數(shù)據(jù)挖掘在商務(wù)智能決策與CRM中的應(yīng)用

數(shù)據(jù)挖掘在商務(wù)智能決策與 CRM中的應(yīng)用 北京科技大學(xué) 楊炳儒 教授 數(shù)據(jù)挖掘（知識(shí)發(fā)現(xiàn)）新進(jìn)展 數(shù)據(jù)挖掘在商務(wù)智能決策中的應(yīng)用 數(shù)據(jù)挖掘在 CRM中的應(yīng)用 第一部分?jǐn)?shù)據(jù)挖掘（知識(shí)發(fā)現(xiàn)）新進(jìn)展 五、研究動(dòng)態(tài)與趨向 一、數(shù)據(jù)挖掘 (知識(shí)發(fā)現(xiàn) )概念內(nèi)涵與外延的發(fā)展 二、挖掘知識(shí)類型的擴(kuò)展 三、挖掘技術(shù)方法的擴(kuò)展 四、應(yīng)用的擴(kuò)展 一、數(shù)據(jù)挖掘 (知識(shí)發(fā)現(xiàn) )概念內(nèi)涵與外延的發(fā)展 結(jié)構(gòu)化數(shù)據(jù)挖掘 DM(KDD) 多媒體數(shù)據(jù)構(gòu)成的大型異質(zhì)異構(gòu)數(shù)據(jù)庫，稱為復(fù)雜數(shù)據(jù)類型挖掘 CDM 動(dòng)態(tài) (在線 )-分布式 -并行系統(tǒng) Web: 1、以文本為主的頁面內(nèi)容挖掘 2、以客戶訪問信息為主 3、以 Web結(jié)構(gòu)為主 多媒體：音頻、視頻、圖像、圖形、時(shí)序、空間等 基于知識(shí)庫的知識(shí)發(fā)現(xiàn)KDK 知識(shí)發(fā)現(xiàn)的新定義： 在現(xiàn)實(shí)世界中，針對(duì)客觀存在的具有海量性、不確定性、不完全性的量的、質(zhì)的、復(fù)雜形態(tài)的知識(shí)源，挖掘其中潛在的、先前未知的、用戶感興趣的、最終可被用戶理解的模式的非平凡提取過程。 二、挖掘知識(shí)類型的擴(kuò)展 擴(kuò)展 擴(kuò)展 關(guān)聯(lián)規(guī)則、分類、聚類、相似模式、 混沌模式、時(shí)序模式、預(yù)測(cè)等 文本、客戶訪問路徑、音頻、視頻 生物信息挖掘、游戲信息挖掘、 XML文檔、多語言文本挖掘、 圖表數(shù)據(jù)庫、分子結(jié)構(gòu)數(shù)據(jù)庫等 三、挖掘技術(shù)方法的擴(kuò)展 擴(kuò)展 統(tǒng)計(jì)學(xué)（數(shù)理統(tǒng)計(jì)）、證據(jù)理論、 機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)、粗糙集、 近似推理、小波、分形、概念格、 概念樹提升、決策樹等 Hilbert空間、信息融合與 神經(jīng)網(wǎng)絡(luò)結(jié)合、距離測(cè)度函數(shù)、 數(shù)據(jù)立方體、隱馬爾可夫模型、信息熵、 主觀 Bayes方法、信息擴(kuò)散等 四、應(yīng)用的擴(kuò)展 金融、醫(yī)療保健、市場(chǎng)業(yè)、零售業(yè)、 制造業(yè)、工程與科學(xué)、經(jīng)紀(jì)業(yè)和安全交易、 證券交易、瑕疵分析、政府和防衛(wèi)、電信、 司法、企業(yè)經(jīng)營(yíng)管理等等 應(yīng)用領(lǐng)域擴(kuò)展 Internet、農(nóng)業(yè)、氣象、遠(yuǎn)程教育、 天文學(xué)、生物信息、地理信息等等 Marksman、 Think Machine、 DataMind、 Intelligent Miner、 KnowledgeSEEKER、等等 實(shí)例和軟件的擴(kuò)展 MSMiner、 KDD*、 KDK*、 KD(D&K)等等 五、研究動(dòng)態(tài)與趨向 目前國(guó)際上 KDD的研究主要是以知識(shí)發(fā)現(xiàn)的任務(wù)描述 、 知識(shí)評(píng)價(jià)與知識(shí)表示為主線 ， 有效的知識(shí)發(fā)現(xiàn)算法為中心 。 這是在相當(dāng)長(zhǎng)的一段時(shí)間內(nèi)保持的主流 與基調(diào)。 國(guó)外研究動(dòng)態(tài) 2003年 8月 27日在華盛頓召開了第九屆知識(shí)發(fā)現(xiàn)與數(shù)據(jù)挖掘國(guó)際會(huì)議，參與討論的專家一致認(rèn)為： 數(shù)據(jù)挖掘正面臨著巨大的機(jī)遇和挑戰(zhàn)。 其中 U. Fayyad認(rèn)為 從科學(xué)發(fā)展的長(zhǎng)遠(yuǎn)來看 ,最大的絆腳石是基礎(chǔ)理論的缺乏以及所面臨的問題和挑戰(zhàn)的清晰明白的闡述。 他認(rèn)為對(duì)于我們要做什么，幾乎沒有理論甚至工程實(shí)踐來指導(dǎo)：在今天它仍然是” 不為人知的藝術(shù)”。 我們需要理論來指導(dǎo)我們要做什么以及要如何作。這些理論能夠促使工程解決方法的出現(xiàn)，這樣我們也可以將我們的 “手藝”更有效的教給其他人。而這種形勢(shì)與從業(yè)者以及對(duì)應(yīng)用感興趣的人們的巨大的熱情同時(shí)存在，這些人來自不同的領(lǐng)域，但是沒有科學(xué)根基以及持續(xù)的學(xué)術(shù)發(fā)展，本領(lǐng)域不可能得到發(fā)展與鞏固。 R.Uthurusamy認(rèn)為 WEB的使用和生產(chǎn)廠家的大肆宣傳等都會(huì)在短期內(nèi)影響本領(lǐng)域的發(fā)展，它們會(huì)使得我們將更多的精力投向數(shù)據(jù)庫營(yíng)銷、 CRM和OLAP等方面，而不是致力于使 KDD從根本上或科學(xué)上有大的進(jìn)步。 KDD的基礎(chǔ)研究界必須消除這些干擾而去努力解決 KDD的真正的根本的問題。 國(guó)內(nèi)研究動(dòng)態(tài) 我們編制了了軟件對(duì)中國(guó)期刊網(wǎng)上 1994年至今的論文進(jìn)行了分類與統(tǒng)計(jì)。 1、歷年發(fā)表文章數(shù)分類匯總圖示如下 (含所有的類別共 11707篇 ) 0500100015002000250030001994年 1995年 1996年 1997年 1998年 1999年 2000年 2001年 2002年 2003年 2004年 2、按照數(shù)據(jù)挖掘、決策支持系統(tǒng)、專家系統(tǒng)方面的文章統(tǒng)計(jì)圖示如下： (評(píng)價(jià) ) 02004006008001994年 1995年 1996年 1997年 1998年 1999年 2000年 2001年 2002年 2003年 2004年發(fā)展的基本特征 （ 1）原有理論方法的深化與拓展 如： 1）網(wǎng)絡(luò)數(shù)據(jù)挖掘；流數(shù)據(jù) ;混合數(shù)據(jù)。 2）基于神經(jīng)網(wǎng)絡(luò)的的時(shí)序數(shù)據(jù)、相似序列、快速挖掘算法的研究等 。 3）粗糙集與支持向量機(jī)模型與方法的擴(kuò)展。 4）凸分析與數(shù)據(jù)包絡(luò)分析方法的運(yùn)用。 5）增強(qiáng)（強(qiáng)化）學(xué)習(xí)模型與方法的運(yùn)用。 （ 2）復(fù)雜類型（系統(tǒng)）數(shù)據(jù)挖掘成為熱點(diǎn) 如： 1） 生物信息挖掘。 Knowledge Discovery for Promoter Structure Analysis Study of Motif Correlation in Proteins by Data Mining （用數(shù)據(jù)挖掘技術(shù)進(jìn)行蛋白質(zhì)中啟動(dòng)子的結(jié)構(gòu)分析） 2）半結(jié)構(gòu)化、非結(jié)構(gòu)化等復(fù)雜類型數(shù)據(jù)挖掘。 A Method for Mining Data of Sequential Images- Rebuilding of Gray (Position) time Function on Arbitrary Direction Lines （基于圖表數(shù)據(jù)庫知識(shí)發(fā)現(xiàn)系統(tǒng)的概念等級(jí)聚類 ） 3）分布式數(shù)據(jù)挖掘系統(tǒng)。 4）動(dòng)態(tài)、在線數(shù)據(jù)挖掘系統(tǒng)。 5）流數(shù)據(jù)、混合數(shù)據(jù)與不完備數(shù)據(jù)挖掘系統(tǒng)。 （ 3）新技術(shù)與方法的引入（其它學(xué)科領(lǐng)域的滲透） 如：人工免疫系統(tǒng)方法；協(xié)同驗(yàn)算方法 ;模擬退火算法；保角變換方法；黎曼幾何方法等。 （ 4）理論融合交叉性研究 如：基于 RoughSet的證據(jù)推理算法；模糊關(guān)系數(shù)據(jù)模型與粗集結(jié)合算法等。認(rèn)知心理學(xué)、認(rèn)知物理學(xué)、認(rèn)知生物學(xué)等。 （ 5）基礎(chǔ)理論研究 內(nèi)在機(jī)理研究；自主知識(shí)發(fā)現(xiàn)框架； DM=數(shù)據(jù)集 +似然關(guān)系 +挖掘算法等。 第二部分 數(shù)據(jù)挖掘在商務(wù)智能決策中的應(yīng)用 一、基于信息挖掘的新型智能決策支持系統(tǒng) 二、商務(wù)部國(guó)際商務(wù)中心項(xiàng)目簡(jiǎn)介 三、軟件系統(tǒng)實(shí)現(xiàn)整體說明 一、基于信息挖掘的新型智能決策支持系統(tǒng) 自從美國(guó)麻省理工學(xué)院的 Michael S.S.Morton和 Peter G.W.Keen于 20世紀(jì) 70年代首次提出決策支持系統(tǒng)（ DSS）以來，其發(fā)展迅速，不斷取得顯著的成果，并成為許多行業(yè)經(jīng)營(yíng)管理中一個(gè)不可缺少的現(xiàn)代化決策支持工具。現(xiàn)在正逐步形成新一代的 DSS：群決策支持系統(tǒng)（ GDSS），分布式?jīng)Q策支持系統(tǒng)（ DDSS），戰(zhàn)略決策支持系統(tǒng)等，尤其是智能決策支持系統(tǒng)（ IDSS）的出現(xiàn)，將人工智能的知識(shí)推理等技術(shù)引入 DSS，使 DSS的發(fā)展進(jìn)入了一個(gè)新的階段。近年來，又相繼出現(xiàn)了基于數(shù)據(jù)倉庫與基于 WEB的智能決策支持系統(tǒng)，大大推進(jìn)了 IDSS的發(fā)展。 但是，傳統(tǒng)的決策支持系統(tǒng)尚存在著推理技術(shù)單調(diào)，自學(xué)習(xí)能力較差，形成知識(shí)庫中的知識(shí)不足夠豐富這一新的 “ 瓶頸 ”現(xiàn)象。近年來 Internet迅速發(fā)展，網(wǎng)上信息極大豐富而知識(shí)卻相對(duì)缺乏，并且這些信息和以往決策支持系統(tǒng)所處理的信息不同，是非結(jié)構(gòu)化的，這就使其處理方式也必然有所不同。所以新一代決策支持系統(tǒng)的發(fā)展方向是高度智能化，以多種知識(shí)表示、自組織協(xié)同工作、自動(dòng)知識(shí)獲取和自適應(yīng)能力較強(qiáng)等為特征。 為此，我們提出了基于信息挖掘的智能決策支持系統(tǒng) IDSSIM，這里的信息挖掘區(qū)別于通常的數(shù)據(jù)挖掘，是從結(jié)構(gòu)化數(shù)據(jù)或復(fù)雜類型數(shù)據(jù)（文本、日志、音頻、視頻、圖像等）中提取新穎、潛在有用知識(shí)的非平凡抽取過程。所形成的 IDSSIM結(jié)構(gòu)模型可廣泛應(yīng)用于各行各業(yè)在管理信息系統(tǒng)的基礎(chǔ)上所提升的輔助決策支持系統(tǒng)中。 IDSSIM的總體結(jié)構(gòu)模型如下圖所示： 在線幫助子系統(tǒng) 決策者 用戶接口 問題解釋子系統(tǒng) 自檢子系統(tǒng) （指令與測(cè)試指標(biāo)傳輸） 模型定位子系統(tǒng) 分級(jí)診斷子系統(tǒng) 綜合知識(shí)庫 （問答集， K D D * 知識(shí)，推理知識(shí)） W E B 知識(shí)庫 基于推理機(jī)制的 知識(shí)發(fā)現(xiàn)子系統(tǒng) 基于雙庫協(xié)同機(jī)制 的知識(shí)發(fā)現(xiàn)子系統(tǒng) 基于 W E B 挖掘 的知識(shí)發(fā)現(xiàn)子系統(tǒng) 知識(shí)庫 數(shù)據(jù)庫 方法庫 模型庫 文本庫 日志庫 多庫管理子系統(tǒng) 知識(shí)獲取子系統(tǒng) 專家知識(shí) 書本知識(shí) I n t e r n e t I D S S I M 總體結(jié)構(gòu)模型 其理論基礎(chǔ)是我們提出的基于雙庫協(xié)同機(jī)制的知識(shí)發(fā)現(xiàn)系統(tǒng)KDD*和 WEB數(shù)據(jù)挖掘過程，它以多個(gè)知識(shí)源的知識(shí)融合、多抽象級(jí)與不同知識(shí)層次的結(jié)構(gòu)，以及使數(shù)據(jù)庫、知識(shí)庫、方法庫、模型庫、文本庫、日志庫六庫協(xié)同運(yùn)作為特征，形成了極其豐富的動(dòng)態(tài)知識(shí)庫系統(tǒng)與相應(yīng)的集成推理機(jī)制，為解決決策系統(tǒng)構(gòu)造中的核心技術(shù)提供了一條有效的途徑，也從根本上提高了決策支持系統(tǒng)的實(shí)用化程度。 系統(tǒng)的核心是 “ 源于信息的知識(shí)發(fā)現(xiàn) KDBI”（ Knowledge Discovery Based on Information），它在模塊實(shí)現(xiàn)上主要包含三個(gè)部分：基于雙庫協(xié)同機(jī)制的知識(shí)發(fā)現(xiàn)子系統(tǒng)（ KDD*）、基于推理機(jī)制的知識(shí)發(fā)現(xiàn)子系統(tǒng)（ KDRM）和基于WEB挖掘的知識(shí)發(fā)現(xiàn)子系統(tǒng)（ KDWM）?？纱致缘乇硎緸椋篕DBI KDD*+KDRM+KDWM。 首先，六庫（數(shù)據(jù)庫、知識(shí)庫、方法庫、模型庫、文本庫、日志庫）在多庫管理子系統(tǒng)的管理下協(xié)同運(yùn)作。知識(shí)獲取子系統(tǒng)可以從領(lǐng)域?qū)＜夷抢铽@取知識(shí)，也可以獲取書本中的知識(shí)，并將這些知識(shí)存儲(chǔ)在知識(shí)庫中。基于信息挖掘的新型智能決策支持系統(tǒng)。 其次，知識(shí)庫中的知識(shí)可以直接納入綜合知識(shí)庫，也可以被基于雙庫協(xié)同機(jī)制的知識(shí)發(fā)現(xiàn)（ KDD*）子系統(tǒng)利用，在以屬性為基礎(chǔ)的知識(shí)庫建庫原則下，通過搜索知識(shí)庫中知識(shí)結(jié)點(diǎn)的不關(guān)聯(lián)態(tài)，產(chǎn)生 “ 創(chuàng)見意向 ” ，發(fā)現(xiàn)短缺知識(shí)。 再次，基于推理機(jī)制的知識(shí)發(fā)現(xiàn)子系統(tǒng)（ KDRM） ,包括用一種或多種知識(shí)表示方法描述的已知問題及其解法的描述集合的知識(shí)庫和需要求解的問題集；通過 Fuzzy推理、演繹推理、廣義綜合歸納推理和基于案例的推理等，構(gòu)造規(guī)則集和發(fā)現(xiàn)新知識(shí)。來自 WEB的信息首先被存儲(chǔ)在文本庫和日志庫中，并由基于 WEB的知識(shí)發(fā)現(xiàn)子系統(tǒng)挖掘關(guān)于訪問信息、文本和結(jié)構(gòu)方面的知識(shí)，并將挖掘結(jié)果存入 WEB知識(shí)庫。 二、 商務(wù)部國(guó)際商務(wù)中心項(xiàng)目簡(jiǎn)介 在與國(guó)家商務(wù)部國(guó)際商務(wù)中心的合作中，構(gòu)造了基于我們專利技術(shù)的“面向加工貿(mào)易基于競(jìng)爭(zhēng)情報(bào)的智能決策支持系統(tǒng)” 。針對(duì)外貿(mào)加工中國(guó)內(nèi)采購與供應(yīng)鏈系統(tǒng)進(jìn)行深入分析，通過數(shù)據(jù)挖掘、 WEB挖掘、案例推理與 OLAP等技術(shù)，挖掘出一些平時(shí)很難靠直觀或憑借經(jīng)驗(yàn)發(fā)現(xiàn)的規(guī)則，發(fā)現(xiàn)了若干新的知識(shí)。對(duì)領(lǐng)導(dǎo)戰(zhàn)略決策與企業(yè)經(jīng)營(yíng)決策管理有一定的參考價(jià)值。 利用商務(wù)部國(guó)際商務(wù)中心長(zhǎng)期積累的對(duì)外加工貿(mào)易的數(shù)據(jù)，充分運(yùn)用我們的創(chuàng)新性信息處理技術(shù)和數(shù)據(jù)挖掘技術(shù)，開展研發(fā)工作。目前已通過驗(yàn)收，并將對(duì)國(guó)家的對(duì)外貿(mào)易和商務(wù)活動(dòng)產(chǎn)生較大影響。概括起來有如下幾點(diǎn)： 1）為對(duì)外貿(mào)易企業(yè)“請(qǐng)進(jìn)來，走出去”提供決策支持 ； 2）為領(lǐng)導(dǎo)關(guān)注的熱點(diǎn)問題，提供決策支持； 3）為外商投資提供咨詢指導(dǎo)； 4）為國(guó)家和地方招商引資提供科學(xué)的建議。 項(xiàng)目主頁應(yīng)用窗口 三、軟件系統(tǒng)實(shí)現(xiàn)整體說明 1、 OLAP 問題域 運(yùn)行環(huán)境與開發(fā)工具 OLAP問題域 1、經(jīng)營(yíng)企業(yè)信息分析 2、國(guó)產(chǎn)料件分析 3、進(jìn)口料件分析 4、加工行業(yè)分析 5、外商分析 6、進(jìn)出口幣種分析 7、工繳費(fèi)分析 8、口岸與海關(guān)分析 9、出口成品分析 OLAP運(yùn)行環(huán)境與工具 服務(wù)器端： 硬件：性能較好的服務(wù)器、網(wǎng)絡(luò)鏈接 軟件： ORACLE數(shù)據(jù)庫服務(wù)器及數(shù)據(jù)、 BRIO INTELLIGENCE SERVER、 BRIO CLIENT DESIGNER 客戶端： 硬件：普通 PC、網(wǎng)卡、 INTERNET 網(wǎng)絡(luò)鏈接 軟件： BRIO CLIENT EXPLORER、通用瀏覽器 2. KDD* 問題域 計(jì)算模式與開發(fā)工具 總體設(shè)計(jì)流程圖 KDD*問題域說明 預(yù) 想： 就采購價(jià)值鏈方面內(nèi)容，展開數(shù)據(jù)挖掘，重點(diǎn) 對(duì)國(guó)內(nèi)采購現(xiàn)狀，抽取相關(guān)關(guān)聯(lián)規(guī)則，提供領(lǐng) 導(dǎo)決策信息。 方法特征： 智能系統(tǒng)內(nèi)在的使用了人工智能方法與軟 計(jì)算方法，知識(shí)發(fā)現(xiàn)方法 尋求新穎的知識(shí) 類型，因而所發(fā)現(xiàn)的知識(shí)與數(shù)據(jù)狀況密切 相關(guān)。在未作實(shí)際挖掘前難以確定其明確 主題。 將提交結(jié)果： 就目前挖掘情況看，領(lǐng)導(dǎo)決策方面與企業(yè)經(jīng) 營(yíng)決策方面的內(nèi)容都可能發(fā)現(xiàn)較有價(jià)值得知 識(shí)。因而，須在實(shí)際研發(fā)過程中，逐步篩選、 調(diào)試、聚焦。 KDD*計(jì)算模式與開發(fā)工具 計(jì)算模式：客戶機(jī) /服務(wù)器模式 運(yùn)行環(huán)境與開發(fā)工具 客戶端： windows平臺(tái)， DELPH， ODBC 服務(wù)器端：商務(wù)部現(xiàn)有環(huán)境和 ORACLE數(shù)據(jù)庫 系統(tǒng) KDD*總體設(shè)計(jì)流程圖 數(shù)據(jù)清洗主題管理知識(shí)庫管理構(gòu)建知識(shí)庫屬性離散化用戶自定義挖掘 啟發(fā)式數(shù)據(jù)挖掘中斷評(píng)價(jià)對(duì)數(shù)據(jù)進(jìn)行離散化形成挖掘數(shù)據(jù)庫，為挖掘做準(zhǔn)備形成基礎(chǔ)知識(shí)庫為下面的 啟發(fā)式數(shù)據(jù)挖掘做準(zhǔn)備知識(shí)庫管理知識(shí)的展示總體設(shè)計(jì)流程圖 數(shù)據(jù)清理：主要完成數(shù)據(jù)源的選取 、 數(shù)據(jù)清洗 、去噪聲以及填補(bǔ)空缺數(shù)據(jù)等等 ， 也就是要為挖掘準(zhǔn)為數(shù)據(jù) ， 確切的說就是為數(shù)據(jù)離散做準(zhǔn)備 。 主題管理：主要是針對(duì)挖掘的目標(biāo)不同而設(shè)立不同的主題 ， 這部分主要實(shí)現(xiàn)主題的定義 、 修改 、 刪除以及主題的選擇等功能 ， 在主題的定義中要完成與該主題相關(guān)的數(shù)據(jù) ， 也就是要在這里確定挖掘的方向 。 屬性值離散化：建立主題以后根據(jù)所選擇的數(shù)據(jù)確定語言變量以及所對(duì)應(yīng)的語言變量值 ， 同時(shí)對(duì)所選定的數(shù)據(jù)根據(jù)語言變量和語言變量值進(jìn)行離散形成挖掘數(shù)據(jù)庫 ， 為下面的挖掘工作做準(zhǔn)備 。 知識(shí)庫管理：分為基礎(chǔ)知識(shí)庫管理和衍生知識(shí)庫管理兩個(gè)部分 ， 其中基礎(chǔ)知識(shí)庫包括基礎(chǔ)知識(shí)的錄入 、 修改 、 刪除等基本的維護(hù)工作；衍生知識(shí)庫包括挖掘出的知識(shí)的輸入 ， 只是的展示等工作 ， 這部分涉及到挖掘及知識(shí)的展示 。 數(shù)據(jù)挖掘：根據(jù)數(shù)據(jù)產(chǎn)生規(guī)則 ， 分為兩個(gè)部分用戶子定義挖掘和系統(tǒng)自動(dòng)挖掘 （ 啟發(fā)式協(xié)調(diào)器 ） 。 用戶子定義挖掘是根據(jù)用戶感興趣的內(nèi)容進(jìn)行聚焦挖掘 ， 啟發(fā)式挖掘是根據(jù)基礎(chǔ)知識(shí)庫 ， 針對(duì)短缺知識(shí)進(jìn)行挖掘 。 知識(shí)評(píng)價(jià)：對(duì)挖掘出的規(guī)則進(jìn)行評(píng)價(jià)決定是否存入到衍生知識(shí)庫中 ， 首先是通過中斷協(xié)調(diào)器進(jìn)行評(píng)價(jià)然后再經(jīng)過領(lǐng)域?qū)＜疫M(jìn)行評(píng)價(jià)來決定是否存入衍生知識(shí)庫 。 附：與此相應(yīng)的，我們還研發(fā)了用于智能決策的“分布式數(shù)據(jù)資源集成系統(tǒng)”，給出了統(tǒng)一數(shù)據(jù)訪問接口、快速全文檢索、文本分類、文本數(shù)字化、個(gè)性化信息推送和信息發(fā)布等一攬子整體解決方案。 第三部分 數(shù)據(jù)挖掘在 CRM中的應(yīng)用 一、數(shù)據(jù)挖掘?qū)?CRM的影響 二、在 CRM中數(shù)據(jù)挖掘常用技術(shù) 三、解決實(shí)際商業(yè)問題 四、建立解決方案的關(guān)鍵 一、數(shù)據(jù)挖掘?qū)?CRM的影響 21世紀(jì)的商業(yè)競(jìng)爭(zhēng)不僅取決于對(duì)市場(chǎng)的反應(yīng)速度，還取決于對(duì)本行業(yè)新知識(shí)的獲取、積累和有效利用的能力。實(shí)際上效率不再是商場(chǎng)上取勝的唯一關(guān)鍵。在這個(gè)新的啟用 web的電子商務(wù)經(jīng)濟(jì)時(shí)代，靈活性和敏感性也是在競(jìng)爭(zhēng)中取勝的重要因素。能夠提供客戶資源及相關(guān)數(shù)據(jù)分析的客戶關(guān)系管理系統(tǒng)（ Customer Relationship Management， CRM）就成為焦點(diǎn)。作為專門管理企業(yè)前臺(tái)的客戶關(guān)系管理為企業(yè)提供了一個(gè)收集、分析和利用各種客戶信息的系統(tǒng)，幫助企業(yè)充分利用其客戶管理資源，也為企業(yè)在電子商務(wù)時(shí)代從容自如地面對(duì)客戶提供了科學(xué)手段和方法。 客戶關(guān)系管理 (CRM)指的是企業(yè)與其客戶的交流方式，它實(shí)施于企業(yè)的市場(chǎng)營(yíng)銷、銷售、服務(wù)與技術(shù)支持等與客戶有關(guān)的領(lǐng)域。 它 是一種管理理念，又是一種旨在改善企業(yè)與客戶之間關(guān)系的新型管理機(jī)制 ， 也是一種管理軟件和技術(shù)，它將最佳的商業(yè)實(shí)踐與數(shù)據(jù)挖掘、數(shù)據(jù)倉庫、一對(duì)一營(yíng)銷、銷售自動(dòng)化以及其它信息技術(shù)緊密結(jié)合在一起，為企業(yè)的銷售、客戶服務(wù)和決策支持等領(lǐng)域提供了一個(gè)業(yè)務(wù)自動(dòng)化的解決方案，使企業(yè)有了一個(gè)基于電子商務(wù)的面對(duì)客戶的前沿，從而順利實(shí)現(xiàn)由傳統(tǒng)企業(yè)模式到以電子商務(wù)為基礎(chǔ)的現(xiàn)代企業(yè)模式的轉(zhuǎn)化。 CRM的特征 一對(duì)一營(yíng)銷 高度集成的交流渠道 統(tǒng)一共享的信息資源 商業(yè)智能化的數(shù)據(jù)分析和處理 對(duì)基于 Web的功能的支持 CRM體系結(jié)構(gòu)圖如下所示： 業(yè)務(wù)規(guī)則和元數(shù)據(jù)管理 工作流管理 聯(lián)系歷史 交易歷史 客戶和帳務(wù)數(shù)據(jù)倉庫 外部數(shù)據(jù) ETL工具 （ 抽取轉(zhuǎn)換裝載工具 ） 行銷數(shù)據(jù)集市 活動(dòng)管理 分析數(shù)據(jù)集市 報(bào)表數(shù)據(jù)集市 活動(dòng)管理 數(shù)據(jù)挖掘分析 數(shù)據(jù)源 行銷數(shù)據(jù)存儲(chǔ) 決策支持應(yīng)用 特別查詢和報(bào)表 直接郵寄（廣告） 聯(lián)系管理 呼叫中心 銷售力量 客服中心 Internet 電子郵件 其他 信息渠道 CRM體系結(jié)構(gòu)圖 在這個(gè)體系結(jié)構(gòu)圖中，有很多用于產(chǎn)生和使用信息的客戶接觸點(diǎn)和發(fā)送渠道。經(jīng)過集成和分析信息，可以完整、正確地得出客戶的大概情況 -他們的喜好、需求、抱怨、和使他們成為公司產(chǎn)品和服務(wù)網(wǎng)的終身會(huì)員的特性。最后數(shù)據(jù)倉庫環(huán)境下所有的部件都將被部署到適當(dāng)?shù)奈恢茫⑻峁┒喾N用于集成和分析的重要功能。 從較高的層次看， CRM系統(tǒng)的體系結(jié)構(gòu)很像一 棟房子： 客戶接觸點(diǎn)是根基 數(shù)據(jù)倉庫是地基 客戶利益性是隅石 數(shù)據(jù)挖掘是藍(lán)圖 Web應(yīng)用是頂石 這些技術(shù)結(jié)合在一起便構(gòu)成了完整的 CRM系統(tǒng)。 二、在 CRM中數(shù)據(jù)挖掘常用技術(shù) 比較典型的數(shù)據(jù)挖掘方法 關(guān)聯(lián)分析 序列模式分析 分類分析 聚類分析 決策樹 神經(jīng)元網(wǎng)絡(luò) 規(guī)則歸納 三、解決實(shí)際商業(yè)問題 客戶盈利分析 新客戶的獲取 交叉營(yíng)銷 客戶的保持 客戶的細(xì)分 客戶盈利分析 客戶盈利能力分析是數(shù)據(jù)挖掘的基礎(chǔ)，也是數(shù)據(jù)挖掘是否用于正確方向的一個(gè)指標(biāo)。 一般情況下，在顧客身上的花費(fèi)越多，他們保持更高的忠誠度和購買更多產(chǎn)品的可能性越大。保持客戶的忠誠度將對(duì)客戶盈利能力產(chǎn)生極深的影響。 數(shù)據(jù)挖掘技術(shù)可以用來預(yù)測(cè)在不同市場(chǎng)活動(dòng)情況下的客戶盈利能力；可以預(yù)測(cè)未來的盈利能力；預(yù)測(cè)客戶盈利能力的變化。 新客戶的獲取 在大多數(shù)商業(yè)領(lǐng)域中，業(yè)務(wù)發(fā)展的主要指標(biāo)里包括新客戶的獲取能力。新客戶的獲取包括發(fā)現(xiàn)那些對(duì)你的產(chǎn)品不了解的客戶，也包括以前接受你的競(jìng)爭(zhēng)對(duì)手服務(wù)的顧客。數(shù)據(jù)挖掘技術(shù)可以幫助我們對(duì)潛在客戶群進(jìn)行分析，并增加市場(chǎng)推廣活動(dòng)產(chǎn)生的反饋率。 交叉營(yíng)銷 交叉營(yíng)銷是指你向現(xiàn)有的客戶提供新的產(chǎn)品和服務(wù)的營(yíng)銷過程。公司與其客戶之間的商業(yè)關(guān)系是一種持續(xù)的不斷發(fā)展的關(guān)系，在這種關(guān)系建立起來以后，可以有很多種方法來不斷改善這種關(guān)系。雙方的目標(biāo)是達(dá)到雙贏的結(jié)果，客戶獲益是由于他們得到了更好更貼切的服務(wù)質(zhì)量，商家則因?yàn)樵黾愉N售量獲利。 客戶的保持 隨著行業(yè)的競(jìng)爭(zhēng)越來越激烈和獲得一個(gè)新客戶的開支愈來愈大，保持原有客戶的工作愈來愈有價(jià)值。使用數(shù)據(jù)挖掘技術(shù)可以用來預(yù)測(cè)哪些客戶具有高風(fēng)險(xiǎn)轉(zhuǎn)移的可能性。例如使用分類回歸樹 (CART)來生成各種預(yù)測(cè)模型，可以對(duì)客戶流失原因有深入的了解。 客戶的細(xì)分 細(xì)分是指將一個(gè)大的消費(fèi)群體劃分成一個(gè)個(gè)細(xì)分群的動(dòng)作，同屬于一個(gè)細(xì)分群的消費(fèi)者彼此相似，而隸屬于不同細(xì)分群的消費(fèi)者被視為不同。