客戶關(guān)系管理9

CRM中的數(shù)據(jù)管理2CRM的客戶數(shù)據(jù)數(shù)據(jù)倉(cāng)庫(kù)技術(shù)數(shù)據(jù)挖掘技術(shù)數(shù)據(jù)挖掘技術(shù)的應(yīng)用 聽說(shuō)，下雪天，啤酒和尿布更配哦4案例：尿布+啤酒=更大的利益

先請(qǐng)大家做個(gè)腦力游戲——說(shuō)出任何尿布和啤酒的聯(lián)系，即在什么情況下它們可以相提并論。

請(qǐng)想象這樣的一副情景：在一個(gè)大的超級(jí)市場(chǎng)里面，人來(lái)人往。一角的貨架上，尿布和啤酒赫然地?cái)[放在一起出售。而且，尿布和啤酒的銷售量雙雙增加。

這是上個(gè)世紀(jì)發(fā)生在美國(guó)沃爾瑪連鎖超市的真實(shí)事件，而且也許是將尿布和啤酒最好地聯(lián)系起來(lái)的方法，因?yàn)樗踔练狭私裉煺诹餍械摹半p贏”原理。5

原來(lái)，美國(guó)的太太經(jīng)常囑咐他們的丈夫下班以后為小孩購(gòu)買尿布，而丈夫們?cè)谫I尿布以后又順手帶回了啤酒。啤酒和尿布在一起購(gòu)買的機(jī)會(huì)是最多的。

誰(shuí)在當(dāng)時(shí)就能看出這種帶來(lái)“利益”的聯(lián)系？其實(shí)想到答案的不是人，是信息技術(shù)。具體地說(shuō)，就是美國(guó)沃爾瑪超市的數(shù)據(jù)倉(cāng)庫(kù)。是它，通過(guò)集中商店一年多的詳細(xì)原始交易數(shù)據(jù)，利用自動(dòng)數(shù)據(jù)挖掘工具對(duì)這些數(shù)據(jù)進(jìn)行分析，得到了這個(gè)意外的發(fā)現(xiàn)。6點(diǎn)評(píng)：從本例可以看出，CRM運(yùn)用的成功必須依靠客戶數(shù)據(jù)，對(duì)客戶數(shù)據(jù)進(jìn)行科學(xué)地分析，往往會(huì)帶來(lái)意想不到的商機(jī)：對(duì)客戶數(shù)據(jù)進(jìn)行初級(jí)處理，可以完成基本業(yè)務(wù)過(guò)程；對(duì)數(shù)據(jù)進(jìn)行高級(jí)處理(如數(shù)據(jù)挖掘)，可以提供企業(yè)決策支持，促進(jìn)銷售，保持消費(fèi)群體的穩(wěn)定。所以說(shuō)，客戶數(shù)據(jù)是整個(gè)CRM運(yùn)用的靈魂，本章內(nèi)容就是以客戶數(shù)據(jù)管理與分析為主。

2023/2/667第一節(jié)CRM的客戶數(shù)據(jù)一、客戶數(shù)據(jù)的類型81．直接渠道（1）在市場(chǎng)調(diào)查中獲取客戶數(shù)據(jù)（2）在營(yíng)銷活動(dòng)中獲取客戶數(shù)據(jù)（3）在服務(wù)過(guò)程中獲取客戶數(shù)據(jù)（4）通過(guò)博覽會(huì)、展銷會(huì)、洽談會(huì)等獲取客戶數(shù)據(jù)（5）網(wǎng)站和呼叫中心是收集客戶數(shù)據(jù)的新渠道（6）從客戶投訴中收集92．間接渠道（1）各種媒介（2）工商行政管理部門及駐外機(jī)構(gòu)（3）國(guó)內(nèi)外金融機(jī)構(gòu)及其分支機(jī)構(gòu)（4）國(guó)內(nèi)外咨詢公司及市場(chǎng)研究公司（5）從已建立客戶數(shù)據(jù)庫(kù)的公司租用或購(gòu)買（6）其他渠道10二、客戶的隱私及保護(hù)在企業(yè)層面保證客戶信息安全性2012年3月15日，據(jù)央視3.15晚會(huì)報(bào)道，招商銀行信用卡中心風(fēng)險(xiǎn)管理部貸款審核員胡XX就曾向作案人出售個(gè)人信息300多份；中國(guó)工商銀行客戶經(jīng)理曹XX，通過(guò)中介向作案人提供了多達(dá)2318份個(gè)人信息。向朱凱華出售個(gè)人征信報(bào)告、銀行卡信息的，還有中國(guó)農(nóng)業(yè)銀行無(wú)錫榮龍支行員工董某、中國(guó)工商銀行福州鼓樓支行員工陳某。112.使用匿名身份信息3.盡量使用匯總數(shù)據(jù)12三、構(gòu)建客戶數(shù)據(jù)庫(kù)（1）適當(dāng)超前。按照可預(yù)見(jiàn)未來(lái)所需的信息量，盡可能多地考慮預(yù)期客戶購(gòu)買產(chǎn)品的情況和購(gòu)買后的反應(yīng)。（2）設(shè)計(jì)彈性。深入策劃客戶數(shù)據(jù)庫(kù)的組成部分，應(yīng)保留一定的彈性，以滿足未來(lái)變化的需要。（3）靈活應(yīng)用。建立數(shù)據(jù)庫(kù)，可先建成一個(gè)小而實(shí)用的數(shù)據(jù)庫(kù)，在管理客戶數(shù)據(jù)庫(kù)中獲得經(jīng)驗(yàn)，并對(duì)其評(píng)價(jià)，不斷改進(jìn)。（4）必要參與。構(gòu)建客戶數(shù)據(jù)庫(kù)時(shí)，讓盡可能多的部門和人員參與。一方面使信息采集科學(xué)完備；另一方面讓數(shù)據(jù)庫(kù)的使用者充分了解設(shè)計(jì)者的思想。13第二節(jié)數(shù)據(jù)倉(cāng)庫(kù)技術(shù)一、數(shù)據(jù)倉(cāng)庫(kù)概述從數(shù)據(jù)庫(kù)到數(shù)據(jù)倉(cāng)庫(kù)傳統(tǒng)的數(shù)據(jù)庫(kù)技術(shù)由于其高效的數(shù)據(jù)存儲(chǔ)與查詢技術(shù)，支持了綜合型管理信息系統(tǒng)的廣泛應(yīng)用。然而這些數(shù)據(jù)庫(kù)主要適應(yīng)于業(yè)務(wù)處理的需要，不能提供從全局視圖對(duì)企業(yè)數(shù)據(jù)進(jìn)行深入分析和挖掘。響應(yīng)時(shí)間要求短某些業(yè)務(wù)功能數(shù)據(jù)對(duì)決策分析無(wú)關(guān)緊要客戶信息被割裂在各個(gè)不同系統(tǒng)中以二維表格存儲(chǔ)，無(wú)法進(jìn)行多視角分析1415營(yíng)銷子系統(tǒng):

客戶特征（類別號(hào)，收入水平，交易期限，客戶價(jià)值，…）客戶行為（客戶號(hào)，購(gòu)買頻次，最近購(gòu)買時(shí)間，。。。）營(yíng)業(yè)推廣（編號(hào)，推廣方式，成本，日期，客戶。。。。）銷售子系統(tǒng)：客戶（客戶號(hào)，姓名，地址，電話，…

）銷售（客戶號(hào)，商品號(hào)，數(shù)量，單價(jià)，日期，…）售后服務(wù)子系統(tǒng)：咨詢單（編號(hào)，客戶號(hào)，日期，相關(guān)產(chǎn)品…）維修單（編號(hào)，客戶號(hào)，商品號(hào)，日期，負(fù)責(zé)人…）

維修次數(shù)、客戶特征與客戶忠誠(chéng)度之間具有什么樣的關(guān)系？162．?dāng)?shù)據(jù)倉(cāng)庫(kù)的含義

目前，對(duì)于數(shù)據(jù)倉(cāng)庫(kù)的概念，權(quán)威的定義是“數(shù)據(jù)倉(cāng)庫(kù)是在企業(yè)管理和決策中面向主題的、集成的、時(shí)變的、不可修改的數(shù)據(jù)集合”。3．建立數(shù)據(jù)倉(cāng)庫(kù)的目的

建立數(shù)據(jù)倉(cāng)庫(kù)并不是要取代原有的運(yùn)作數(shù)據(jù)庫(kù)系統(tǒng)，而是為了將企業(yè)多年來(lái)已經(jīng)收集到的數(shù)據(jù)按統(tǒng)一、一致的企業(yè)級(jí)視圖組織、存儲(chǔ)，對(duì)這些數(shù)據(jù)進(jìn)行分析，從中得出有關(guān)企業(yè)經(jīng)營(yíng)狀況、客戶需求、對(duì)手情況、發(fā)展趨勢(shì)等有用信息，幫助企業(yè)及時(shí)、準(zhǔn)確地做出相應(yīng)決策。16174.數(shù)據(jù)倉(cāng)庫(kù)特征（1）面向主題（subject－oriented）。數(shù)據(jù)倉(cāng)庫(kù)的數(shù)據(jù)組織是圍繞主題的。（2）集成（integrated）。數(shù)據(jù)倉(cāng)庫(kù)通常是結(jié)合多個(gè)異種數(shù)據(jù)源構(gòu)成的。（3）時(shí)變（time-variant）。數(shù)據(jù)倉(cāng)庫(kù)中包含時(shí)間元素，它所提供的信息總是與時(shí)間相關(guān)聯(lián)的。（4）不可修改（nonvolatile）。其數(shù)據(jù)相對(duì)穩(wěn)定，極少或根本不更新。18

客戶基本信息：客戶號(hào)，姓名，地址，電話。。。。客戶行為信息：客戶號(hào)，購(gòu)買頻次，最近購(gòu)買時(shí)間，。。。客戶維修信息：客戶號(hào)，商品號(hào)，日期，負(fù)責(zé)人…

客戶咨詢信息：編號(hào)，客戶號(hào)，日期，相關(guān)產(chǎn)品，

…

客戶主題域：營(yíng)銷子系統(tǒng)銷售子系統(tǒng)售后子系統(tǒng)19整個(gè)數(shù)據(jù)倉(cāng)庫(kù)系統(tǒng)是一個(gè)包含四個(gè)層次的體系結(jié)構(gòu)，具體由下圖表示。20三、基于數(shù)據(jù)倉(cāng)庫(kù)的OLAP

1.OLAP基本概念

1)維

維是人們觀察數(shù)據(jù)的特定角度。

2)維的層次

一個(gè)維往往具有多個(gè)層次，如描述時(shí)間維，可以從日期、月份、季度、年等不同層次來(lái)捕述，那么日期、月份、季度、年等就是時(shí)間維的層次；同樣，城市、地區(qū)、國(guó)家等構(gòu)成了一個(gè)地理維的多個(gè)層次。

21

(1)維成員。維的一個(gè)取值稱為該維的一個(gè)維成員。如果一個(gè)維是多層次的，那么，該維的維成員是在不同維層次的取值的組合。

(2)多維數(shù)組。一個(gè)多維數(shù)組可以表示為：(維1，維2，…，維n，變量)。例如，日用品銷售數(shù)據(jù)是按時(shí)間、地區(qū)和銷售渠道組織起來(lái)的三維立方體，加上變量"銷售額”，就組成了一個(gè)多維數(shù)組(地區(qū)，時(shí)間，銷售渠道，銷售額)。

(3)數(shù)據(jù)單元。多維數(shù)組的取值稱為數(shù)據(jù)單元。

22切片

選定多維數(shù)組的一個(gè)二維子集的方法叫做切片，即選定多維數(shù)組（維1，維2，……，維n，變量）中的兩個(gè)維：維I和維J，在這兩個(gè)維上取某一區(qū)間或任意維成員，而將其余的維都取定一個(gè)維成員，則得到的就是多維數(shù)組在維I和j上一個(gè)二維子集，稱這個(gè)二維子集為多維數(shù)在維I和維J上的一個(gè)切片，表示為；（維I，維j，變量）。OLAP的分析方法23

例如，選定多維數(shù)組(地區(qū)，時(shí)間，產(chǎn)品，銷售額)中的地區(qū)維與產(chǎn)品維，在另外一維：時(shí)間維，選取一個(gè)維成員(如“2006年1月”)，就得到了多維數(shù)組(地區(qū)，時(shí)間，產(chǎn)品，銷售額)在產(chǎn)品和地區(qū)兩維上的一個(gè)切片(客戶，地區(qū)，銷售額)。這個(gè)切片表示2006年1月各地區(qū)、各產(chǎn)品的銷售情況。24

產(chǎn)品銷售情況2006.1產(chǎn)品銷售情況選定兩個(gè)維：產(chǎn)品維和地區(qū)維時(shí)間維數(shù)據(jù)切片產(chǎn)品維地區(qū)維產(chǎn)品維地區(qū)維25切塊

選定多維數(shù)的一個(gè)三維子集的方法稱切塊。即選定多維數(shù)組（維1，維2，……，維n，變量）中的三個(gè)維：維I、維j和維r，在這三個(gè)維上取某一區(qū)間或任意的維成員，而將其余的維都取定一個(gè)維成員，則得到的就是多維數(shù)組在維I、維j和維r上一個(gè)三維子集，我們稱這個(gè)三維子集為多維數(shù)組在維I、維j和r上的一個(gè)切塊，表示為：（維I，維j，維r，變量）。切塊與切片的作用與目的是相似的。美國(guó)中國(guó)手機(jī)電腦圖8-3

三維立方體切塊（Slice）26旋轉(zhuǎn)

旋轉(zhuǎn)即是改變一個(gè)報(bào)告或面顯示的維方向。例如，旋轉(zhuǎn)可能包含了交換行和列；或是把某一個(gè)行維移到列維中去，或是把一個(gè)橫向?yàn)闀r(shí)間、縱向?yàn)楫a(chǎn)品的報(bào)表旋轉(zhuǎn)成為橫向?yàn)楫a(chǎn)品、縱向?yàn)闀r(shí)間的報(bào)表。272005年2006年部門1季度2季度3季度4季度1季度2季度3季度4季度部門一2012182722161929部門二2311241722311234部門三26213433212326321季度2季度3季度4季度部門2005年2006年2005年2006年2005年2006年2005年2006年部門一2022121618192729部門二2322113124121734部門三2621212334263332旋轉(zhuǎn)前的有關(guān)數(shù)據(jù)描述旋轉(zhuǎn)后的有關(guān)數(shù)據(jù)描述28鉆取按時(shí)間維向下鉆取按時(shí)間維向上鉆取6029第三節(jié)數(shù)據(jù)挖掘技術(shù)30什么是數(shù)據(jù)挖掘？數(shù)據(jù)挖掘(從數(shù)據(jù)中發(fā)現(xiàn)知識(shí))從大量的數(shù)據(jù)中挖掘哪些令人感興趣的、有用的、隱含的、先前未知的和可能有用的模式或知識(shí)數(shù)據(jù)挖掘的替換詞數(shù)據(jù)庫(kù)中的知識(shí)挖掘（KDD）知識(shí)提煉數(shù)據(jù)/模式分析數(shù)據(jù)考古數(shù)據(jù)捕撈、信息收獲等等。31數(shù)據(jù)清理數(shù)據(jù)集成數(shù)據(jù)庫(kù)數(shù)據(jù)倉(cāng)庫(kù)知識(shí)任務(wù)相關(guān)的數(shù)據(jù)選擇數(shù)據(jù)挖掘模式評(píng)估32數(shù)據(jù)挖掘數(shù)據(jù)庫(kù)越來(lái)越大有價(jià)值的知識(shí)可怕的數(shù)據(jù)數(shù)據(jù)挖掘背景33數(shù)據(jù)爆炸，知識(shí)貧乏苦惱:淹沒(méi)在數(shù)據(jù)中;不能制定合適的決策!數(shù)據(jù)知識(shí)決策模式趨勢(shì)事實(shí)關(guān)系模型關(guān)聯(lián)規(guī)則序列目標(biāo)市場(chǎng)資金分配貿(mào)易選擇在哪兒做廣告銷售的地理位置金融經(jīng)濟(jì)政府POS人口統(tǒng)計(jì)生命周期34客戶接觸

客戶信息客戶數(shù)據(jù)庫(kù)統(tǒng)計(jì)分析與數(shù)據(jù)挖掘客戶知識(shí)發(fā)現(xiàn)客戶管理知識(shí)發(fā)現(xiàn)：從數(shù)據(jù)中深入抽取隱含的、未知的和有潛在用途的信息從商業(yè)數(shù)據(jù)到商業(yè)智能35各行業(yè)電子商務(wù)網(wǎng)站算法層商業(yè)邏輯層行業(yè)應(yīng)用層商業(yè)應(yīng)用商業(yè)模型挖掘算法CRM產(chǎn)品推薦客戶細(xì)分客戶流失客戶利潤(rùn)客戶響應(yīng)關(guān)聯(lián)規(guī)則、序列模式、分類、聚集、神經(jīng)元網(wǎng)絡(luò)、偏差分析…WEB挖掘網(wǎng)站結(jié)構(gòu)優(yōu)化網(wǎng)頁(yè)推薦商品推薦。。。基因挖掘基因表達(dá)路徑分析基因表達(dá)相似性分析基因表達(dá)共發(fā)生分析。。。銀行電信零售保險(xiǎn)制藥生物信息科學(xué)研究。。。相關(guān)行業(yè)數(shù)據(jù)挖掘的應(yīng)用36零售業(yè)用于識(shí)別顧客的購(gòu)買模式，在顧客的統(tǒng)計(jì)特征中發(fā)現(xiàn)關(guān)聯(lián)，預(yù)測(cè)促銷活動(dòng)的反應(yīng)，進(jìn)行市場(chǎng)分析。啤酒和尿布的的關(guān)系，我們非常熟悉！如在購(gòu)買面包和黃油的顧客中，有90%的人同時(shí)也買了牛奶”：(面包+黃油)→(牛奶)。數(shù)據(jù)挖掘其他應(yīng)用37銀行洗錢:發(fā)現(xiàn)可疑的貨幣交易行為保險(xiǎn)如；保險(xiǎn)客戶流失性判斷數(shù)據(jù)挖掘其他應(yīng)用收入>5萬(wàn)元年齡>35歲不易流失易流失是否事業(yè)單位不易流失易流失YNYYNN38股票預(yù)設(shè)

預(yù)測(cè)一支股票的走勢(shì)幾乎是不可能，但是通過(guò)相關(guān)分析，可以找出一支股票的走勢(shì)與另一只股票走勢(shì)的潛在規(guī)律，比如數(shù)據(jù)挖掘曾經(jīng)得到過(guò)這個(gè)結(jié)論：“如果微軟的股票下跌4%，那么IBM的股票將在兩周內(nèi)下跌5%”。醫(yī)療探求各種疾病之間的相互關(guān)系、各種疾病的發(fā)展規(guī)律，總結(jié)各種治療方案的治療效果，以及對(duì)疾病的診斷、治療和醫(yī)學(xué)研究是非常有價(jià)值和發(fā)展前景的。同時(shí)，醫(yī)療數(shù)據(jù)是既有文本、數(shù)據(jù)挖掘其他應(yīng)用39在今天，NBA的教練有了他們的新式武器：決策支持下的數(shù)據(jù)分析。大約20個(gè)NBA球隊(duì)使用了IBM公司開發(fā)的數(shù)據(jù)挖掘軟件來(lái)優(yōu)化他們的戰(zhàn)術(shù)組合?；鸺目偨?jīng)理莫雷該軟件就因?yàn)檠芯苛四g(shù)隊(duì)隊(duì)員不同的布陣，在魔術(shù)隊(duì)與邁阿密熱隊(duì)的比賽中找到了獲勝的機(jī)會(huì)。(1)系統(tǒng)分析顯示魔術(shù)隊(duì)先發(fā)陣容中的兩個(gè)后衛(wèi)哈德衛(wèi)和伯蘭在前兩場(chǎng)中被評(píng)為－17分,這意味著他倆在場(chǎng)上，本隊(duì)輸?shù)舻姆謹(jǐn)?shù)比得到的分?jǐn)?shù)多17分。然而，當(dāng)哈德衛(wèi)與替補(bǔ)后衛(wèi)阿姆斯創(chuàng)組合時(shí)，魔術(shù)隊(duì)得分為正14分。(2)在下一場(chǎng)中，魔術(shù)隊(duì)增加了阿姆斯創(chuàng)的上場(chǎng)時(shí)間。此招果然見(jiàn)效：阿姆斯創(chuàng)得了21分，哈德衛(wèi)得了42分，魔術(shù)隊(duì)以88比79獲勝。有趣的數(shù)據(jù)挖掘----美國(guó)NBA40數(shù)據(jù)挖掘的方法

根據(jù)數(shù)據(jù)挖掘的方法分，可粗分為：統(tǒng)計(jì)方法機(jī)器學(xué)習(xí)方法神經(jīng)網(wǎng)絡(luò)方法數(shù)據(jù)庫(kù)方法41(1)統(tǒng)計(jì)方法回歸分析（多元回歸、自回歸、羅吉斯回歸等）判別分析（貝葉斯判別、費(fèi)歇爾判別、非參數(shù)判別等）聚類分析（系統(tǒng)聚類、動(dòng)態(tài)聚類等）探索性分析（主元分析法、相關(guān)分析法等）以及模糊集、粗糙集、支持向量機(jī)等。(2)機(jī)器學(xué)習(xí)歸納學(xué)習(xí)方法（決策樹(ID3算法)、規(guī)則歸納等）、基于范例的推理CBR遺傳算法貝葉斯信念網(wǎng)絡(luò)等。(3)神經(jīng)網(wǎng)絡(luò)方法前向神經(jīng)網(wǎng)絡(luò)（BP算法等）自組織神經(jīng)網(wǎng)絡(luò)（自組織特征映射、競(jìng)爭(zhēng)學(xué)習(xí)等）等。(4)數(shù)據(jù)庫(kù)方法基于可視化的多維數(shù)據(jù)分析或OLAP方法，另外還有面向?qū)傩缘臍w納方法。數(shù)據(jù)挖掘是CRM成功的保障CRM中數(shù)據(jù)挖掘的應(yīng)用：1.客戶的獲取。把客戶根據(jù)其性別、收入、交易行為特征等屬性細(xì)分為具有不同需求和交易習(xí)慣的群體，同一群體中的客戶對(duì)產(chǎn)品的需求以及交易心理等方面具有相似性，而不同群體間差異較大。這樣就有助于企業(yè)在營(yíng)銷中更加貼近顧客需求。分類和聚類等挖掘方法可以把大量的客戶分成不同的類，適合于進(jìn)行客戶細(xì)分。通過(guò)群體細(xì)分，CRM用戶可以更好地理解客戶，發(fā)現(xiàn)群體客戶的行為規(guī)律。在行為分組完成后，還要進(jìn)行客戶理解、客戶行為規(guī)律發(fā)現(xiàn)和客戶組之間的交叉分析。數(shù)據(jù)挖掘是CRM成功的保障2.重點(diǎn)客戶發(fā)現(xiàn)。就是找出對(duì)企業(yè)具有重要意義的客戶，重點(diǎn)客戶發(fā)現(xiàn)主要包括：發(fā)現(xiàn)有價(jià)值的潛在客戶；發(fā)現(xiàn)有更多的消費(fèi)需求的同一客戶；發(fā)現(xiàn)更多使用的同一種產(chǎn)品或服務(wù)；保持客戶的忠誠(chéng)度。根據(jù)80/20以及開發(fā)新客戶的費(fèi)用是保留老客戶費(fèi)用的5倍等營(yíng)銷原則，重點(diǎn)客戶發(fā)現(xiàn)在CRM中具有舉足輕重的作用。數(shù)據(jù)挖掘是CRM成功的保障3.交叉營(yíng)銷。商家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，通過(guò)不斷地相互接觸和交流，客戶得到了更好更貼切的服務(wù)質(zhì)量，商家則因?yàn)樵黾恿虽N售量而獲利。交叉營(yíng)銷指向已購(gòu)買商品的客戶推薦其他產(chǎn)品和服務(wù)。這種策略成功的關(guān)鍵是要確保推銷的產(chǎn)品是用戶所感愛(ài)好的，有幾種挖掘方法都可以應(yīng)用于此問(wèn)題，關(guān)聯(lián)規(guī)則分析能夠發(fā)現(xiàn)顧客傾向于關(guān)聯(lián)購(gòu)買哪些商品；聚類分析能夠發(fā)現(xiàn)對(duì)特定產(chǎn)品感愛(ài)好的用戶群；神經(jīng)網(wǎng)絡(luò)、回歸等方法能夠猜測(cè)顧客購(gòu)買該新產(chǎn)品的可能性。數(shù)據(jù)挖掘是CRM成功的保障4.客戶分析。主要包括：客戶價(jià)值金字塔分析、客戶分布分析、新增客戶分析、流失客戶分析和購(gòu)買行為分析。其中分類等技術(shù)能夠判定具備哪些特性的客戶群體最輕易流失，建立客戶流失猜測(cè)模型，從而幫助企業(yè)對(duì)有流失風(fēng)險(xiǎn)的顧客提前采取相應(yīng)營(yíng)銷措施。利用數(shù)據(jù)挖掘技術(shù)，可以通過(guò)挖掘大量的客戶信息來(lái)構(gòu)建猜測(cè)模型，較準(zhǔn)確地找出易流失客戶群，并制訂相應(yīng)的方案，最大程度地保持住老客戶。數(shù)據(jù)挖掘是CRM成功的保障5.性能評(píng)估。以客戶所提供的市場(chǎng)反饋為基礎(chǔ)，通過(guò)數(shù)據(jù)倉(cāng)庫(kù)的數(shù)據(jù)清潔與集中過(guò)程，將客戶對(duì)市場(chǎng)的反饋?zhàn)詣?dòng)地輸入到數(shù)據(jù)倉(cāng)庫(kù)中，從而進(jìn)行客戶行為跟蹤。性能分析與客戶行為分析和重點(diǎn)客戶發(fā)現(xiàn)是相互交疊的過(guò)程，這樣才能保證企業(yè)的客戶關(guān)系治理能夠達(dá)到既定的目標(biāo)，建立良好的客戶關(guān)系。47關(guān)聯(lián)分析

關(guān)聯(lián)分析主要用于發(fā)現(xiàn)不同事件之間的關(guān)聯(lián)性，即一個(gè)事件發(fā)生的同時(shí)，另一個(gè)事件也經(jīng)常發(fā)生。關(guān)聯(lián)分析的重點(diǎn)在于快速發(fā)現(xiàn)那些有實(shí)用價(jià)值的關(guān)聯(lián)發(fā)生的事件。三、數(shù)據(jù)挖掘方法的應(yīng)用舉例48關(guān)聯(lián)規(guī)則挖掘記錄號(hào)購(gòu)物清單12345啤酒、尿布、嬰兒爽身粉、面包、雨傘尿布、嬰兒爽身粉啤酒、尿布、牛奶尿布、啤酒、洗衣粉啤酒、牛奶、可樂(lè)客戶購(gòu)物清單單項(xiàng)統(tǒng)計(jì)支持度｛啤酒｝｛尿布｝｛嬰兒爽身粉｝｛牛奶｝0.80.80.40.4單項(xiàng)統(tǒng)計(jì)結(jié)果49雙項(xiàng)統(tǒng)計(jì)支持度｛啤酒，尿布｝｛啤酒，牛奶｝｛尿布，嬰兒爽身粉｝0.60.40.4R1：啤酒～尿布，S=0.6，C＝0.6／0.8＝＝0.75R2：尿布～啤酒，S=0.6，C＝0.6／0.8＝＝0.75R3：牛奶～啤酒，S=0.4，C＝0.4／0.4＝＝1R4：啤酒～牛奶，S=0.4，C=0.4／0.8＝＝0.5R5：尿布～爽身粉，S=0.4，C＝0.4／0.8＝＝0.5R6：嬰兒爽身粉～尿布，S=0.4，C=0.4/0.4＝＝l50●現(xiàn)代方法——決策樹（DecisionTree）決策樹的組成決策節(jié)點(diǎn)、分支、葉子———根節(jié)點(diǎn)分支———葉子Debt<10%ofIncomeDebt=0%GoodCreditRisksBadCreditRisksGoodCreditRisksYesYesYesNONONOIncome>$40K節(jié)點(diǎn)

決策樹的分支過(guò)程就是對(duì)數(shù)據(jù)進(jìn)行分類的過(guò)程，利用幾個(gè)變量（每個(gè)變量對(duì)應(yīng)一個(gè)問(wèn)題）來(lái)判斷數(shù)據(jù)所屬的類別。在分支后，要使不同分支之間數(shù)據(jù)的差異盡可能大、同一分支內(nèi)的數(shù)據(jù)盡量相同。這一分割過(guò)程也就是數(shù)據(jù)的“純化”過(guò)程。2.決策樹方法決策樹算法決策樹的構(gòu)造采用自上而下的遞歸構(gòu)造。以多叉樹為例，其構(gòu)造思路是：如果訓(xùn)練樣本集中所有樣本是同類的，則將它作為葉子節(jié)點(diǎn)，節(jié)點(diǎn)內(nèi)容即是該類別標(biāo)記；否則，根據(jù)某種策略選擇一個(gè)屬性，按照屬性的不同取值，將樣本集劃分為若干子集，使得每個(gè)子集上的所有樣本在該屬性上具有同樣的屬性值。然后再依次處理各個(gè)子集。實(shí)際上就是“分而治之”（divide-and-conquer）的策略。二叉樹同理，差別僅在于要選擇一個(gè)好的邏輯判斷。

決策樹算法決策樹構(gòu)造的條件構(gòu)造好的決策樹的關(guān)鍵是：如何選擇好的邏輯判斷或?qū)傩?。?duì)于同樣一組樣本，可以有很多決策樹能符合這組樣本。原則：選擇一個(gè)最能區(qū)別T中實(shí)例的屬性研究表明，一般情況下，樹越小則樹的預(yù)測(cè)能力越強(qiáng)。要構(gòu)造盡可能小的決策樹，關(guān)鍵在于選擇恰當(dāng)?shù)倪壿嬇袛嗷驅(qū)傩?。一般采用啟發(fā)式策略選擇好的邏輯判斷或?qū)傩浴?3患者代碼嗓子痛發(fā)燒淋巴腫充血頭痛診斷結(jié)果1YesyesYesYesYes咽炎2NoNoNoYesYes敏感癥3YesYesNoYesNo感冒4YesNoYesNoNo咽炎5NoYesNoYesNo感冒6NoNoNoYesNo敏感癥7NoNoYesNoNo咽炎8YesNoNoYesYes敏感癥9NoYesNoYesYes感冒10yesYesnoYesYes感冒淋巴腫數(shù)據(jù)挖掘?qū)嵗颊叽a嗓子痛發(fā)燒淋巴腫充血頭痛診斷結(jié)果11NoNoYesYesYes?12YesYesNoNoYes?13NoNoNoNoYes?54患者代碼嗓子痛發(fā)燒淋巴腫充血頭痛診斷結(jié)果1YesyesYesYesYes咽炎2NoNoNoYesYes敏感癥3YesYesNoYesNo感冒4YesNoYesNoNo咽炎5NoYesNoYesNo感冒6NoNoNoYesNo敏感癥7NoNoYesNoNo咽炎8YesNoNoYesYes敏感癥9NoYesNoYesYes感冒10yesYesNoYesYes感冒淋巴腫發(fā)燒NoNoYesYes咽炎敏感癥感冒淋巴腫、發(fā)燒是有意義的屬性嗓子痛、充血、頭痛是無(wú)意義的屬性數(shù)據(jù)挖掘?qū)嵗?5淋巴腫發(fā)燒NoNoYesYes咽炎敏感癥感冒患者代碼嗓子痛發(fā)燒淋巴腫充血頭痛診斷結(jié)果11NoNoYesYesYes?12YesYesNoNoYes?13NoNoNoNoYes?未知分類的數(shù)據(jù)實(shí)例（檢驗(yàn)集）未知分類的數(shù)據(jù)檢驗(yàn)56患者代碼嗓子痛發(fā)燒淋巴腫充血頭痛診斷結(jié)果1YesyesYesYesYes咽炎2NoNoNoYesYes敏感癥3YesYesNoYesNo感冒4YesNoYesNoNo咽炎5NoYesNoYesNo感冒6NoNoNoYesNo敏感癥7NoNoYesNoNo咽炎8YesNoNoYesYes敏感癥9NoYesNoYesYes感冒10yesYesnoYesYes感冒淋巴腫發(fā)燒NoNoYesYes敏感癥敏感癥咽炎NoYes頭痛淋巴腫感冒發(fā)燒淋巴腫NoYes咽炎NoYes選取頭痛作為決策屬性決策樹的屬性選取屬性選取標(biāo)準(zhǔn)：最大化反映數(shù)據(jù)差異，使樹的層次和節(jié)點(diǎn)數(shù)最小信用卡促銷數(shù)據(jù)庫(kù)收入段壽險(xiǎn)促銷信用卡保險(xiǎn)性別年齡4-5萬(wàn)NoNoM453-4萬(wàn)YesNoF404-5萬(wàn)NoNoM423-4萬(wàn)YesYesM435-6萬(wàn)YesNoF382-3萬(wàn)NoNoF553-4萬(wàn)YesYesM352-3萬(wàn)NoNoM273-4萬(wàn)NoNoF433-4萬(wàn)YesNoF414-5萬(wàn)YesNoM432-3萬(wàn)YesNoF295-6萬(wàn)YesNoF394-5萬(wàn)NoNoM552-3萬(wàn)YesYesF19數(shù)據(jù)挖掘?qū)嵗獕垭U(xiǎn)促銷我們將試圖發(fā)現(xiàn)年齡、收入、性別、是否有信用卡保險(xiǎn)等因素與是否購(gòu)買壽險(xiǎn)的關(guān)聯(lián)，從而證實(shí)已購(gòu)買壽險(xiǎn)與某些相關(guān)因素間的規(guī)則。58收入段壽險(xiǎn)促銷信用卡保險(xiǎn)性別年齡4-5萬(wàn)NoNoM453-4萬(wàn)YesNoF404-5萬(wàn)NoNoM423-4萬(wàn)YesYesM435-6萬(wàn)YesNoF382-3萬(wàn)NoNoF553-4萬(wàn)YesYesM352-3萬(wàn)NoNoM273-4萬(wàn)NoNoF433-4萬(wàn)YesNoF414-5萬(wàn)YesNoM432-3萬(wàn)YesNoF295-6萬(wàn)YesNoF394-5萬(wàn)NoNoM552-3萬(wàn)YesYesF19○選取收入段為根節(jié)點(diǎn)○選取壽險(xiǎn)促銷為輸出屬性○沿著每個(gè)分支有兩個(gè)類，選取最頻繁出現(xiàn)的類收入段2Yes2No4Yes1No3No1Yes2Yes2—3萬(wàn)3—4萬(wàn)4—5萬(wàn)5—6萬(wàn)○訓(xùn)練集分類的正確性為11／15＝73％數(shù)據(jù)挖掘?qū)嵗獕垭U(xiǎn)促銷59——決策樹（DecisionTree）：例信用卡促銷數(shù)據(jù)庫(kù)○選取信用卡保險(xiǎn)為根節(jié)點(diǎn)○選取壽險(xiǎn)促銷為輸出屬性○沿著每個(gè)分支有兩個(gè)類，選取最頻繁出現(xiàn)的類信用卡保險(xiǎn)6Yes6No3Yes0NoNoYes○訓(xùn)練集分類的正確性為9／15＝60％收入段壽險(xiǎn)促銷信用卡保險(xiǎn)性別年齡4-5萬(wàn)NoNoM453-4萬(wàn)YesNoF404-5萬(wàn)NoNoM423-4萬(wàn)YesYesM435-6萬(wàn)YesNoF382-3萬(wàn)NoNoF553-4萬(wàn)YesYesM352-3萬(wàn)NoNoM273-4萬(wàn)NoNoF433-4萬(wàn)YesNoF414-5萬(wàn)YesNoM432-3萬(wàn)YesNoF295-6萬(wàn)YesNoF394-5萬(wàn)NoNoM552-3萬(wàn)YesYesF1960——決策樹（DecisionTree）：例信用卡促銷數(shù)據(jù)庫(kù)○選取數(shù)值型屬性年齡為根節(jié)點(diǎn)○選取壽險(xiǎn)促銷為輸出屬性○依照年齡排序，對(duì)照輸出屬性進(jìn)行數(shù)據(jù)分割，選擇數(shù)據(jù)分割點(diǎn)年齡9Yes3No0Yes3No≤43＞43○以年齡≤43結(jié)合壽險(xiǎn)促銷＝Y(jié)es，訓(xùn)練集分類的正確性為12／15＝80％172729353839404142434343455555YNYYYYYYNYYNNNN收入段壽險(xiǎn)促銷信用卡保險(xiǎn)性別年齡4-5萬(wàn)NoNoM453-4萬(wàn)YesNoF404-5萬(wàn)NoNoM423-4萬(wàn)YesYesM435-6萬(wàn)YesNoF382-3萬(wàn)NoNoF553-4萬(wàn)YesYesM352-3萬(wàn)NoNoM273-4萬(wàn)NoNoF433-4萬(wàn)YesNoF414-5萬(wàn)YesNoM432-3萬(wàn)YesNoF295-6萬(wàn)YesNoF394-5萬(wàn)NoNoM552-3萬(wàn)YesYesF1961信用卡促銷數(shù)據(jù)庫(kù)年齡Yes（6／1）No（2／1）≤43＞43性別FM信用卡保險(xiǎn)Yes（2／0）No（3／0）NoYes信用卡數(shù)據(jù)庫(kù)的三節(jié)點(diǎn)決策樹○訓(xùn)練集分類的正確性為13／15＝87％收入段壽險(xiǎn)促銷信用卡保險(xiǎn)性別年齡4-5萬(wàn)NoNoM453-4萬(wàn)YesNoF404-5萬(wàn)NoNoM423-4萬(wàn)YesYesM435-6