商務(wù)智能應(yīng)用-分析型CRM

第2章商務(wù)智能應(yīng)用

--分析型CRM商務(wù)智能應(yīng)用--分析型CRM第1頁企業(yè)在擴(kuò)大市場、提升效率和保持客戶原始商業(yè)驅(qū)動力不變情況下，怎樣繼續(xù)保持競爭優(yōu)勢。有遠(yuǎn)見企業(yè)都會意識到，只有將自己建成能夠?qū)蛻糇鞒隹焖俜磻?yīng)企業(yè)才能取得很多收獲，這些收獲包含收入、新客戶、客戶滿意度、客戶回頭率以及企業(yè)效益增加，從而使競爭力大為提升。商務(wù)智能應(yīng)用--分析型CRM第2頁本章內(nèi)容：CRM概述CRM與商務(wù)智能客戶行為分析客戶分類案例分析商務(wù)智能應(yīng)用--分析型CRM第3頁CRM概述建立客戶關(guān)系管理（CRM）系統(tǒng)目標(biāo)是賦予企業(yè)更完善與客戶交流能力，即從潛在客戶識別、生成有需求客戶，到銷售完結(jié)以及不停進(jìn)行服務(wù)和支持，提供全過程自動化處理和更加好協(xié)調(diào)與合作，以提升客戶滿意度和客戶忠實(shí)度，增加市場機(jī)會和銷售利潤，為企業(yè)發(fā)展服務(wù)。商務(wù)智能應(yīng)用--分析型CRM第4頁操作型CRM設(shè)計目標(biāo)是為了讓業(yè)務(wù)人員在日常工作中能夠共享客戶資源，降低信息流動滯留點(diǎn)。經(jīng)過市場營銷、銷售和服務(wù)等業(yè)務(wù)流程管理，將客戶各種信息搜集并整合在一起，再將這些運(yùn)行數(shù)據(jù)和外來市場數(shù)據(jù)經(jīng)過整合和變換，裝載進(jìn)DW。協(xié)作型CRM就是能夠讓企業(yè)客戶服務(wù)人員同客戶一起完成某項(xiàng)活動。協(xié)作型應(yīng)用當(dāng)前主要由呼叫中心、客戶多渠道聯(lián)絡(luò)中心、幫助臺以及自助服務(wù)幫助導(dǎo)航，向客戶解釋特定內(nèi)容網(wǎng)頁等。

商務(wù)智能應(yīng)用--分析型CRM第5頁分析型CRM實(shí)際上是以改進(jìn)業(yè)務(wù)管理為目標(biāo)分析活動，主要是分析現(xiàn)有歷史數(shù)據(jù)或者操作型CRM中取得各種數(shù)據(jù)，進(jìn)而為企業(yè)經(jīng)營、決議提供可靠量化依據(jù)。在一家銀行信用卡客戶中，可能有80%人幾乎不用信用卡交易，有10%客戶偶然用卡交易，剩下10%客戶會頻繁用卡交易，而這一部分客戶可能為銀行信用卡部帶來80%收入，所以這10%自然是最有價值客戶。利用分析型CRM系統(tǒng)對客戶進(jìn)行細(xì)分，就能夠針對有價值客戶開展尤其促銷活動、提供更個性化服務(wù)，這無疑將使企業(yè)以最小投入取得最大回報。商務(wù)智能應(yīng)用--分析型CRM第6頁商務(wù)智能與CRM假如說操作型與協(xié)作型CRM是企業(yè)臂膀，那么分析型CRM就是企業(yè)大腦。數(shù)據(jù)整合――提供客戶全景視圖利用數(shù)據(jù)倉庫技術(shù)，能夠?qū)⑸⒙湓诟鱾€業(yè)務(wù)數(shù)據(jù)庫中客戶信息經(jīng)過ETL(抽取、轉(zhuǎn)換、加載)過程，清洗、轉(zhuǎn)化、連接、概括、集成為統(tǒng)一分析數(shù)據(jù);同時，數(shù)據(jù)倉庫強(qiáng)大數(shù)據(jù)存放及管理能力能夠?qū)Ａ靠蛻魯?shù)據(jù)有效存放、索引、歸類。商務(wù)智能應(yīng)用--分析型CRM第7頁信息提交過程企業(yè)信息系統(tǒng)最終關(guān)注點(diǎn)在于信息傳遞，實(shí)現(xiàn)從數(shù)據(jù)到信息深層次轉(zhuǎn)化。(1)OLAP多維立方體模型為用戶提供多維分析視圖，經(jīng)過鉆取、旋轉(zhuǎn)、切片(塊)等操作，使得用戶能夠隨心所欲地對客戶數(shù)據(jù)進(jìn)行多維分析，獲取關(guān)于客戶細(xì)分市場、購置模式、盈利能力等主要信息。(2)經(jīng)過簡單易用工具使得終端用戶能夠自由按照自己意圖來操縱數(shù)據(jù)，從而為自己業(yè)務(wù)問題提供信息支持。(3)利用企業(yè)信息門戶策略能夠依據(jù)不一樣用戶定制信息界面，從而確保信息在適當(dāng)時間、經(jīng)過適當(dāng)伎倆、傳遞到適當(dāng)人手中。商務(wù)智能應(yīng)用--分析型CRM第8頁客戶知識深入挖掘(1)依據(jù)從客戶知識發(fā)掘信息，計算客戶生命周期價值，以此作為客戶分類依據(jù)。針對不一樣類別客戶采取不一樣辦法;(2)預(yù)測客戶未來一段時期需求;(3)預(yù)測客戶流失可能性，或者采取及時補(bǔ)救辦法，或者做出降低無須要投資等決議，最大程度地保留客戶和降低企業(yè)損失;(4)測評客戶忠誠度，識別忠誠客戶?？蛻糁R展現(xiàn)經(jīng)過商務(wù)智能技術(shù)所取得客戶知識(特征、忠誠度、盈利能力、行為模式)必須經(jīng)過操作和協(xié)作型CRM系統(tǒng)才能最終實(shí)現(xiàn)為客戶提供更加好服務(wù)目標(biāo)，從而形成業(yè)務(wù)行動閉環(huán)，真正發(fā)揮CRM各層次綜合效應(yīng)。商務(wù)智能應(yīng)用--分析型CRM第9頁客戶智能系統(tǒng)結(jié)構(gòu)圖商務(wù)智能應(yīng)用--分析型CRM第10頁構(gòu)建一個完整智能CRM系統(tǒng)幾個步驟:1．整合客戶信息資源對于那些以前沒有應(yīng)用過任何CRM系統(tǒng)企業(yè)來說，首先需要把孤立業(yè)務(wù)系統(tǒng)整合到一個統(tǒng)一平臺之下，處理“信息孤島”。而對于己有CRM系統(tǒng)企業(yè)，則需要建立一個企業(yè)信息門戶，使客戶和企業(yè)能在一個統(tǒng)一界面下進(jìn)行數(shù)據(jù)和信息交換，從而確保客戶數(shù)據(jù)一致性。2.建立客戶數(shù)據(jù)倉庫規(guī)劃數(shù)據(jù)倉庫，以企業(yè)業(yè)務(wù)模型為基礎(chǔ)，確定需要建立能夠描述主要業(yè)務(wù)主題數(shù)據(jù)模型;設(shè)計數(shù)據(jù)倉庫，依據(jù)邏輯模型和性能要求進(jìn)行物理模型設(shè)計，制訂數(shù)據(jù)存放策略以及各種商業(yè)規(guī)則等；

商務(wù)智能應(yīng)用--分析型CRM第11頁(3)結(jié)構(gòu)數(shù)據(jù)分析模型依據(jù)企業(yè)需要分析對象和目標(biāo)，結(jié)構(gòu)有針對性分析模型。針對客戶對企業(yè)貢獻(xiàn)差異，結(jié)構(gòu)客戶盈利能力分析模型;針對客戶對企業(yè)信用程度不一樣，結(jié)構(gòu)客戶信用分析模型；依據(jù)客戶對產(chǎn)品功效需求不一樣，結(jié)構(gòu)客戶分類分析模型；依據(jù)客戶取得、流失情況，結(jié)構(gòu)客戶獲取流失分析模型等等。(4)建立客戶知識管理系統(tǒng)建立一個動態(tài)客戶知識庫以及制訂客戶知識分發(fā)規(guī)則和保留機(jī)制。與客戶數(shù)據(jù)倉庫一樣，客戶知識管理系統(tǒng)也不是一開始就能建立好，它需要在使用過程中進(jìn)行不停地調(diào)整和完善，是一個動態(tài)完成系統(tǒng)。商務(wù)智能應(yīng)用--分析型CRM第12頁客戶行為分析(獲取新客戶、客戶流失與保持分析、客戶盈利能力分析)獲取新客戶獲取新客戶就是“說服”原本不是你客戶消費(fèi)者成為你客戶。這些消費(fèi)者可能是對你產(chǎn)品/服務(wù)不了解用戶，也可能是你產(chǎn)品/服務(wù)潛在消費(fèi)者，還可能是你競爭對手客戶。針對這些不一樣消費(fèi)者需要采取不一樣策略才能有效獲取到新客戶。另外，在獲取新客戶之前，不得不確定哪些消費(fèi)者是值得努力，預(yù)測不一樣客戶對營銷努力反應(yīng)情況也是提升獲取新客戶成功率一個前提。還有，客戶分優(yōu)劣，有些客戶取得時付出努力要比他們成為企業(yè)客戶后貢獻(xiàn)利潤低，這么客戶還是不取得為好。商務(wù)智能應(yīng)用--分析型CRM第13頁所以，企業(yè)要想經(jīng)過CRM有效取得新客戶，必須明確不一樣客戶特征。目標(biāo)市場在哪里?哪些客戶是企業(yè)潛在客戶？哪些潛在客戶是優(yōu)質(zhì)客戶？客戶獲取難易程度怎樣？慣用數(shù)據(jù)挖掘技術(shù)和方法有分類與預(yù)測、聚類、關(guān)聯(lián)分析和異類分析等。比如用關(guān)聯(lián)方法，經(jīng)過發(fā)覺諸如“在購置A商品后，一段時間里用戶會接著購置商品B，而后購置商品C”這么知識，來形成“A-B--C”客戶行為模式。還能夠?qū)ΜF(xiàn)有客戶特征進(jìn)行聚類分析，建立客戶特征模型，以最有效地預(yù)測目標(biāo)市場和發(fā)覺潛在客戶。

商務(wù)智能應(yīng)用--分析型CRM第14頁K-近鄰分類方法

基本思想：K－近鄰分類是基于類比學(xué)習(xí)，每個樣本代表d維空間一個點(diǎn)。當(dāng)給定一個未知樣本時，K-近鄰分類法將搜索樣本空間，找出最靠近未知樣本K個訓(xùn)練樣本，這K個訓(xùn)練樣本是未知樣本K個“近鄰”。近鄰性普通用歐幾里德距離定義：或采取絕對值距離：缺點(diǎn)：計算量大優(yōu)點(diǎn)：適合各種數(shù)據(jù)類型數(shù)據(jù)

商務(wù)智能應(yīng)用--分析型CRM第15頁利用K－近鄰方法進(jìn)行潛在客戶預(yù)測考查客戶本身屬性：企業(yè)總資產(chǎn)值、年銷售收入、距電器銷售企業(yè)地理距離及企業(yè)所處地域經(jīng)濟(jì)發(fā)達(dá)程度?？蛻粝M(fèi)屬性為過去一年內(nèi)對電器銷售企業(yè)總購置額。1.數(shù)據(jù)處理：銷售企業(yè)把客戶消費(fèi)屬性分為10萬元以下、10萬至100萬、100萬500萬、500萬以上四個區(qū)間，分別取值1,2,3,4；把企業(yè)所處地域經(jīng)濟(jì)發(fā)達(dá)程度依據(jù)實(shí)際情況分為貧困、欠發(fā)達(dá)、發(fā)達(dá)、極發(fā)達(dá)四檔，分別取值1,2,3,4；其余客戶屬性(企業(yè)總資產(chǎn)值、年銷售收入、距銷售企業(yè)地理距離)也經(jīng)過區(qū)間劃分完成量化及歸一化處理。表1是經(jīng)過標(biāo)準(zhǔn)化處理老客戶數(shù)據(jù)，表2是經(jīng)過標(biāo)準(zhǔn)化處理潛在客戶數(shù)據(jù)。商務(wù)智能應(yīng)用--分析型CRM第16頁表1老客戶數(shù)據(jù)老客戶總資產(chǎn)年銷售收入地理距離所處發(fā)達(dá)程度年總購置額11.51.61.20.4221.53.21.20.63310.80.40.2141.53.20.40.84511.60.40.4260.51.60.40.42………………………………表2潛在客戶數(shù)據(jù)潛在客戶總資產(chǎn)年銷售收入地理距離所處發(fā)達(dá)程度年總購置額A1.51.61.20.4待預(yù)測B0.81.20.40.2待預(yù)測………………………………商務(wù)智能應(yīng)用--分析型CRM第17頁2.預(yù)測為了預(yù)測客戶A對企業(yè)電器產(chǎn)品年購置額，我們只須從處理后老客戶數(shù)據(jù)中找到K個最近鄰(這里設(shè)定K=2)。比如：A與客戶1距離：D(A，l)=(1.5-1)+(2.4-1.6)+(1.6-1.2)+(0.4-0.4)=1.7，同理計算可得到：D(A，2)=1.9，D(A，3)=3，D(A，4)=2.9，D(A，5)=1.6，D(A，6)=2.5能夠看出，A2個最近鄰為老客戶1和5，能夠預(yù)測其對企業(yè)電器產(chǎn)品年購置額將在10萬和100萬之間，我們還能夠從處理之前老客戶數(shù)據(jù)庫中得到客戶1和5實(shí)際年購置額，以對A年購置額進(jìn)行更準(zhǔn)確預(yù)計，假設(shè)銷售企業(yè)要求年總購置額在500萬以上是企業(yè)重點(diǎn)客戶，那么我們能夠深入預(yù)測潛在客戶類別，從而能夠指定準(zhǔn)確營銷計劃，來獲取客戶。商務(wù)智能應(yīng)用--分析型CRM第18頁將數(shù)據(jù)挖掘應(yīng)用于客戶獲取活動與傳統(tǒng)市場營銷策略比較其優(yōu)勢在哪里？下面我們經(jīng)過一個例子進(jìn)行詳細(xì)說明。某大銀行A進(jìn)行直郵市場營銷活動以獲取信用卡客戶，向100萬名潛在客戶提供信用卡申請表。使用傳統(tǒng)做法，A銀行向這100萬名潛在客戶寄出信用卡申請表，共有6%郵件得到申請回應(yīng)。得到這些潛在客戶回應(yīng)后，需依據(jù)信用風(fēng)險程度對它們申請進(jìn)行篩選，毫無疑問，往往是信用差潛在客戶更可能申請信用卡，所以最終篩選后結(jié)果只有16%回應(yīng)者是符合信用要求，即大約占總潛在客戶1%(6%×16%≈1%)成為最終客戶。A銀行郵寄一份申請表需花費(fèi)￥1費(fèi)用，每個客戶在隨即兩年將為銀行帶來￥125利潤。那么用傳統(tǒng)方法營銷得到凈回報：￥250,000(￥125×10,000-￥1×1,000,000=Y250,000)商務(wù)智能應(yīng)用--分析型CRM第19頁數(shù)據(jù)挖掘技術(shù)應(yīng)用首先，A銀行寄出50,000份進(jìn)行測試，并對反饋結(jié)果進(jìn)行分析，將這些數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)應(yīng)用數(shù)據(jù)挖掘算法建立預(yù)測模型，包含潛在客戶回應(yīng)模型(能夠用決議樹方法)和信用評分模型(能夠用神經(jīng)網(wǎng)絡(luò)方法)。然后，結(jié)合這兩個模型找出哪些潛在客戶信用風(fēng)險低且很大可能會接收提供申請表。依據(jù)這些方法，A銀行在剩下950,000個潛在客戶中選取其中信用好700,000個進(jìn)行郵寄。結(jié)果是，經(jīng)過這郵寄750,000份申請表，共收到9,000個潛在客戶接收信用卡，即接收比率為1.2%(9,000÷750,000=1.2%)，比傳統(tǒng)方法1%提升了20個百分點(diǎn)。還有1,000個客戶在未寄250,000個潛在客戶中，他們是被模型篩選掉，很顯著，若對他們也進(jìn)行郵寄話，需花費(fèi)￥250,000但他們帶來利益只有￥125,000(￥125×1,000=￥125,000)，表明為取得這些客戶成本是大于他們所能帶來收益，故將他們放棄。商務(wù)智能應(yīng)用--分析型CRM第20頁表3傳統(tǒng)方法和數(shù)據(jù)挖掘方法獲取新客戶比較指標(biāo)傳統(tǒng)方法數(shù)據(jù)挖掘方法差異郵寄總數(shù)量1,000,000750,000250,000郵寄總成本￥1,000,000￥750,000￥250,000成為新客戶數(shù)量10,0009,0001,000每個新客戶帶來毛利￥125￥125￥0總毛利￥1,250,000￥1,125,000￥125,000凈利潤￥250,000￥375,000￥125,000數(shù)據(jù)挖掘建模成本￥0￥40000￥40000最終凈利潤￥250,000￥335,000￥85,000從表中能夠看到，凈利潤增加了￥125,000，即使減去數(shù)據(jù)挖掘成本￥40,000其最終凈利潤也還多出￥85,000。另外，本例中建立模型投資回報率(ROT)也比較高，為212.5%(￥85,000÷￥40,000=212.5%。從而顯示了將數(shù)據(jù)挖掘技術(shù)應(yīng)用與新客戶獲取中優(yōu)勢所在。商務(wù)智能應(yīng)用--分析型CRM第21頁決議樹分類方法決議樹提供了一個展示類似在什么條件下會得到什么值這類規(guī)則方法。比如，在貸款申請中，要對申請風(fēng)險大小做出判斷，圖1是為了處理這個問題而建立一棵決議樹，從中我們能夠看到?jīng)Q議樹基本組成部分：決議節(jié)點(diǎn)、分支和葉子。是否是否是否收入>40000工作時間>5年高負(fù)債低風(fēng)險高風(fēng)險低風(fēng)險高風(fēng)險商務(wù)智能應(yīng)用--分析型CRM第22頁決議樹每個節(jié)點(diǎn)子節(jié)點(diǎn)個數(shù)與決議樹應(yīng)用算法相關(guān)。如CART算法得到?jīng)Q議樹每個節(jié)點(diǎn)有兩個分支，這種樹稱為二叉樹。允許節(jié)點(diǎn)含有多于兩個子節(jié)點(diǎn)樹稱為多叉樹。每個分支要么是一個新決議節(jié)點(diǎn)，要么是樹結(jié)尾，稱為葉子。在沿著決議樹從上到下遍歷過程中，在每個節(jié)點(diǎn)都會碰到一個問題，對每個節(jié)點(diǎn)上問題不一樣回答造成不一樣分支，最終會抵達(dá)一個葉子節(jié)點(diǎn)。這個過程就是利用決議樹進(jìn)行分類過程，即利用幾個變量（每個變量對應(yīng)一個問題）來判斷所屬類別（最終每個葉子會對應(yīng)一個類別）。慣用算法有分類回歸樹CART、ID3、和C4.5等商務(wù)智能應(yīng)用--分析型CRM第23頁

ID3算法利用信息熵理論，選擇當(dāng)前樣本屬性集中含有最大信息增益值屬性作為測試屬性。該屬性使得對結(jié)果劃分中樣本分類所需信息量最小，并反應(yīng)劃分最小隨機(jī)性或“不純性”。這種信息理論方法使得對一個對象分類所需期望測試數(shù)目到達(dá)最小，并確保找到一棵簡單樹。設(shè)S是s個數(shù)據(jù)樣本集合。假定類標(biāo)號屬性含有m個不一樣值，定義m個不一樣類(i=1,?,m)。設(shè)是類中樣本數(shù)。對一個給定樣本分類所需期望信息是：其中是任意樣本屬于概率，并用預(yù)計。商務(wù)智能應(yīng)用--分析型CRM第24頁設(shè)屬性A為測試屬性，它含有V個不一樣值用表示屬性A取值為樣本子集屬于類樣本數(shù)。那么按照屬性A每個屬性值進(jìn)行分割期望信息稱作A熵，由下式給出：在A上分割取得信息增益定義為：依據(jù)上述方法，計算每個屬性信息增益，屬性信息增益越大，區(qū)分度越大。商務(wù)智能應(yīng)用--分析型CRM第25頁經(jīng)過對一組訓(xùn)練數(shù)據(jù)學(xué)習(xí)，結(jié)構(gòu)出決議樹形式知識表示，在決議樹內(nèi)部結(jié)點(diǎn)進(jìn)行屬性值比較并依據(jù)不一樣屬性值判斷從該結(jié)點(diǎn)向下分支，在決議樹葉結(jié)點(diǎn)得到結(jié)論。所以從根到葉結(jié)點(diǎn)一條路徑就對應(yīng)著一條規(guī)則，整棵決議樹就對應(yīng)著一組析取表示式規(guī)則?；跊Q議樹學(xué)習(xí)算法一個最大優(yōu)點(diǎn)就是它在學(xué)習(xí)過程中不需要使用者了解很多背景知識。這么只要訓(xùn)練實(shí)例能夠用屬性—結(jié)論式方式表示出來，就能使用該算法來進(jìn)行學(xué)習(xí)。商務(wù)智能應(yīng)用--分析型CRM第26頁Id職業(yè)收入地域年紀(jì)反應(yīng)1銷售<=華北年輕02銷售<=華東年輕13銷售<=華東中年04非銷售>華東中年15非銷售>華北老年16非銷售>其它老年17非銷售<=西北中年08銷售>華北年輕19銷售>西北中年010銷售<=西北年輕011銷售<=東北中年012非銷售<=其它中年013銷售>華北年輕114非銷售>東北中年115銷售>西北年輕1商務(wù)智能應(yīng)用--分析型CRM第27頁依據(jù)表中數(shù)據(jù)，類反應(yīng)有兩個不一樣值(0,1),所以有兩個不一樣類（m＝2）。設(shè)類C1=0,類C2=1。則類C1有7個樣本，類C2有8個樣本。則給定樣本分類期望信息為：I(s1,s2)＝I(7,8)=-7/15㏒2(7/15)-8/15㏒2(8/15)=0.997現(xiàn)在計算每個屬性熵，（1）職業(yè)：銷售：S11=5,S21=4則I(S11,S21)=0.991非銷售：S12=2,S22=4則I(S12,S22)=0.918信息增益：E(職業(yè))=(S11+S21)*I(S11,S21)/S+(S12+S22)*I(S12,S22)/S=0.991*9/15+0.918*6/15=0.9618GAIN(職業(yè))＝0.997-0.9618=0.0352同理：（2）收入：GAIN(收入)=0.4308（3）地域：GAIN(地域)=0.114（4）年紀(jì):GAIN(年紀(jì))=0.226商務(wù)智能應(yīng)用--分析型CRM第28頁圖2按照“收入”分割得到?jīng)Q議樹商務(wù)智能應(yīng)用--分析型CRM第29頁圖3最終決議樹商務(wù)智能應(yīng)用--分析型CRM第30頁從圖3中我們能夠很直觀分析出客戶申請信用卡對“收入”、“年紀(jì)”、“地域”、“職業(yè)”四個屬性反應(yīng)。能夠得出一下規(guī)則：1）當(dāng)收入小于等于元，假如年紀(jì)為中年話普通沒有興趣；2）當(dāng)收入小于等于元，來自地域?yàn)槿A北、西北、東北或其它年輕人，普通沒有興趣；3）當(dāng)收入小于等于元，來自地域?yàn)槿A東且為年輕人普通有興趣；4）當(dāng)收入大于元，且來自華北、華東、東北或其它地域，普通有興趣；5）當(dāng)收入大于元，來自西北地域且為年輕人普通有興趣；6）當(dāng)收入大于元，來自西北地域且為中年人普通沒有興趣。商務(wù)智能應(yīng)用--分析型CRM第31頁選擇了適當(dāng)算法后，我們只需要把切分看成是把一組數(shù)據(jù)分成幾份，份與份之間盡可能不一樣，而同一份內(nèi)數(shù)據(jù)盡可能相同。假如經(jīng)過一次切分后得到分組，每個分組中數(shù)據(jù)都屬于同一個類別，顯然到達(dá)這么效果切分方法就是我們所追求。假定我們利用歷史數(shù)據(jù)建立了一個包含幾百個屬性、輸出類有十幾個決議樹，這么一棵樹對人來說可能太復(fù)雜了，但每一條從根結(jié)點(diǎn)到葉子節(jié)點(diǎn)路徑所描述含義依然是能夠了解。決議樹這種易了解性對數(shù)據(jù)挖掘使用者來說是一個顯著優(yōu)點(diǎn)。然而決議樹這種明確性可能帶來誤導(dǎo)。比如，決議樹每個節(jié)點(diǎn)對應(yīng)分割定義都是非常明確毫不含糊，但在實(shí)際生活中這種明確可能帶來麻煩（憑什么說年收入人申請信用卡，而人就沒有）。另外，樹大小與樣本數(shù)量無關(guān)，計算量較小。

商務(wù)智能應(yīng)用--分析型CRM第32頁客戶保持和流失客戶發(fā)展階段：潛在客戶—新客戶—滿意客戶—留住客戶—老客戶。經(jīng)濟(jì)學(xué)廣泛應(yīng)用“80/20定律”(佩爾圖定律)，詳細(xì)到CRM中是說企業(yè)80%利潤是由前20%客戶所創(chuàng)造；又如1989年哈佛商業(yè)評論中提到若客戶保持率提升5%,平均每位客戶價值就能增加25%到100%。這些數(shù)字都充分說明了提升客戶忠誠度、保持好客戶對于企業(yè)本身利益是至關(guān)主要。比如在美國，移動通信企業(yè)每取得一個新用戶成本平均是300美元，而挽留住一個老客戶成本可能僅僅是通一個電話。商務(wù)智能應(yīng)用--分析型CRM第33頁所以客戶關(guān)系管理首先提倡是保持現(xiàn)有客戶，實(shí)現(xiàn)現(xiàn)有客戶重復(fù)購置是企業(yè)追求首要目標(biāo)。其次才是開拓新市場，吸引新客戶。經(jīng)過數(shù)據(jù)挖掘能夠發(fā)覺流失客戶特征，這么就能夠在那些含有相同特征客戶還未流失之前進(jìn)行針對性填補(bǔ)。比如一家移動通信企業(yè)挖掘出結(jié)果是:年紀(jì)在26歲以下、開通了WAP服務(wù)、移動電話價值(購置時)在1800-2800元、每個月通話費(fèi)在250-350元之間(包月制則是200元和280元兩檔)男性流失百分比最高。掌握了這些信息，就能夠針對每個人貢獻(xiàn)，滿足他們一些需求。商務(wù)智能應(yīng)用--分析型CRM第34頁客戶流失原因主要有以下4種類型：自然流失客戶流失不是人為原因造成，比如客戶搬遷和死亡等。自然流失所占百分比很小。企業(yè)能夠經(jīng)過建立連鎖服務(wù)網(wǎng)點(diǎn)和經(jīng)營分企業(yè)，或者提供網(wǎng)上服務(wù)等方式，讓客戶在任何地方、任何時候都能方便快捷地使用企業(yè)產(chǎn)品和服務(wù)，降低自然流失發(fā)生。惡意流失是指一些客戶為了滿足自己一些私利而離開企業(yè)，比如很多電信運(yùn)行商用戶在拖欠了大額通信費(fèi)用后離開這家電信運(yùn)行商，選擇其它電信運(yùn)行商提供服務(wù)，從而到達(dá)不交費(fèi)用目標(biāo)。惡意流失在客戶流失中所占百分比也不大。企業(yè)能夠經(jīng)過客戶信譽(yù)管理制度和欺詐監(jiān)測來預(yù)防客戶惡意流失行為。商務(wù)智能應(yīng)用--分析型CRM第35頁競爭流失因?yàn)槠髽I(yè)競爭對手影響而造成流失稱為競爭流失。市場上競爭突出表現(xiàn)在價格戰(zhàn)和服務(wù)戰(zhàn)上。過失流失客戶流失都是因?yàn)槠髽I(yè)本身工作中過失引發(fā)客戶不滿意而造成，比如企業(yè)形象不佳、產(chǎn)品性能不好、服務(wù)態(tài)度惡劣等。過失流失在客戶流失總量中所占百分比最高，但同時也是企業(yè)能夠經(jīng)過采取一些有效伎倆來預(yù)防。

客戶流失預(yù)測分析能幫助企業(yè)了解客戶將要離開信號，使企業(yè)有充分時間采取辦法挽留有流失傾向客戶。在客戶關(guān)系分析中，客戶流失預(yù)測分析模型可解釋性非常主要，企業(yè)要能清楚地了解分類模型中各個原因以及各個原因作用程度，依據(jù)分類模型了解影響客戶流失原因，方便于企業(yè)做出對應(yīng)改進(jìn)。商務(wù)智能應(yīng)用--分析型CRM第36頁影響客戶流失原因主要從以下幾個層面考慮，競爭對手情況：競爭對手最近開發(fā)新產(chǎn)品情況、競爭對手最近開發(fā)新促銷策略；企業(yè)和員工形象：產(chǎn)品更新快慢程度、員工態(tài)度和形象、員工流動率、企業(yè)文化和形象；客戶購置行為：客戶是否接觸競爭對手產(chǎn)品、客戶對企業(yè)滿意度、客戶與企業(yè)交往時間長度、客戶最近購置頻率和數(shù)量改變情況；產(chǎn)品和服務(wù)質(zhì)量：服務(wù)體制是否完善、客戶投訴是否處理、服務(wù)質(zhì)量和服務(wù)及時性、產(chǎn)品質(zhì)量和價格；商務(wù)智能應(yīng)用--分析型CRM第37頁客戶流失模型建立和應(yīng)用過程以下：在客戶數(shù)據(jù)倉庫中抽取適當(dāng)字段組成客戶分析數(shù)據(jù)庫，為客戶描述和客戶流失模型提供數(shù)據(jù)源；客戶流失預(yù)測分析屬于數(shù)據(jù)挖掘中分類，客戶是否己經(jīng)流失為類標(biāo)號，所以，依據(jù)客戶是否流失情況，將客戶分析數(shù)據(jù)庫分離為當(dāng)前客戶數(shù)據(jù)庫和流失客戶數(shù)據(jù)庫；對流失客戶數(shù)據(jù)庫進(jìn)行分析，建立客戶流失模型。隨機(jī)選擇流失客戶中2/3為訓(xùn)練數(shù)據(jù)，建立分類器，得出分類模型。將剩下1/3數(shù)據(jù)作為測試數(shù)據(jù)代入分類模型中，預(yù)測準(zhǔn)確率。假如準(zhǔn)確率過低，則重復(fù)以上過程，直到分類模型準(zhǔn)確率滿足用戶需求，得出客戶流失模型；從客戶流失模型中分析影響客戶流失各種原因，找出企業(yè)不足之處，發(fā)覺流失者行為特征。利用客戶流失模型在當(dāng)前客戶數(shù)據(jù)庫中發(fā)覺預(yù)測有流失傾向客戶群體。商務(wù)智能應(yīng)用--分析型CRM第38頁在預(yù)測客戶流失建模中較為慣用數(shù)據(jù)挖掘算法是CART(ClassificationandRegressionTrees，分類回歸樹)，它是分類方法中決議樹一個算法。盡管其它一些數(shù)據(jù)挖掘技術(shù)，如神經(jīng)網(wǎng)絡(luò)也能夠產(chǎn)生很好預(yù)測模型，不過這些模型極難了解。當(dāng)用這些模型做預(yù)測分析時，極難對客戶流失原因有深入了解，更得不到怎樣對付客戶流失任何線索。在這種情況下，普通需要使用決議樹或聚類技術(shù)等分類方法深入分類，來得到更深入了解，所以生成預(yù)測模型就相對復(fù)雜多。商務(wù)智能應(yīng)用--分析型CRM第39頁客戶流失數(shù)據(jù)集有其本身較為顯著特點(diǎn):客戶流失數(shù)據(jù)集中包含較多連續(xù)值屬性，如客戶年紀(jì)，收入信息，各項(xiàng)消費(fèi)信息等?？蛻袅魇?shù)據(jù)集是一個經(jīng)典非平衡分布數(shù)據(jù)集。流失客戶與非流失客戶之間相差百分比很大。流失客戶在數(shù)據(jù)集中普通只占一個較小百分比。分類算法在處理非平衡數(shù)據(jù)集分類問題時，輕易受到樣本類別分布影響，對少數(shù)類分類精度不高，其效果并不理想。比如：TeleData為某電信運(yùn)行商提供客戶信息數(shù)據(jù)集，其中包含用戶人口統(tǒng)計特征和通信消費(fèi)特征，經(jīng)過數(shù)據(jù)挖掘技術(shù)，挖掘出流失客戶分類模型，從而提出策略，指導(dǎo)客戶挽留。商務(wù)智能應(yīng)用--分析型CRM第40頁商務(wù)智能應(yīng)用--分析型CRM第41頁客戶忠誠度分析客戶忠誠度普通是指客戶堅持重復(fù)購置或惠顧自己喜歡同一品牌產(chǎn)品或服務(wù)，不受環(huán)境和市場影響。客戶忠誠主要表現(xiàn)在以下幾個方面：（1）會經(jīng)常重復(fù)地購置本企業(yè)產(chǎn)品或服務(wù)，甚至能夠定量分析出他們購置頻數(shù)；（2）在購置企業(yè)產(chǎn)品或服務(wù)時，選擇呈多樣性，不過優(yōu)先關(guān)心和選擇其忠誠企業(yè)品牌產(chǎn)品或服務(wù)以及其產(chǎn)品或服務(wù)發(fā)展情況；（3）樂于向他人推薦本企業(yè)產(chǎn)品，被推薦者相對于其它客戶會更輕易地認(rèn)同推薦產(chǎn)品或服務(wù)；（4）會排斥本企業(yè)競爭對手，只要忠誠紐帶未被打破，他們甚至不屑于略勝一籌競爭對手。商務(wù)智能應(yīng)用--分析型CRM第42頁衡量客戶忠誠唯一尺度就是客戶是否重復(fù)或持久地購置企業(yè)產(chǎn)品或者服務(wù)，用戶忠誠表達(dá)為詳細(xì)購置行為，含有很強(qiáng)客觀現(xiàn)實(shí)色彩，是實(shí)實(shí)在在。而客戶忠誠誘因主要是客戶滿意，用戶滿意是一個期望值與感知效果比較，是一個心理反應(yīng)，它取決于用戶“期望”，含有很強(qiáng)主觀色彩。所以，客戶忠誠度分析標(biāo)準(zhǔn)是一個較為含糊概念。首先可用聚類分析進(jìn)行客戶忠誠度分析，依據(jù)所得聚類結(jié)果，將每一類賦以詳細(xì)標(biāo)識，然后進(jìn)行分類，結(jié)構(gòu)出忠誠客戶詳細(xì)特征?；蛘呤墙?jīng)過行業(yè)教授進(jìn)行標(biāo)識。在現(xiàn)有數(shù)據(jù)庫信息資源條件限定下，客戶忠誠度分析同客戶忠誠度詳細(xì)量化定義就有了親密聯(lián)絡(luò)。依據(jù)需要，企業(yè)能夠?qū)蛻粢恍┰敿?xì)表現(xiàn)設(shè)定對應(yīng)觀察變量，如：貨款抵達(dá)及時性、購物占購貨企業(yè)貨物銷量總量百分比、信息虛假程度、貨物價格接收程度、連續(xù)交易時間、重復(fù)購置次數(shù)、購置方式等。商務(wù)智能應(yīng)用--分析型CRM第43頁客戶忠誠度分析模型建立和應(yīng)用過程以下：（1）依據(jù)己有定義選定相關(guān)分析變量；（2）從企業(yè)業(yè)務(wù)數(shù)據(jù)庫中搜集整理原始數(shù)據(jù)，按客戶忠誠度分析所需字段組建企業(yè)客戶數(shù)據(jù)倉庫系統(tǒng)；（3）檢驗(yàn)分類與實(shí)際吻合程度，選取或確定適當(dāng)分類數(shù)，當(dāng)前許多企業(yè)設(shè)定為5類；（4）觀察分析每類特點(diǎn)，給每類賦以類標(biāo)識；（5）對帶有忠誠度類標(biāo)識數(shù)據(jù)建立分類模型；（6）依據(jù)忠誠度模型描述忠誠度客戶特征，幫助企業(yè)識別忠誠客戶，依據(jù)客戶忠誠度不一樣，提出對應(yīng)營銷與客戶管理辦法。商務(wù)智能應(yīng)用--分析型CRM第44頁客戶滿意度分析客戶滿意度分析模型建立過程和客戶忠誠度分析類似：（1）首先，經(jīng)過各種方式進(jìn)行客戶滿意度調(diào)查，影響客戶滿意度模型主要原因包含:服務(wù)和系統(tǒng)支持、產(chǎn)品/服務(wù)技術(shù)表現(xiàn)、客戶互動原因、情感原因等。不一樣行業(yè)影響客戶滿意度原因各不相同，不過基本都離不開這幾個層次?？蛻魸M意程度普通分為5個檔次，1到5分別代表“很不滿意”、“不很滿意”、“基本滿意”、“滿意”和“很滿意’。（2）將客戶滿意度調(diào)查結(jié)果搜集統(tǒng)計到企業(yè)數(shù)據(jù)庫中，構(gòu)建客戶數(shù)據(jù)倉庫，在客戶數(shù)據(jù)倉庫中抽取適當(dāng)字段組成客戶滿意度分析數(shù)據(jù)。這些字段包含客戶基本描述數(shù)據(jù)和滿意度調(diào)查數(shù)據(jù)。客戶基本描述數(shù)據(jù)，包含客戶受教育水平、客戶性格偏好、客戶職業(yè)等，因?yàn)檫@些原因會影響客戶對外界事務(wù)態(tài)度，所以應(yīng)該給予考慮。商務(wù)智能應(yīng)用--分析型CRM第45頁（3）客戶滿意度分析屬于數(shù)據(jù)挖掘中分類，對客戶滿意度數(shù)據(jù)實(shí)施數(shù)據(jù)挖掘技術(shù)，建立分類器，得出分類模型。（4）研究客戶滿意度分類模型，在分類模型中越靠近上層原因越是主要原因。找出使客戶滿意關(guān)鍵原因，企業(yè)繼續(xù)在這些方面努力從而深入提升客戶滿意度。找出造成客戶不滿意關(guān)鍵原因，幫助企業(yè)認(rèn)清不足，加強(qiáng)管理。商務(wù)智能應(yīng)用--分析型CRM第46頁交叉銷售企業(yè)與其客戶之間商業(yè)關(guān)系是一個連續(xù)不停發(fā)展關(guān)系。在客戶與企業(yè)建立起這種雙向商業(yè)關(guān)系后，能夠有很各種方法來優(yōu)化這種關(guān)系：延長這種關(guān)系時間在維持這么關(guān)系期間增加相互接觸在每一次相互接觸中取得更多利潤作為企業(yè)，其目標(biāo)是要到達(dá)雙贏結(jié)果，即客戶和商家都能夠從中獲益?？蛻臬@益是因?yàn)樗麄兊玫搅烁雍酶N切服務(wù)質(zhì)量，商家則因?yàn)樵黾恿虽N售量而贏利。所以，企業(yè)就需要向已經(jīng)有客戶進(jìn)行銷售，這就是交叉銷售。交叉銷售就是指你向現(xiàn)有客戶提供新產(chǎn)品和服務(wù)營銷過程。商務(wù)智能應(yīng)用--分析型CRM第47頁在這里，我們看一下怎樣回答市場人員經(jīng)常問一個問題:“我應(yīng)該向什么人銷售什么產(chǎn)品?”。更準(zhǔn)確來看，這能夠分成以下三個問題：1．哪些產(chǎn)品是經(jīng)常被一塊購置？2．哪些產(chǎn)品是經(jīng)常被同類型用戶購置？3．用戶購置某種商品可能性有多大？以上三個問題能夠分別用數(shù)據(jù)挖掘中關(guān)聯(lián)、聚類、預(yù)測分析加以處理。商務(wù)智能應(yīng)用--分析型CRM第48頁關(guān)聯(lián)分析關(guān)聯(lián)分析就是從給定數(shù)據(jù)集中發(fā)覺頻繁出現(xiàn)項(xiàng)集模式知識（又稱關(guān)聯(lián)規(guī)則）。經(jīng)典例子是購物籃分析。關(guān)聯(lián)規(guī)則研究有利于發(fā)覺交易數(shù)據(jù)庫中不一樣商品（項(xiàng)）之間聯(lián)絡(luò)，找出用戶購置行為模式，如購置了某一商品對購置其它商品影響。有時并不知道數(shù)據(jù)庫中數(shù)據(jù)關(guān)聯(lián)函數(shù)，即使知道也不確定，所以關(guān)聯(lián)分析生成規(guī)則帶有可信度。通常關(guān)聯(lián)規(guī)則含有A

B形式，即:

A1

A2

…

AmB1B2…Bn，其中，Ai,Bj均是屬性或項(xiàng)，表示數(shù)據(jù)庫中滿足X中條件統(tǒng)計也一定滿足Y中條件。包括到兩個概念：支持度和可信度商務(wù)智能應(yīng)用--分析型CRM第49頁交易ID購置商品A,B,C1000A,C4000A,D5000B,E,F頻繁項(xiàng)集支持度{A}75%{B}50%{C}50%{A,C}50%若要確定{X,Y}Z規(guī)則，則支持度s表示一次交易中包含{X,Y,Z}可能性?？尚哦萩表示包含{X,Y}交易中也包含Z條件概率。比如：上述表格中左邊是交易項(xiàng)目，右邊是依據(jù)交易事實(shí)來確定支持度，那么現(xiàn)在來確定在交易事實(shí)中是否存在AC規(guī)則。Confidence(AC)=support({A,C})/support({A})=66.6%為了挖掘出含有價值規(guī)則，通常要求最小支持度和最小置信度作為兩個參數(shù)閾值.

商務(wù)智能應(yīng)用--分析型CRM第50頁關(guān)聯(lián)規(guī)則挖掘能夠分解為兩個步驟：首先找出交易項(xiàng)目中滿足最小支持度（minSupp）項(xiàng)集（稱其為頻繁項(xiàng)集）；然后由頻繁項(xiàng)集生成關(guān)聯(lián)規(guī)則，對于頻繁項(xiàng)集A，若BA，且置信度confidence(B

A-B)大于最小置信度minConf，則B

A-B組成關(guān)聯(lián)規(guī)則。在第一步基礎(chǔ)上完成第二步比較輕易，所以當(dāng)前研究主要集中第一步上。關(guān)聯(lián)規(guī)則應(yīng)用：交叉銷售：基于消費(fèi)者購置模式，主動進(jìn)行交叉銷售；商品擺放：將經(jīng)常一起購置東西一起擺放；流失客戶分析：可分析是否是因?yàn)橐恍╆P(guān)鍵商品缺失引發(fā)。商務(wù)智能應(yīng)用--分析型CRM第51頁

。，Apriori算法是挖掘關(guān)聯(lián)規(guī)則經(jīng)典算法，挖掘?qū)ο笫侵T如售貨統(tǒng)計之類數(shù)據(jù)所組成事務(wù)數(shù)據(jù)庫，而挖掘結(jié)果則是類似于“購置面包同時也可能購置黃油”關(guān)聯(lián)規(guī)則。設(shè)I={I1,I2,…,Im}是項(xiàng)全體組成集合，項(xiàng)集合稱為項(xiàng)集，包含K個項(xiàng)項(xiàng)集稱為K-項(xiàng)集。D是數(shù)據(jù)庫事務(wù)組成集合，其中每個事務(wù)T又是一個項(xiàng)集，且T

I。Apriori使用一個稱作逐層搜索迭代方法：(K-1)—項(xiàng)集用于搜索K－項(xiàng)集。即：首先找出頻繁1－項(xiàng)集集合，記做L1；L1用于找出頻繁2－項(xiàng)集集合L2,如此下去，直到找到Lk,k不再增加。為了提升頻繁集逐層產(chǎn)生效率，一個稱作Apriori性質(zhì)用于壓縮搜索空間。Apriori性質(zhì)：頻繁項(xiàng)集全部非空子集都必須是頻繁。依據(jù)定義項(xiàng)集I不滿足最小支持度閾值，則I不是頻繁，若項(xiàng)A添加到I中，則結(jié)果項(xiàng)集（I

A）不可能比I更頻繁。商務(wù)智能應(yīng)用--分析型CRM第52頁連接：為了找LK,經(jīng)過LK-1與自己連接產(chǎn)生候選K－項(xiàng)集集合CK。設(shè)：li是LK-1中項(xiàng)集，li[j]表示li第j項(xiàng)。則Lk-1元素l1、l2是能夠連接，假如滿足：l1[1]=l2[1]

l1[2]=l2[2]…l1[k-2]=l2[k-2]

l1[k-1]<l2[k-1]則連接l1、l2結(jié)果項(xiàng)集是l1[1]

l1[2]l1[k-1]l2[k-1]。剪枝：CK是LK超集。掃描數(shù)據(jù)庫確定CK中每個候選項(xiàng)集計數(shù)，從而確定LK。然而CK可能很大，能夠利用Apriori性質(zhì)進(jìn)行剪枝。若一個候選K－項(xiàng)集（k-1）－子集不在LK-1中，則該候選也不可能是頻繁，能夠從CK中刪除。Apriori算法主要由兩步組成：連接與剪枝商務(wù)智能應(yīng)用--分析型CRM第53頁TID項(xiàng)ID列表T100I1,I2,I5T200I2,I4T300I2,I3T400I1,I2,I4T500I1,I3T600I2,I3T700I1,I3T800I1,I2,I3,I5T900I1,I2,I3項(xiàng)集計數(shù){I1}6{I2}7{I3}6{I4}2{I5}2項(xiàng)集計數(shù){I1,I2}4{I1,I3}4{I1,I4}1{I1,I5}2{I2,I3}4{I2,I4}2{I2,I5}2{I3,I5}1C1項(xiàng)集計數(shù){I1}6{I2}7{I3}6{I4}2{I5}2L1C2項(xiàng)集計數(shù){I1,I2}4{I1,I3}4{I1,I5}2{I2,I3}4{I2,I4}2{I2,I5}2L2商務(wù)智能應(yīng)用--分析型CRM第54頁項(xiàng)集計數(shù){I1,I2}4{I1,I3}4{I1,I5}2{I2,I3}4{I2,I4}2{I2,I5}2項(xiàng)集計數(shù){I1,I2,I3}2{I1,I2,I5}2項(xiàng)集計數(shù){I1,I2,I3}2{I1,I2,I5}2C3由頻繁項(xiàng)集產(chǎn)生關(guān)聯(lián)規(guī)則：1)對于每個頻繁項(xiàng)集L,產(chǎn)生L全部非空子集。2）對于L每個非空子集S，若support(L)/support(S)minconf,則輸出規(guī)則S(L-S)商務(wù)智能應(yīng)用--分析型CRM第55頁比如：頻繁項(xiàng)集l={I1,I2,I5}非空子集有：{I1,I2},{I1,I5},{I2,I5},{I1},{I2}和{I5}。關(guān)聯(lián)規(guī)則以下：I1

I2

I5,confidence=2/4=50%I1

I5

I2,confidence=2/2=100%I2

I5

I1,confidence=2/2=100%I1

I2

I5,confidence=2/6=33%I2

I1

I5,confidence=2/7=29%I5I1I2,confidence=2/2=100%若最小置信度閾值為70％，則只有3個規(guī)則輸出。商務(wù)智能應(yīng)用--分析型CRM第56頁3.3客戶分類客戶分類方式各種多樣，企業(yè)能夠依據(jù)實(shí)際需要和本身特點(diǎn)對客戶進(jìn)行各種主題背景下分類，比如：假如以客戶盈利能力為橫軸，以忠誠度為縱軸，可把客戶劃分為四類：高盈利能力且忠誠、高盈利能力而不忠誠、低盈利能力而忠誠、低盈利能力而不忠誠；按照客戶滿意度可分為：非常滿意、很滿意、基本滿意、不滿意、很不滿意；也能夠按照客戶行業(yè)或行為進(jìn)行分類。客戶分類結(jié)果有效性取決于分類指標(biāo)和分類方法選擇，用于評價分類指標(biāo)需反應(yīng)出客戶特征以及企業(yè)進(jìn)行客戶分類目標(biāo)。分類指標(biāo)選擇要遵照一定客觀規(guī)律，并應(yīng)依據(jù)企業(yè)所處行業(yè)特點(diǎn)以及企業(yè)本身實(shí)際情況來選擇恰當(dāng)分類指標(biāo)。客戶分類方法：分類和聚類商務(wù)智能應(yīng)用--分析型CRM第57頁以K為參數(shù)，把n個對象分為個簇，聚類目標(biāo)是簇內(nèi)含有較高相同度，而簇間相同度較低。聚類處理流程以下：首先，隨機(jī)地選擇K個對象，每個對象代表一個簇平均值或中心。對剩下每個對象，依據(jù)其與各個簇中心距離，將它劃分到最近簇。然后重新計算每個簇平均值。這個過程不停重復(fù)，直到準(zhǔn)則函數(shù)收斂。通常，采取平方誤差準(zhǔn)則，其定義以下:K-均值聚類算法關(guān)鍵是處理以下問題：選擇適當(dāng)簇數(shù)；選擇適當(dāng)距離函數(shù)和評判函數(shù)。商務(wù)智能應(yīng)用--分析型CRM第58頁(1)確定屬性依據(jù)中國電信行業(yè)現(xiàn)實(shí)狀況，能夠把客戶屬性分為三種：基本屬性、服務(wù)屬性和分析屬性?；緦傩裕褐缚蛻粼继卣?，也是分辨客戶最基本方式。包含客戶姓名、年紀(jì)、身份證號、國籍、戶口、地域、地址、學(xué)歷、工作單位、工齡、收入、婚否、家庭情況等客戶專有特征。服務(wù)屬性指客戶與中國電信之間由服務(wù)關(guān)系和模式而產(chǎn)生費(fèi)用與過程。包含客戶每個月市內(nèi)電話費(fèi)、通話次數(shù)、手機(jī)通話費(fèi)、通話頻率、長途通話費(fèi)及由此產(chǎn)生服務(wù)費(fèi)、安裝費(fèi)等一系列相關(guān)服務(wù)費(fèi)用。分析屬性指電信經(jīng)過分析而產(chǎn)生分析值。包含客戶忠誠度、行為分析指標(biāo)、流失率、綜合價值等分析指標(biāo)。商務(wù)智能應(yīng)用--分析型CRM第59頁（2）數(shù)據(jù)標(biāo)準(zhǔn)化聚類之前普通數(shù)據(jù)都要進(jìn)行處理，這是聚類算法與其它算法不一樣之處，因?yàn)榫垲愃惴ㄖ行枰嬎憔嚯x。客戶聚類中所用數(shù)據(jù)都是區(qū)間標(biāo)度變量，變量度量單位選擇將直接影響聚類分析結(jié)果。比如，將時間單位由“年”改為“月”，可能產(chǎn)生非常不一樣聚類結(jié)果。普通情況下，所用度量單位越小，變量可能值域就越大，這么對聚類結(jié)果影響也越大，為了防止對度量單位選擇依賴，數(shù)據(jù)應(yīng)該標(biāo)準(zhǔn)化。慣用標(biāo)準(zhǔn)化方法是將原來度量值轉(zhuǎn)換為無單位值，對于客戶聚類分析中變量我們分為三種，對每種采取不一樣標(biāo)準(zhǔn)化方法。商務(wù)智能應(yīng)用--分析型CRM第60頁1）增益變量，即該變量值越大，客戶價值越大，包含客戶購置次數(shù)、客戶在本企業(yè)消費(fèi)額、客戶與企業(yè)保持交易時間長度。對該類變量采取以下處理方法：，2）損益變量，即該變量值越小，客戶價值越大，包含客戶最近一次購置到現(xiàn)在時間長度。對該類變量采取以下處理方法：3）不能用增益和損益來衡量，即客戶提出提議或意見次數(shù)。對該類變量采取以下處理方法：商務(wù)智能應(yīng)用--分析型CRM第61頁（3）距離度量方法選擇K一平均聚類算法采取基于對象間距離來計算各個對象間相異度。（4）確定KK-均值聚類算法必須事先給定聚類簇k數(shù)目，在詳細(xì)應(yīng)用中，普通依據(jù)聚類目標(biāo)而設(shè)定聚類簇數(shù)目。商務(wù)智能應(yīng)用--分析型CRM第62頁比如客戶價值分類：RFM方法是衡量客戶價值一個主要方法，遵照當(dāng)代管理大師佩拍斯先生劃分觀點(diǎn)，將客戶劃分為三類：最有價值客戶、最具增加性客戶、負(fù)值客戶，企業(yè)高層經(jīng)理級決議者普通從比較宏觀角度來了解客戶，所以將客戶分為3簇。應(yīng)用K一平均聚類算法，輸入初始參數(shù)：包含47060條統(tǒng)計數(shù)據(jù)庫，k=3,聚類試驗(yàn)時只選擇了幾個主要變量，其它變量沒有參加計算。選擇變量有：R表示客戶最近一次購置到現(xiàn)在時間長度（天）、F表示最近兩年購置次數(shù)、M表示最近兩年客戶在本企業(yè)消費(fèi)額、L表示客戶對企業(yè)提出提議或