數(shù)據(jù)挖掘是從大量數(shù)據(jù)中提取知識(shí)。從數(shù)據(jù)庫(kù)的觀點(diǎn)出發(fā)其次，“預(yù)測(cè)型數(shù)據(jù)挖掘”包括一系列在數(shù)據(jù)中查找特定變量（稱為“目標(biāo)變量”）與其他變量之間關(guān)系的技術(shù)。

每個(gè)企業(yè)都會(huì)有客戶流失的情況發(fā)生，已經(jīng)失去或是即將失去的，這中情況對(duì)企業(yè)來(lái)說(shuō)是正常現(xiàn)象，在面對(duì)這些常見的正常現(xiàn)象時(shí)，關(guān)鍵是企業(yè)從中能學(xué)到什么，得到重要信息并加之分析，找出弊端加以改善，防止客戶的再次流失CRM （Custom Relationship Management）的意思是客戶關(guān)系管理。它強(qiáng)調(diào)把客戶放在核心位置，其理念要求企業(yè)完整地認(rèn)識(shí)整個(gè)客戶生命周期，圍繞“客戶接觸點(diǎn)”，提供與客戶溝通的統(tǒng)一、集成的平臺(tái)和工具，涉及企業(yè)一切與客戶有關(guān)的信息交互進(jìn)行處理。提高員工、客戶接觸的效率和客戶反饋率，為客戶提供整體的服務(wù)！同時(shí)采用數(shù)據(jù)挖掘技術(shù)對(duì)有關(guān)信息進(jìn)行分析，得到有價(jià)值的信息和知識(shí)。

一、獲取信息

當(dāng)前企業(yè)間的競(jìng)爭(zhēng)不僅僅是產(chǎn)品的競(jìng)爭(zhēng)、企業(yè)資源的競(jìng)爭(zhēng)：而更多的是以客戶為中心的服務(wù)。如，獲取競(jìng)爭(zhēng)信息贏取客戶，認(rèn)真聆聽客戶的心聲，由客戶方反饋信息，讓企業(yè)了解競(jìng)爭(zhēng)對(duì)手的銷售策略方式，獲取競(jìng)爭(zhēng)對(duì)手是否采取了低價(jià)策略、出奇的營(yíng)銷計(jì)劃等信息，一邊企業(yè)做出最快最準(zhǔn)的判斷，與競(jìng)爭(zhēng)對(duì)手爭(zhēng)奪客戶源以便采取培訓(xùn)或投資項(xiàng)目的啟動(dòng)決策，通過(guò)與客戶的溝通，大量重要信息的獲取后，就可以進(jìn)行相應(yīng)的員工培訓(xùn)。設(shè)備投入與投資項(xiàng)目決策階段，將資金投入到需要加以改善的地方，意識(shí)企業(yè)降低成本將資金用在刀刃上。

識(shí)別有價(jià)值的客服，已得到關(guān)鍵有益信息是企業(yè)掌握主動(dòng)的關(guān)鍵。以服務(wù)類企業(yè)為例，這類公司經(jīng)常能夠很容易就能識(shí)別出那些即將與他們終止業(yè)務(wù)往來(lái)的客戶 他們也知道如何聯(lián)系到這些客戶，并加以防范。從相關(guān)的統(tǒng)計(jì)數(shù)據(jù)來(lái)看，一家企業(yè)平均每年會(huì)失去一到三成的老客戶。在這些流失的客戶中，哪些是企業(yè)自動(dòng)淘汰的，為什么要淘汰？哪些是由于企業(yè)維持不善造成的，或是客戶主動(dòng)聯(lián)系企業(yè)與企業(yè)達(dá)成合作意向的？客戶的流逝對(duì)企業(yè)所造成的影響非常大，由于在尋找新客戶，建立新的合作關(guān)系的過(guò)程中，企業(yè)將付出維持老客戶成本的3到7倍，因此迅速準(zhǔn)確的是被那些即將流失的客戶群，并予以進(jìn)行正確的維護(hù)，做出幾十的判斷對(duì)一個(gè)企業(yè)的發(fā)展極為重要。CRM系統(tǒng)，能夠幫企業(yè)收集分析這些數(shù)據(jù)，既然失去的客戶已經(jīng)無(wú)法挽回，那么企業(yè)接下來(lái)的工作，就只能是總結(jié)教訓(xùn)，防止再犯。而CRM正好可以幫企業(yè)的總結(jié)提供數(shù)據(jù)方面的幫助。

二、數(shù)據(jù)挖掘

數(shù)據(jù)挖掘（data Mining），又稱數(shù)據(jù)庫(kù)中的知識(shí)發(fā)現(xiàn)（Knowledge Discovery in Database，KDD），是指從大型數(shù)據(jù)庫(kù)或數(shù)據(jù)倉(cāng)庫(kù)中提取隱含的，位置的，非平凡的及有潛在應(yīng)用阿志的信息或模式，是數(shù)據(jù)庫(kù)研究中的一個(gè)很有應(yīng)用價(jià)值的新領(lǐng)馭，融合了數(shù)據(jù)庫(kù)、人工智能、機(jī)器學(xué)習(xí)、統(tǒng)計(jì)學(xué)等多個(gè)領(lǐng)域的理論和技術(shù)，數(shù)據(jù)挖掘工具能夠?qū)Κ?jiǎng)勵(lì)啊的趨勢(shì)和行為驚醒預(yù)測(cè)，從而很好的支持人們的決策，今天的技術(shù)可以使挖掘過(guò)程自動(dòng)化，把數(shù)據(jù)挖掘與商業(yè)數(shù)據(jù)倉(cāng)庫(kù)相結(jié)合，并以適當(dāng)?shù)男问桨呀Y(jié)果表示給從事商業(yè)活動(dòng)的用戶看。

數(shù)據(jù)挖掘是從大量數(shù)據(jù)中提取知識(shí)。從數(shù)據(jù)庫(kù)的觀點(diǎn)出發(fā)其次，“預(yù)測(cè)型數(shù)據(jù)挖掘”包括一系列在數(shù)據(jù)中查找特定變量（稱為“目標(biāo)變量”）與其他變量之間關(guān)系的技術(shù)。下面具體介紹幾種預(yù)測(cè)型數(shù)據(jù)挖掘技術(shù)。

a.決策樹

決策樹方法的起源是概念學(xué)習(xí)系統(tǒng)（CLS），發(fā)展到ID3方法時(shí)為高潮，后又演化為能處理連續(xù)屬性的C4.5，最后發(fā)展成為加入了Boosting思想的C5.0 決策樹是一種常用的分類算法、它通過(guò)系統(tǒng)地分解和分離數(shù)據(jù)集中包含的信息來(lái)發(fā)現(xiàn)規(guī)律和關(guān)系，它尋求在數(shù)據(jù)集中找到那些提供記錄中最大分離信息的影響因素，每次選取能最大程度地區(qū)分記錄的影響因素，決策樹據(jù)此法則往下生長(zhǎng)，當(dāng)找不到類似的影響因素時(shí)，決策樹就形成了?？紤]到?jīng)Q策樹的可用性，還要對(duì)其“剪枝”和優(yōu)化。決策樹通過(guò)把對(duì)象從根節(jié)點(diǎn)排列到某個(gè)葉子節(jié)點(diǎn)來(lái)分類，葉子節(jié)點(diǎn)即為對(duì)象所屬的分類。樹上的每一個(gè)節(jié)點(diǎn)說(shuō)明對(duì)對(duì)象的某個(gè)屬性的測(cè)試，并且該節(jié)點(diǎn)的每一個(gè)后繼分支對(duì)應(yīng)于該屬性的一個(gè)可能值?，F(xiàn)有的客戶流失分析方法多采用決策樹及其變形算法來(lái)進(jìn)行，典型的有英國(guó)Lightbride公司開發(fā)的Churn Prophet（CART，分類回歸樹）。

b.神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)主要用于分類、聚類、估計(jì)和預(yù)測(cè)。神經(jīng)網(wǎng)絡(luò)是一種人腦思考仿真的數(shù)據(jù)分析模式，用輸入變量與數(shù)值來(lái)自我學(xué)習(xí)，并根據(jù)學(xué)習(xí)經(jīng)驗(yàn)所得之知識(shí)不斷調(diào)整參數(shù)，以期得到一個(gè)較好的模式。神經(jīng)網(wǎng)絡(luò)使用許多參數(shù)來(lái)建立一個(gè)模式。這個(gè)模式由一組輸入值來(lái)預(yù)測(cè)一個(gè)連續(xù)值或分類值。每個(gè)結(jié)點(diǎn)都是一個(gè)函數(shù)，這個(gè)函數(shù)使用該結(jié)點(diǎn)的相鄰結(jié)點(diǎn)值的加權(quán)總和進(jìn)行運(yùn)算。函數(shù)的形式可以選擇，權(quán)的確定可以由一種叫反向傳導(dǎo)的方法通過(guò)把輸出結(jié)果和已知真實(shí)結(jié)果的比較來(lái)不斷調(diào)整，整個(gè)神經(jīng)網(wǎng)絡(luò)的分析過(guò)程是一個(gè)“黑盒子”（不透明），無(wú)法展現(xiàn)可讀的模型，每階段的加權(quán)與轉(zhuǎn)換亦不明確顯示，所以神經(jīng)網(wǎng)絡(luò)大多數(shù)都用于處理高度非線性且變量有相當(dāng)程度交互效應(yīng)的數(shù)據(jù)。

c.回歸分析方法

回歸分析是研究響應(yīng)變量（或稱因變量）Y與n個(gè)預(yù)測(cè)變量（或稱自變量）X1，X2，…，Xn之間的相關(guān)關(guān)系并求出關(guān)系方程式，是將相關(guān)現(xiàn)象間不確定的數(shù)量關(guān)系一般化，是配合直線或曲線來(lái)代表現(xiàn)象之間的一般數(shù)量關(guān)系?；貧w技術(shù)主要包括以下幾個(gè)方面：

（1）線性回歸

在線性回歸中，數(shù)據(jù)用直線建模。線性回歸是最簡(jiǎn)單的回歸形式，是量化兩個(gè)連續(xù)變量之間關(guān)系的一種統(tǒng)計(jì)技術(shù)。將一個(gè)響應(yīng)變量Y視為另一個(gè)隨機(jī)變量 X 的線性函數(shù)，即：Y=α＋βX其中假定Y的方差為常數(shù)，α和β是回歸系數(shù)，分別表示直線在Y軸的截距和直線的斜率系數(shù)可以用最小二乘法求解，線性回歸常用于建立消費(fèi)模型。

（2）多元線性回歸

多元回歸是線性回歸的擴(kuò)展，涉及多個(gè)自變量。響應(yīng)變量Y可以是一個(gè)多維特征變量的線性函數(shù)。

同樣也可以采用最小二乘法（OLS）求解回歸系數(shù)。

（3）Logistic回歸

Logistic回歸是多元線性回歸的變形和推廣，是為二元因變量（二分類變量）設(shè)計(jì)的非線性回歸模型，用來(lái)考察多個(gè)屬性變量在識(shí)別將要流失客戶方面的集成貢獻(xiàn)。

（4）其他非線性回歸

三、數(shù)據(jù)挖掘在CRM 中的應(yīng)用

在企業(yè)管理客戶生命周期的各個(gè)階段都會(huì)用到數(shù)據(jù)挖掘技術(shù)，數(shù)據(jù)挖掘技術(shù)可以幫助企業(yè)確定客戶的特點(diǎn)，從而可以為客戶提供有針對(duì)性的服務(wù)；通過(guò)數(shù)據(jù)挖掘可以發(fā)現(xiàn)使用某一業(yè)務(wù)的客戶特征，從而可以向那些也同樣具有這些特征卻沒(méi)有使用該業(yè)務(wù)的客戶進(jìn)行有目的推銷；還可以找到流失的客戶特征，在那些具有相似特征的客戶還未流失之前，采取針對(duì)性的措施。

首先，客戶關(guān)系管理理論中有一個(gè)經(jīng)典的2、8原則，即80％的利潤(rùn)來(lái)自于20％的客戶。通過(guò)數(shù)據(jù)挖掘中的決策樹分析法和分類分析算法對(duì)客戶消費(fèi)行為、盈利能力進(jìn)行分析。從而將客戶進(jìn)行分類。其次，企業(yè)爭(zhēng)取一個(gè)新客戶的成本是保留一個(gè)老客戶7-10倍，因此，CRM 管理中，首先提倡的是保持現(xiàn)有客戶，實(shí)現(xiàn)現(xiàn)有客戶的重復(fù)購(gòu)買，其次才是開拓新市場(chǎng)、吸引新客戶。通過(guò)數(shù)據(jù)挖掘技術(shù)首先為已流失客戶建模，是被他們的流逝模式，然后用這些模式找出當(dāng)前客戶中相似背離者，以便采取相應(yīng)預(yù)防措施。最后，客戶獲得。企業(yè)的增長(zhǎng)要不斷獲得新客戶 數(shù)據(jù)挖掘技術(shù)能夠預(yù)測(cè)并識(shí)別潛在客戶群，從而使企業(yè)的促銷推廣活動(dòng)更有針對(duì)性。

四、總結(jié)

本文介紹了數(shù)據(jù)挖掘技術(shù)在企業(yè)CRM系統(tǒng)中對(duì)客戶流失及保持的應(yīng)用，在對(duì)客戶關(guān)系管理研究以及數(shù)據(jù)挖掘技術(shù)研究的理論背景之上，通過(guò)數(shù)據(jù)挖掘算法分析客戶群體特征，類別。并據(jù)此預(yù)測(cè)現(xiàn)有客戶的流失傾向，并采取相應(yīng)的措施進(jìn)行挽留，給出有效控制客戶流失的建議。

在客戶導(dǎo)向時(shí)代，客戶成為了企業(yè)利潤(rùn)的最終來(lái)源，客戶關(guān)系管理則是企業(yè)提升經(jīng)濟(jì)效率的一種重要途徑。數(shù)據(jù)挖掘技術(shù)與CRM 相結(jié)合完善了客戶關(guān)系管理系統(tǒng)，有助于提升企業(yè)的商業(yè)價(jià)值，為企業(yè)與客戶之間建立一個(gè)互動(dòng)的長(zhǎng)期穩(wěn)定關(guān)系，使得客戶價(jià)值、企業(yè)利潤(rùn)達(dá)到“雙贏”。