信息化：数据挖掘在CRM中的核心作用(精)
信息化：数据挖掘在CRM中的核心作用 面临残酷的市场竞争，所有的企业都在不遗余力地争取新客户。然而，现有老客户也蕴涵着巨大的商机。调查发现，大部分企业每年有2050%的客户都是变动的，而这一数字在技术型公司更甚。一方面在挖空心思争取新客户，另一面却不断失去老客户。要改变这种状况，留住老客户赢得新客户，企业必须充分挖掘现有客户潜力。通过对客户的数据挖掘学习老客户，发掘新的目标客户，这也是很多成功企业上马CRM的原因。因而一套完善的CRM系统，在建设前期就应该认真考虑对数据挖掘的需求。 需求与技术催生数据挖掘 比较常见的分类，CRM被分为分析型、运营型、协作型，但无论哪一种，实现对客户活灵活现地了解都是最终目标，因而数据挖掘处于CRM系统的核心地位。 数据挖掘是提取有用信息的“数据产生”过程，是从大量数据中挖掘出隐含的、先前未知的、对决策有潜在价值的知识和规则，并能够根据已有的信息对未发生行为做出结果预测，为企业经营决策、市场策划提供依据。 数据挖掘的产生从企业需求方面讲，CRM上马后，运营特性最先显露出来，公司日常所有的营销业务都可以流程化和自动化地>'http:/lunwen.freekaoyan.com/guanlilunwen/' target='_blank' class='infotextkey'>管理起来，随后客户信息的日趋复杂，客户数据大量积累，仅限于营销流程的>'http:/lunwen.freekaoyan.com/guanlilunwen/' target='_blank' class='infotextkey'>管理已经难以满足企业进一步的需要，企业家期待CRM扮演更重要的角色，分析大量复杂的客户数据，挖掘客户价值。CRM数据应该适应多种分析的需求： 客户特征多维分析：挖掘客户个性需求，客户属性描述要包括地址、年龄、性别、收入、职业、>'http:/lunwen.freekaoyan.com/jiaoyujiaoxue' target='_blank' class='infotextkey'>教育程度等多个字段，可以进行多维的组合型分析，并快速给出符合条件的客户名单和数量。 客户行为分析：结合客户信息对某一客户群的消费行为进行分析。针对不同的消费行为及其变化，制定个性化营销策略，并从中筛选出“黄金客户”。 客户关注点分析：客户接触与客户服务的分析。 客户忠诚度分析：对客户持久性、牢固性及稳定性分析。 销售分析与销售预期：包括按产品、促销效果、销售渠道、销售方式等进行的分析。同时，分析不同客户对企业效益的不同影响，分析客户行为对企业收益的影响，使企业与客户的关系及企业利润得到最优化。 参数调整：为了提高分析结果的灵活度，扩大其适用范围，企业需要对有关参数进行调整。例如，价格的变化对收入会有什么样的影响？客户的消费点临近什么值开始成为“正利润”客户？企业需要通过对收集到的各种信息进行整理和分析，利用科学的方法，做出各种决策。 此外信息技术的发展对数据挖掘的产生做出了很大贡献。IDC的调研报告中，2003年数据仓库将达到200亿美元的市场规模，数据仓库是一种面向决策主题、由多数据源集成、拥有当前及>'http:/lunwen.freekaoyan.com/wenshilunwen' target='_blank' class='infotextkey'>历史终结数据的数据库系统。它是一个中央存储系统，可以帮助企业员工回答来自客户的业务问题。 在CRM中，数据仓库将海量复杂的客户行为数据集中起来，建立一个整合的、结构化的数据模型，在此基础上对数据进行标准化、抽象化、规范化分类、分析，为企业>'http:/lunwen.freekaoyan.com/guanlilunwen/' target='_blank' class='infotextkey'>管理层提供及时的决策信息，为企业业务部门提供有效的反馈数据。现在，NCR、IBM、Oracle等等厂商都在数据仓库领域有所建树，一些预见性的模型和解决方案已经被建立起来，数据仓库已不仅仅是简单的数据存储，而成为对客户资料进行分析，挖掘客户潜力的基石。 客户分析的三阶段 客户分析过程包括以下三阶段：客户行为分析、重点客户发现和效能评估。首先，将客户行为数据（反馈）和效能评估的结果集中起来进行客户行为分析，通过对重点客户的挖掘，为制定市场策略提供依据；其次，把对客户行为的分析结果以报表形式传递给市场专家，市场专家利用这些分析结果，制定准确、有效的市场策略；最后，以客户所提供的市场反馈为基础，再一次进行效能评估，为改进服务和CRM本身提供依据。 1、客户行为分析 包括行为分组、客户理解和客户组之间的交叉分析三个步骤。行为分组是关键，行为分组的分析结果使后两个步骤更加容易。 行为分组：根据客户行为的不同划分为不同的群体，各个群体有着明显的行为特征。通过分组，可以更好地理解客户，发现群体客户的行为规律。分析过程中把一次市场活动后得到的客户反馈叫做“反应行为模式”，和手工销售体系中采用的“二元客户反应模式”不同，CRM采用的“分类反应行为模式”，允许定义多种反应行为。定义反应行为的方法取决于企业所从事的商业领域。比如企业主营业务是服装销售，一种反应行为可以定义为“从产品目录中选购了女式服装”，也可定义为“从产品目录中选购了男式服装”。这些行为模式的定义可以根据需要非常具体（如，购买了一件红色的男式马球牌衬衫）。 客户理解：其目标是将客户在行为上的共性与已知资料结合起来，对客户进行具体分析：哪些客户具有这样的购买行为？客户分布地区？此类客户给企业带来多少利润？忠诚如何？客户拥有企业的哪些产品？客户购买高峰期？完成了这些客户理解，将为企业在确定市场活动的时间、地点、对象等方面提供确凿的依据。 组间交叉分析：客户组间交叉分析对企业来说也很重要，许多客户同属于两个不同的行为分组，且这两分组对企业的影响相差很大。在企业有“购买新款商品”和“购买50元以下商品”这两个行为分组。企业会认为第一个分组对企业的收益影响大，因为希望通过新款商品来扩大市场，而第二分组对企业的收益影响小。此时，如果客户同属两组，我们就需要充分分析客户发生这种现象的原因。组间交叉分析为我们提供了解决方案，企业可以了解：哪些客户能够从一个行为分组跃进到另一个行为分组中；行为分组之间的主要差别；客户从一个对企业价值较小的组上升到对企业有较大价值的组的条件是什么？这些分析可以帮助企业准确地制定市场策略，获得更多的利润。 2、重点客户发现 CRM理论经典的2/8原则，即80%利润来自20%客户，重点客户发现主要应考虑以下方面：潜在客户（有价值的新客户）；交叉销售（交叉销售指企业向老客户提供新产品、新服务的营销过程）；增量销售（更多地使用同一种产品或服务）；客户保持（保持客户的忠诚度）。 假设你是一个银行的市场经理，想向现有的客户推销房屋抵押贷款和信用金卡这两个新产品以进行交叉销售。CRM进行交叉销售时，需要进行三个步骤： 数据收集：从数据仓库中收集与客户有关的所有信息。包括客户个人信息（年龄、收入）、交易记录（最近的收支情况、消费次数和信用等级） 进行建模：用数据挖掘的一些算法（如统计回归、逻辑回归、决策数、神经网络等）对数据进行分析，产生一些数学公式，用来对客户将来的行为进行预测分析。 对数据进行评分：评分过程就是计算数学模型的结果。 3、效能评估 根据客户行为分析，企业可以更准确地制定市场策略和策划市场活动。然而，这些市场活动能否达到预定的目标是改进市场策略和评价客户行为分组性能的重要指标。因此，CRM必须对行为分析和市场策略进行评估。这些效能评估都是以客户所提供的市场反馈为基础的。针对每个市场目标设计一系列评估模板，从而使企业能够及时跟踪市场的变化。同时在这些报告中，给出一些统计指标来度量市场活动的效率，这些报告应该按月份更新，并根据市场活动而改变。在一定的时间范围内（36个月）给出行为分组的报告。 精确锁定目标客户 某集团应用SAS的数据挖掘方法（SEMMA）、工具（SAS/EM）及采用人工神经网络模型来分析和决策客户对是否愿意购买某一个产品的调查表的响应。在SAS/EM的窗口下，只需Drag-and-Drop即可迅速地实现该项目的挖掘过程的搭建，包括创建数据源、数据取样、数据分割、变量转换、数据探索及预处理、人工神经网络建模、模型评估和决策及展示等。 当企业不进行任何建模分析时，盲目将调查表发出，其响应率约为23.9%。这样既浪费了人力、财力和时间，又不便于对调查者进行分析，我们并不知道具有什么特征的客户喜欢这个产品并将调查表提交。 但是神经网络能够根据数据集的分布特征自动的发现规律，并以权值表示之。这些权值实际上表征并隐藏着客户的特征，如年龄在30-45岁之间的大多数客户喜欢该产品并乐意将调查表提交。结果表明：如果企业将调查表减少为原来的30%，并按神经网络权值隐含的规则散发调查表，其响应率可望达到33%；如果企业将调查表减少为原来的10%，并按神经网络权值隐含的规则散发调查表，其响应率可望达到51%。 这样，既节约了成本，又对客户的特征进行了分析，为企业的决策提供了支持，通过数据挖掘，可以发现购买某一商品的客户特征，从而可以向同样具有这些特征却没有购买的客户推销这个商品；若找到流失的客户特征，就可以在那些具有相似特征的客户还未流失之前，采取针对性的措施。
