè)核心對(duì)象。DBSCAN具體步驟如下：

表1 DBSCAN算法描述

本次建模算法運(yùn)行中參數(shù)設(shè)置MinPts=4，半徑ε= 0.9。

表2 聚類結(jié)果簇特征分析

3.3 結(jié)果分析及對(duì)策制定

經(jīng)過(guò)分析數(shù)據(jù)集被劃分成四個(gè)簇，簇1包含3578條數(shù)據(jù)，所占比例為70%；簇2包含1240條數(shù)據(jù)，所占比例為24%；簇3包含123條數(shù)據(jù)，所占比例為2%；簇4包含181條數(shù)據(jù)，所占比例為4%。最后總結(jié)各個(gè)簇的特征，并給出相應(yīng)的建議，如表2所示。

4 總結(jié)

本文將聚類分析應(yīng)用到客戶關(guān)系管理中，目的用來(lái)理解客戶，相比傳統(tǒng)的統(tǒng)計(jì)總結(jié)而言，本方法不僅可以根據(jù)客戶特征對(duì)客戶進(jìn)行分群，還能更好的總結(jié)出各個(gè)群體的特征。

下一步嘗試將關(guān)聯(lián)規(guī)則分析、分類分析也應(yīng)用到CRM中，利用關(guān)聯(lián)規(guī)則來(lái)詳細(xì)地分析客戶的交易數(shù)據(jù)，基于規(guī)則組合流行產(chǎn)品，讓營(yíng)銷人員和企業(yè)決策者制定市場(chǎng)營(yíng)銷策略或操作規(guī)則，并且積極提供客戶感興趣的產(chǎn)品，利用分類可以預(yù)測(cè)客戶行為，挖掘潛在消費(fèi)人群，刺激其消費(fèi)。

[1]Chen R S,Wu R C,Chen J Y,Data Mining Application in Customer Relationship Management Of Credit Card Business,in proceedings of the IEEE,29th Annual International Computer Software and Applications Conference,2005.

[2]Jiawei Han,Micheline Kamber著;范明,孟小峰譯.Data Mining Concepts and Techniques[M].北京:機(jī)械工業(yè)出版社,2004.

[3]Ester M,Kriegel H P,Sander J et al.A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise,Proceedings of 2nd Int.Conf.On Knowledge Discovery and Data Mining[C].Portland,OR,1996:226-231.