- 相關推薦
數據挖掘技術在ＣＲＭ中的應用
摘要:本文闡述了CRM的內涵和外延及數據挖掘技術常用的算法和分析方法，并在此基礎上重點分析了數據挖掘技術在CRM中的功能和應用。 關鍵詞：數據倉庫；數據挖掘；知識發現；客戶關系管理一、CRM的概念
經過20多年的發展，市場經濟的觀念已深入人心，一些先進企業的經營理念正在經歷著從以產品為中心向以客戶為中心的轉移。在這種背景下，企業有必要對客戶的各種活動和信息進行集成，實現對客戶的全面管理，這就是所謂的“客戶關系管理”（CRM）。
客戶關系管理(CRM)源于以客戶為中心的商業模式，其通過對客戶關系的有效管理，以鑒別、獲得、保持為企業帶來利潤的客戶，是一種新型的管理機制。到目前為止，CRM還沒有統一的定義，最早提出CRM概念的Gartner Group認為，客戶關系管理是為企業提供全方位的管理視角，賦予企業更完善的客戶交流能力，從而實現客戶收益率的最大化。根據企業資源管理研究中心（AMT）的定義,CRM是一種以客戶為中心的經營策略，它以信息技術為手段對相關業務功能進行重新設計，并對相關工作流程進行重組，以達到留住老客戶、吸引新客戶、提高客戶利潤貢獻度的目的。筆者認為，客戶關系管理（CRM）是現代企業管理的核心思想，它貫徹以客戶為中心的經營理念，利用信息技術來充分把握和了解客戶，在適當的時候，把適當的產品，通過適當的途徑，提供給適當的客戶。CRM為企業提供了一個收集、分析 和利用各種客戶信息的系統，幫助企業充分利用其客戶管理資源，也為企業在電子商務時代從容應對不同的客戶提供了科學的手段和方法。
二、數據挖掘技術
1． 數據挖掘常用的算法。
（1）決策樹（decision tree）決策算法。決策樹是一個類似于流程圖的樹結構，其中每個內部節點表示在一個屬性上的測試，每個分枝代表一個測試輸出，而每個樹葉節點代表類或類分布。決策樹算法包括樹的構造和樹的剪枝，有兩種常用的剪枝方法：先剪枝和后剪枝。
（2）神經網絡（Neural Network）。神經網絡是一組連接的輸入/輸出單元，其中每個連接都與一個權相連，在學習階段，通過調整神經網絡的權，使得能夠預測輸入樣本的正確類標號來學習。
（3）遺傳算法（Genetic Algorithms）。遺傳算法根據適者生存的原則，形成由當前群體中最適合的規則組成新的群體，以及這些規則的后代。遺傳算法用于分類和其他優化問題。
（4）粗糙集方法。粗糙集方法基于給定訓練數據內部的等價類的建立。它將知識理解為對數據的劃分，每一被劃分的集合稱為概念，利用已知的知識庫來處理或刻畫不精確或不確定的知識。粗糙集用于特征歸約和相關分析。
（5）模糊集方法。基于規則的分類系統有一個缺點：對于連續屬性，他們有陡峭的截斷。將模糊邏輯引入，允許定義“模糊”邊界，提供了在高抽象層處理的便利。
其它還有貝葉斯網絡、可視化技術、臨近搜索方法和公式發現等方法。
2． 數據挖掘常用的分析方法。
（1）分類和預測。分類和預測是兩種數據分析形式，可以用于提取描述重要數據類的模型或預測未來的數據趨勢。數據分類（data classfication）是一個兩步過程，第一步，建立一個模型，描述預定的數據類集或概念集，通過分析有屬性描述的數據庫元組來構造模型。第二步，使用模型進行分類。首先評估模型的預測準確率，如果認為模型的準確率可以接受，就可以用來對類標號未知的數據遠祖或對象進行分類。
預測是構造和使用模型評估無標號樣本類，或評估給定樣本可能具有的屬性值或值區間。分類和預測具有廣泛的應用，如信譽證實、醫療診斷、性能預測和選擇購物。分類和預測常用的算法包括決策樹歸納、貝葉斯分類、貝葉斯網絡、神經網絡、K-最臨近分類、遺傳算法、粗糙集和模糊集技術。
（2）聚類分析。聚類是將數據對象分組成為多個類或簇（cluster）,在同一個簇中的對象之間具有較高的相似度，而不同簇中的對象差別較大。作為統計學的一個分支，聚類分析已被廣泛的研究了許多年，現在主要集中在基于距離的聚類分析，基于k-means(k-平均值)、k-medoids(k-中心點)和其他的一些聚類分析工具也有不少的應用。
（3）關聯規則。關聯規則挖掘給定數據集中項之間的有趣聯系。設I={i1,i2,…im}是項的集合，任務相關的數據D是數據庫事務的集合，其中每個事務T是項的集合，使得T包含于I。關聯規則是形如A=
【數據挖掘技術在ＣＲＭ中的應用】相關文章：
數據挖掘在ＣＲＭ中的應用分析03-22
數據倉庫技術在ＣＲＭ中的應用研究03-22
數據挖掘技術在企業知識管理中的應用03-19
談數據挖掘技術在電子商務中的應用03-21
數據挖掘技術在客戶關系管理中的應用12-09
數據挖掘技術在電子商務網站中的應用03-28
數據挖掘技術在中醫亞健康學中應用的思考12-01
Ｗｅｂ數據挖掘在電子商務中的應用.03-21
客戶關系管理中數據挖掘的應用03-08