数据挖掘在客户关系管理中的应用

在整个客户关系管理系统中，主题分析逐渐成为应用的主导。对客户管理产生了许多量化指标，应用量化指标对客户进行管理决策提高了科学性和正确性。对客户数据的分析更多体现在数据挖掘工具的使用上，数据挖掘在客户关系管理系统中体现出重要的商业价值。现在国内外推出的诸多客户关系管理产品中，数据挖掘都作为一个重要的模块嵌在其中。单纯的操作型客户关系管理已被逐渐淘汰。

1）客户的细分

客户的细分是市场营销理论中很重要的一个环节。企业对客户进行细分后，可对不同的客户提供不同的产品或服务，以增加客户价值，尤其对于挖掘黄金客户，寻求客户的“质量”是必不可少的。

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，同属一个细分群体的消费者彼此相似，而属于不同细分群体的消费者，是被视为不同的。比如说，在数据库中将消费者信息根据住所状况不同来组织存放这样一个简单的动作就是细分。

同一个细分群体中的消费者可因多种理由而被称为相似：他们可能在居住地域上相似，或者是他们思考或行为的方式相似，或者是他们的购买模式或购买习惯相同，或者医生开处方的习惯相同等。有时在分类时也可以因实际业务需要、商家认为重要的因素而相似。比如，喜欢使用进口药的人属于一个细分群，而喜欢国产药的是另一个细分群；喜欢便宜药品的是一个细分群，而喜欢价格贵的药是另一个细分群等。

从上述可以得知，细分可以让一个用户从比较高的层次上来察看整个数据库中的数据，也就是“鸟瞰”，这正是细分的意义所在。当然，细分也可使得我们可以用不同的方法对待处于不同的细分群小的客户。如可以区别对待进口药和国产药、便宜药和昂贵药、西药和中药，分别在什么样的人群中给他们宣传什么样的广告片，或者在他们人群相对集中的社区药店多增加一些对应的品种，或提供一些专门的服务。

一个真正的细分必须满足以下条件：完整性，数据库中的每一个消费者都必须属于一个细分群；互斥性，数据库中的任何一个消费者不能同属多个细分群。

从客户关系管理的角度来看，基于数据挖掘技术进行客户细分的方式就更为复杂。其细分是数据驱动的细分，而不是靠简单的单项指标进行分类。客户购买了某类产品，是客户实际做过的事，他在购买过程中留下的数据信息的多种组合就可提供数据挖掘使用。

在客户的细分上如何使用数据挖掘呢？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。比如说，决策树上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用户存在一些共同的预测行为（例如对免费赠送围裙的市场推广活动可能会有一些好的反响）。图7.20 是一个利用决策树来进行细分群的例子，挖掘的数据之间保持了互斥性和完整性。

图7.20　决策输入和构成的分群

另外，其他的数据挖掘技术也可以用作客户的细分，如聚类方法。客户归为某个细分群并没有什么特殊的理由，只是从总体来看，客户和同一个细分群中的其他客户更相像。

通过数据挖掘技术应用后的客户细分方式更适合于市场实际的需要。正确使用科学的客户细分群能使企业采取更为合理和科学的营销方式，提高营销的有效性。

2）客户的赢利能力分析

企业的利润与客户赢利能力这个指标息息相关，其实客户关系管理的核心也就在于提高客户赢利能力。它和客户忠诚度正向相关，是数据挖掘的基础。数据挖掘技术往往是通过帮助企业理解和提高客户赢利能力来发挥作用。如果一个企业不知道顾客的价值，就很难判断什么样的市场策略是最佳的，可能产生对某些客户过度投资，而对某些客户投资不够等盲目的市场行为。

在进行挖掘应用之前，先必须对客户价值进行分析。按照市场营销的理论，商家要从客户的角度来衡量商品的价值。这种价值也就是消费者由于购买商品而获得的价值，国外学者Monroe将其定义为“消费者可见价值”（CPV）：

式中　PS——可见费用。为购买价格、咨询费、培训费、运输费、安装费、修理费及维护费等；

PB——可见利益。为商品效用、售后服务、提供保险、质量保证及技术支持等。

当然，由于消费者的资金状况、需求及偏好等各异，其可见价值不尽相同。

在消费者的购买活动中，始终贯穿着客户和商家的关系。这种关系不但影响其再购买，而且还影响消费者对商家及商品的信誉和品质优劣的传扬，成为市场舆论的重要组成部分。消费者在作出购买决策时，要考虑商家的资信品质、交货期、售后服务及技术支持等。它包含给消费者带来诸如安全、信用、可靠等方面的“关系利益”（RB）。但有的商家忽略消费者所付出的“关系费用”（RS），如：延迟交货导致成本增加的损失；办理发票、提货耽搁，造成时间的损失（时间费用）；担忧商家信用是否可靠、能否履行承诺、质量是否有保证，引起心理上的损失（心理费用）。因此，在分析消费者可见价值时，须考虑这种关系所包含的不可见的价值，即：关系利益/关系费用。故式（7.1）应扩展为客户关系价值（V）。

在价值分析中，客户关系价值分析的目标是：如何增加价值使其对商家和消费者都有利。增强商家同客户间的关系当然在于增加利益（PB＋RB），减少费用（PS＋RS），才能吸引消费者购买；商家与消费者构建买卖关系又在于商家有可靠的资信、及时交货、良好的售后服务及技术支持，能给消费者带来安全、信用、可靠等方面的关系利益。与此同时，商家也就获得消费者的信赖和对其忠诚，从而建立、保持一种互利的长期关系。上述这种关系如图7.21所示。

客户关系价值从商家角度来看，代表了客户的赢利能力。在明确客户赢利能力的衡量指标后，对客户赢利能力大小的分类和管理成为分析客户关系管理系统的重心，数据挖掘技术在其中起了关键作用。(www.xing528.com)

图7.21　商家和消费者的互利关系

在前面提过的意大利经济学家帕累托（ViIfredo Pareto）提出的80/20 定律：能带来80%销售利润的那些20%的优良客户。金融企业有一份研究，10%的销售额也许仅仅需要1%左右的客户就够了，而实现10%的销售利润也许连1%的客户都用不着。也就是说，对于一家拥有500 万个客户、年利润15 亿元的银行，不到5 万个客户，就能实现近2 亿元的利润。因此加强客户关系管理的应用，利用数据挖掘技术有效地找出哪些顾客对企业利润的贡献或潜在贡献最大，并决策应该对这部分顾客采取多大价值量的市场行为。

数据挖掘技术可以用来预测不同的市场活动下客户赢利能力的变化。通过相应的预测模型，来预测客户的未来行为，不断调整客户关系维护的策略，从而赢得高价值客户的忠诚，把高价值客户留住（黄金客户），从而最大化高价值客户的终生价值。对于一家典型的商业银行来说，最为重要的20%的客户能带来总收入的140%～150%的收益，而其中50%的收益被银行另外20%的最差客户从银行利润中吞噬掉了。这一结果也说明了庞大的市场份额并不一定总能带来高额利润。在这家银行里的管理层必须明白银行的真正利润是从哪里来的，通过数据挖掘，将营销目标定位于那些能给银行带来最多利润的优质客户。另外，客户的赢利能力也会经常发生变化，对客户预期的赢利能力趋势企业如果预测得好，将会给企业的客户关系管理能力带来良好的效用。如图7.22所示，对企业客户关系管理的应用中常把客户根据赢利能力的大小分为两类：黄金级客户价值评定比较高，青铜级客户价值评定比较低。在现实的管理过程中，经常会发现一些黄金级客户逐渐演变为青铜级客户，却不知原因出在什么地方，也不知道下阶段会有多少黄金客户会变为青铜客户。数据挖掘技术能够从客户的历史信息中预测出将来演变的趋势和概率，企业可针对性地采取措施，防止客户价值变低，鼓励有可能增加客户价值的演变。图7.22所示的模式转变，就是数据挖掘所要提供的。

图7.22　数据挖掘在客户层次转变中的作用

3）交叉营销

商家与客户建立的商业关系是一种持续的不断发展的关系，良好的客户关系对商家利润的贡献是很大的。因此一旦建立这种双向关系，商家会尽量优化这种关系：延长关系的时间，关系期内增加接触，每次接触中获取更多的利润。近些年，各领域频频发生大企业集团的并购，如Citicorp集团与Travelers集团的并购，它们的目的也是充分利用对方现有的客户群，以提高向对方现有客户群提供自己的产品和服务的机会；Citicorp 集团希望增加保险产品的销售额，Travelers集团希望增加金融服务上的销售量。

商家在与客户建立了商业关系之后，就可以向他们提供更多商品或服务。在优化这种关系之后，可以在巩固现有关系的基础上，增加向客户提供更多商品和服务的机会。其目标是达到双赢结果，即客户和公司都可以从中获益。客户获益是由于他们得到了更好、更贴切的服务质量，商家则因为增加了销售量而获利。这就是交叉营销，它是基于老客户开展新业务的过程，或者理解为向现有的客户提供新的产品和服务的营销过程。购买了咖啡的顾客会对速溶方糖这种产品感兴趣，购买了尿布的顾客会对其他婴儿产品感兴趣，商家可利用这种关联对客户进行交叉营销，以增加客户的价值贡献。

以一位拥有银行卡的客户为例，他希望得到的全部金融服务都能通过这张银行卡实现，如住房按揭还贷、小额抵押贷款、股票和其他有价证券的买卖、购物消费、外汇买卖、电子汇兑和代收代付家政服务等。因此，借助于CRM，银行可以对那些优质的银行卡客户进行交叉营销，起到事半功倍的效果，从而使银行的利润得以提高。

数据挖掘在客户关系管理中的应用是从现有一定量的历史数据中开始的，最好建有丰富信息量的数据仓库，从客户的历史交易行为中寻找交叉营销的机会。从清洁数据中进行数据挖掘可以得出一些模型，筛选出有价值的模型，并且这个模型能够预测出客户将来的一些消费趋势或某种消费行为的概率。在决定选择哪些客户最有价值进行某种商品或服务的交叉营销时，模型预测出的概率就可以作为指标来排序了。

做交叉营销的分析时，数据挖掘可分为3 个步骤：首先对个体行为进行建模，并对客户将来的行为进行预测分析，实际使用时要求每一种交叉营销情况都要建一个模型；其次用预测模型来对数据进行评分，也就是对新的客户数据进行分析以决定向客户提供哪一种交叉营销更为合适；再次是优化阶段，根据追求目标的不同，可以采取简单的质朴的方法（如以得分高低选择），也可以融合其他一些经济信息，用平均效益的方法使总体经济效益最大化，还可以是个人效益方法或是有约束条件的优化方法等，最终决定出交叉营销的最佳方案。

4）客户的保持

客户的保持是客户关系管理的核心内容，也往往是考核客户关系管理系统成功与否的首要指标。行业的竞争越来越激烈，获得新客户的成本节节攀升，保持老客户也越来越有价值。根据北美和欧洲的统计数据表明，在全球500 强企业中，他们每5 年大约流失50%的客户，企业争取一个新客户的成本大约是保留一个老客户的7～10 倍，流失一个老客户的损失要争取10 个新客户才能弥补。

在研究客户的保持这个问题时，首先要对影响企业客户保持能力的因素加以分析，以下是一些常见的影响因素：

①客户购买行为要受到来自文化、社会环境、个人特性、心理等方面的影响。这部分因素是企业无法控制的，但是对于了解客户的个体特征有着重要的意义。由于来自同一类社会阶层或具有同一种心理、个性的客户往往具有相似的消费行为，企业可将同类的客户实施同样的营销策略，还可以对不同客户的销售结果与客户特性作对比，通过数据挖掘等技术发现它们之间的关联。

②客户满意与客户保持有着非线性的正相关关系。企业可以从建立顺畅的沟通渠道、及时准确地为客户提供服务、提高产品的核心价值和附加价值等方面来提高客户的满意度。

③客户在考虑是否转向其他供应商时必然要考虑转移的成本。转移成本与客户保持有正相关关系。转移成本的大小要受到市场竞争环境和建立新客户关系的成本的影响。

④客户关系具有明显的生命周期的特征。在不同的生命周期阶段中，客户保持具有不同的任务，一般来说，潜在期客户的转移成本较低，客户容易流失。而随着交易时间的延长，客户从稳定的交易关系中能够获得越来越多的便利，节省了转移成本，客户越来越趋于稳定，客户容易保持原有的交易关系。这时企业需要一如既往地提供令客户满意的服务和产品。

在客户关系管理中可以运用数据挖掘方法来预测客户的流失趋势，并找出影响企业保持能力因素的薄弱环节。其应用最广泛的是在移动电话业中，由于客户转移成本较低，客户保持能力较差，流失现象最容易发生。例如在中国移动和中国联通的竞争中，客户相互流出流入的量比较大，中国联通一个存话费送手机的市场活动可能会导致中国移动一定量的客户流失。具体哪些客户可能流失，数据挖掘技术可根据客户的历史消费习惯作出一定预测。

数据挖掘技术在客户保持的管理中也较简单。首先得有大量清洁的数据信息，尤其是客户一段时间内的行为信息，并初步统计一些相应的评价指标，如客户的重复购买率、客户的需求满足率、客户对竞争产品的关注程度、客户购买的挑选时间、客户对产品质量的承受能力等。在对数据初步分析的基础上再做预测模型的构建，建模时可使用决策树中的分类回归树（CART）、CHAID、C4.5、神经元网络等。产生一定模型后，对模型的检验也需要一定的数据量，具有良好质量的模型将给客户的流失预测带来较高的准确率。有一定的预测结果后，商家可以采取相应预防措施，最大量减少客户流失，提高企业客户保持能力。