A. 數據分析的原理是什麼
數據分析的目的是把隱藏在一些看似雜亂無章的數據背後的信息提煉出來，總結出所研究對象的內在規律。在實際工作中，數據分析能夠幫助管理者進行判斷和決策，以便採取適當策略與行動。比如：企業的高管希望通過市場分析和研究，把握當前產品的市場動向，從而制定合理的產品研發和銷售計劃，這就必須依賴數據分析才能夠完成。
簡單的說，就是對數據進行分析，比較專業的說法是，數據分析是指用適當的統計分析方法對收集來的大量數據進行分析，未提取有用信息和形成結論而對數據加以詳細研究和概括總結的過程。以求最大化地開發數據的功能，發揮數據的作用。
數據分析包含「數據」和「分析」兩個方面一方麵包括加工和整理數據，另一方面也包括分析數據，從中提取有價值的信息並形成對業務有幫助的結論。
數據分析的成果通常以分析報告的形式呈現。對於數據分析報告，分析就是論點，數據就是論據，兩者缺一不可。
B. 數據分析的方法有哪些
② 數據分析為了挖掘更多的問題，並找到原因；
③ 不能為了做數據分析而坐數據分析。
2、步驟：① 調查研究：收集、分析、挖掘數據
② 圖表分析：分析、挖掘的結果做成圖表
3、常用方法： 利用數據挖掘進行數據分析常用的方法主要有分類、回歸分析、聚類、關聯規則、特徵、變化和偏差分析、Web頁挖掘等，它們分別從不同的角度對數據進行挖掘。 ①分類。分類是找出資料庫中一組數據對象的共同特點並按照分類模式將其劃分為不同的類，其目的是通過分類模型，將資料庫中的數據項映射到某個給定的類別。它可以應用到客戶的分類、客戶的屬性和特徵分析、客戶滿意度分析、客戶的購買趨勢預測等，如一個汽車零售商將客戶按照對汽車的喜好劃分成不同的類，這樣營銷人員就可以將新型汽車的廣告手冊直接郵寄到有這種喜好的客戶手中，從而大大增加了商業機會。 ②回歸分析。回歸分析方法反映的是事務資料庫中屬性值在時間上的特徵，產生一個將數據項映射到一個實值預測變數的函數，發現變數或屬性間的依賴關系，其主要研究問題包括數據序列的趨勢特徵、數據序列的預測以及數據間的相關關系等。它可以應用到市場營銷的各個方面，如客戶尋求、保持和預防客戶流失活動、產品生命周期分析、銷售趨勢預測及有針對性的促銷活動等。 ③聚類。聚類分析是把一組數據按照相似性和差異性分為幾個類別，其目的是使得屬於同一類別的數據間的相似性盡可能大，不同類別中的數據間的相似性盡可能小。它可以應用到客戶群體的分類、客戶背景分析、客戶購買趨勢預測、市場的細分等。 ④關聯規則。關聯規則是描述資料庫中數據項之間所存在的關系的規則，即根據一個事務中某些項的出現可導出另一些項在同一事務中也出現，即隱藏在數據間的關聯或相互關系。在客戶關系管理中，通過對企業的客戶資料庫里的大量數據進行挖掘，可以從大量的記錄中發現有趣的關聯關系，找出影響市場營銷效果的關鍵因素，為產品定位、定價與定製客戶群，客戶尋求、細分與保持，市場營銷與推銷，營銷風險評估和詐騙預測等決策支持提供參考依據。 ⑤特徵。特徵分析是從資料庫中的一組數據中提取出關於這些數據的特徵式，這些特徵式表達了該數據集的總體特徵。如營銷人員通過對客戶流失因素的特徵提取，可以得到導致客戶流失的一系列原因和主要特徵，利用這些特徵可以有效地預防客戶的流失。 ⑥變化和偏差分析。偏差包括很大一類潛在有趣的知識，如分類中的反常實例，模式的例外，觀察結果對期望的偏差等，其目的是尋找觀察結果與參照量之間有意義的差別。在企業危機管理及其預警中，管理者更感興趣的是那些意外規則。意外規則的挖掘可以應用到各種異常信息的發現、分析、識別、評價和預警等方面。 ⑦Web頁挖掘。
C. 數據分析架構及方法
數據分析架構及方法
一、以往的數據分析在今天的各類型企業中，數據分析崗位已經基本得到普及和認可，這個崗位的核心任務往往是支撐運營和營銷，將企業內部的數據，客戶的數據進行分析和總結，形成以往工作情況的量化表現，以及客戶的行為趨勢或特徵等。
如果從更宏觀的角度來認識數據分析崗位的話，每一個數據分析人員都明白，其實數據分析崗位要達到的目標就是希望通過數據來發現潛在的規律，進而幫助預測未來，這一點同數據挖掘的目標一致。那麼為什麼在大多數公司都已經具備的數據分析崗位基礎上，今天卻還是在反復提到數據挖掘這個概念，我們就需要來看看數據分析都有哪些是沒有做到的內容。
1數據分散
多數數據分析崗位在公司中的崗位設置是隸屬在單一業務部門中作為一個支撐崗，只有少數的公司是將數據分析作為一個獨立的部門。其差異性在於，前者的數據分析所能分析的內容僅限於自身部門所輸出的指標，比如投訴部門只看投訴處理過程中的數據，銷售部門只看銷售過程中的數據，一旦涉及到需要將各類指標匯總分析的情況，這種組織架構就會帶來極大的負面影響，由於不同部門具備自己部門指標導出的許可權，且與其他部門的配合並不影響績效任務，所以這種跨部門採集數據的過程往往效率奇低。而數據分析最關鍵的就在於匯集更多的數據和更多的維度來發現規律，所以以往的數據分析多是做最基礎的對比分析以及帕累托分析，少有使用演算法來對數據進行挖掘的動作，因為越少的指標以及越少的維度將會使得演算法發揮的效果越差。
2指標維度少
在以往的企業中，數字化管理更多的體現在日常運維工作中，對於客戶端的數據採集雖然從很早以前就已經開展，CRM系統的誕生已經有很久的時間了，但是一直以來客戶端的數據維度卻十分缺失，其原因在於上述這些途徑所獲得的數據多為客戶與企業產生交互之後到交互結束之間的數據，但是這段時間只是這個客戶日常生活中很少的一部分內容，客戶在微博，微信上的行為特點，關注的領域或是品牌，自身的性格特點等，可以說一個客戶真正的特點，習慣，僅通過與企業的交互是無從知曉的，因此難以挖掘出有效的結論。
3少使用演算法
在上述制約條件下，可想而知數據分析人員對於演算法的使用必然是較少的，因為數據分析依賴於大量的指標、維度以及數據量，沒有這三個條件是難以發揮演算法的價值的，而在排除掉演算法後，數據分析人員更多的只能是針對有限的數據做最為簡單的分析方法，得出淺顯易懂的分析結論，為企業帶來的價值則可以想像。
4數據分析系統較弱目前的數據分析多採用excel，部分數據分析人員能夠使用到R或SPSS等軟體，但當數據量達到TB或PB單位級別時，這些軟體在運算時將會消耗大量時間，同時原始的資料庫系統在導出數據時所花費的時間也是相當長的，因此對大數據量的分析工作，常規的系統支撐難以到達要求。
二、技術革命與數據挖掘
得益於互聯網對於人們生活的影響逐漸增大，我們發現數據正在瘋狂的增長。今天一個人一天的時間中有將近一半是在互聯網中度過的，一方面這些使用互聯網的交互都是能夠被捕捉記錄的，一方面由於碎片化時間的使用，客戶與企業交互的機會也變的越來越頻繁，進一步保障了客戶數據的豐富。同時在大數據技術的支撐下，今天的系統能夠允許對這些大規模的數據量進行高效的分析。
因此數據分析人員也能夠開始使用一些較為抽象的演算法來對數據做更為豐富的分析。所以數據分析正式進入到了數據分析2.0的時代，也就是數據挖掘的時代了。
三、數據處理流程
數據分析也即是數據處理的過程，這個過程是由三個關鍵環節所組成：數據採集，數據分析方法選取，數據分析主題選擇。這三個關鍵環節呈現金字塔形，其中數據採集是最底層，而數據分析主題選擇是最上層。
四、數據採集
數據採集即是如何將數據記錄下來的環節。在這個環節中需要著重說明的是兩個原則，即全量而非抽樣，以及多維而非單維。今天的技術革命和數據分析2.0主要就是體現在這個兩個層面上。
1全量而非抽樣由於系統分析速度以及數據導出速度的制約，在非大數據系統支撐的公司中，做數據分析的人員也是很少能夠做到完全全量的對數據進行收集和分析。在未來這將不再成為問題。
2多維而非單維另一方面則在於數據的維度上，這在前邊同樣提及。總之針對客戶行為實現5W1H的全面細化，將交互過程的什麼時間、什麼地點、什麼人、因為什麼原因、做了什麼事情全面記錄下來，並將每一個板塊進行細化，時間可以從起始時間、結束時間、中斷時間、周期間隔時間等細分；地點可以從地市、小區、氣候等地理特徵、渠道等細分；人可以從多渠道注冊賬號、家庭成員、薪資、個人成長階段等細分；原因可以從愛好、人生大事、需求層級等細分；事情可以從主題、步驟、質量、效率等細分。通過這些細分維度，增加分析的多樣性，從而挖掘規律。
五、數據分析方法選取數據分析方法是通過什麼方法去組合數據從而展現規律的環節。從根本目的上來說，數據分析的任務在於抽象數據形成有業務意義的結論。因為單純的數據是毫無意義的，直接看數據是沒有辦法發現其中的規律的，只有通過使用分析方法將數據抽象處理後，人們才能看出隱藏在數據背後的規律。
數據分析方法選取是整個數據處理過程的核心，一般從分析的方法復雜度上來講，我將其分為三個層級，即常規分析方法，統計學分析方法跟自建模型。我之所以這樣區分有兩個層面上的考慮，分別是抽象程度以及定製程度。
其中抽象程度是說，有些數據不需要加工，直接轉成圖形的方式呈現出來，就能夠表現出業務人員所需要的業務意義，但有些業務需求，直接把數據轉化成圖形是難以看出來的，需要建立數據模型，將多個指標或一個指標的多個維度進行重組，最終產生出新的數據來，那麼形成的這個抽象的結果就是業務人員所需要的業務結論了。基於這個原則，可以劃分出常規分析方法和非常規分析方法。
那麼另一個層面是定製程度，到今天數學的發展已經有很長的時間了，其中一些經典的分析方法已經沉澱，他們可以通用在多用分析目的中，適用於多種業務結論中，這些分析方法就屬於通用分析方法，但有些業務需求確實少見，它所需要的分析方法就不可能完全基於通用方法，因此就會形成獨立的分析方法，也就是專門的數學建模，這種情況下所形成的數學模型都是專門為這個業務主題定製的，因此無法適用於多個主題，這類分析方法就屬於高度定製的，因此基於這一原則，將非常規分析方法細分為統計學分析方法和自建模型類。
1常規分析方法常規分析方法不對數據做抽象的處理，主要是直接呈現原始數據，多用於針對固定的指標、且周期性的分析主題。直接通過原始數據來呈現業務意義，主要是通過趨勢分析和佔比分析來呈現，其分析方法對應同環比及帕累托分析這兩類。同環比分析，其核心目的在於呈現本期與往期之間的差異，如銷售量增長趨勢；而帕累托分析則是呈現單一維度中的各個要素佔比的排名，比如各個地市中本期的銷售量增長趨勢的排名，以及前百分之八十的增長量都由哪幾個地市貢獻這樣的結論。常規分析方法已經成為最為基礎的分析方法，在此也不詳細介紹了。
2統計學分析方法統計學分析方法能夠基於以往數據的規律來推導未來的趨勢，其中可以分為多種規律總結的方式。根據原理多分為以下幾大類，包括有目標結論的有指導學習演算法，和沒有目標結論的無指導學習演算法，以及回歸分析。
其中有指導的學習演算法簡單說就是有歷史數據里邊已經給出一個目標結論，然後分析當各個變數達到什麼情況時，就會產生目標結論。比如我們想判斷各項指標需要達到什麼水平時我們才認定這個人患有心臟病的話，就可以把大量的心臟病人的各項指標數據和沒有心臟病的正常人的各項指標數據都輸入到系統中，目標結論就是是否有心臟病，變數就是各項指標數據，系統根據這些數據算出一個函數，這個函數能夠恰當的描述各個指標的數據與最終這個是否是心臟病人之間的關系，也就是當各個指標達到什麼臨界值時，這個人就有心臟病的判斷，這樣以後再來病人，我們就可以根據各項指標的臨界值。這個案例中的函數就是演算法本身了，這其中的演算法邏輯有很多種，包括常見的貝葉斯分類、決策樹、隨機森林樹以及支持向量機等，有興趣的朋友可以在網上看看各種演算法的邏輯是怎麼樣的。
另外無指導的學習演算法因為沒有一個給定的目標結論，因此是將指標之中所有有類似屬性的數據分別合並在一起，形成聚類的結果。比如最經典的啤酒與尿布分析，業務人員希望了解啤酒跟什麼搭配在一起賣會更容易讓大家接受，因此需要把所有的購買數據都放進來，然後計算後，得出其他各個商品與啤酒的關聯程度或者是距離遠近，也就是同時購買了啤酒的人群中，都有購買哪些其他的商品，然後會輸出多種結果，比如尿布或者牛肉或者酸奶或者花生米等等，這每個商品都可以成為一個聚類結果，由於沒有目標結論，因此這些聚類結果都可以參考，之後就是貨品擺放人員嘗試各種聚類結果來看效果提升程度。在這個案例中各個商品與啤酒的關聯程度或者是距離遠近就是演算法本身了，這其中的邏輯也有很多中，包括Apriori等關聯規則、聚類演算法等。
另外還有一大類是回歸分析，簡單說就是幾個自變數加減乘除後就能得出因變數來，這樣就可以推算未來因變數會是多少了。比如我們想知道活動覆蓋率、產品價格、客戶薪資水平、客戶活躍度等指標與購買量是否有關系，以及如果有關系，那麼能不能給出一個等式來，把這幾個指標的數據輸入進去後，就能夠得到購買量，這個時候就需要回歸分析了，通過把這些指標以及購買量輸入系統，運算後即可分別得出，這些指標對購買量有沒有作用，以及如果有作用，那麼各個指標應該如何計算才能得出購買量來。回歸分析包括線性及非線性回歸分析等演算法。
統計學分析方法還有很多，不過在今天多用上述幾大類分析方法，另外在各個分析方法中，又有很多的不同演算法，這部分也是需要分析人員去多多掌握的。
3自建模型自建模型是在分析方法中最為高階也是最具有挖掘價值的，在今天多用於金融領域，甚至業界專門為這個人群起了一個名字叫做寬客，這群人就是靠數學模型來分析金融市場。由於統計學分析方法所使用的演算法也是具有局限性的，雖然統計學分析方法能夠通用在各種場景中，但是它存在不精準的問題，在有指導和沒有指導的學習演算法中，得出的結論多為含有多體現在結論不精準上，而在金融這種錙銖必較的領域中，這種演算法顯然不能達到需求的精準度，因此數學家在這個領域中專門自建模型，來輸入可以獲得數據，得出投資建議來。在統計學分析方法中，回歸分析最接近於數學模型的，但公式的復雜程度有限，而數學模型是完全自由的，能夠將指標進行任意的組合，確保最終結論的有效性。
六、數據分析主題選取
在數據分析方法的基礎上，進一步是將分析方法應用在業務需求中，基於業務主題的分析可以涉及太多的領域，從客戶的參與活動的轉化率，到客戶的留存時長分析，再到內部的各環節銜接的及時率和准確度等等，每一種都有獨特的指標和維度的要求，以及分析方法的要求，以我個人的經驗來看，主要分析主題都是圍繞著營銷、運營、客戶這三大角度來開展的。
1營銷/運營分析營銷運營分析多從過程及最終的成效上來進行分析，包括營銷活動從發布到客戶產生購買的過程的分析，運營從客戶開始使用到停止使用為止的過程中的分析，前者更傾向於分析客戶行為的變動趨勢，以及不同類型的客戶之間的行為差異，後者更傾向於分析在過程中服務的及時率和有效率，以及不同類型的客戶之間對於服務需求的差異。
在針對這部分分析主題時，多採用常規分析方法，通過同環比以及帕累托來呈現簡單的變動規律以及主要類型的客戶，但通過統計學分析方法，營銷分析可以根據有指導的學習演算法，得出營銷成功與營銷失敗之間的客戶特徵的差異，而運營分析則可以根據無指導的學習演算法，得出哪些特徵的客戶對哪些服務是有突出的需求的，另外營銷和運營分析都可以通過回歸分析來判斷，各項績效指標中，哪些指標是對購買以及滿意度有直接影響的。通過這些深入的挖掘，可以幫助指導營銷及運營人員更好的完成任務。
2客戶分析客戶分析除了與營銷和運營數據關聯分析時候使用，另外單獨對於客戶特徵的分析也是有很大價值的。這一部分分析更多需要通過統計學分析方法中的有指導和無指導的學習演算法，一方面針對高價值客戶，通過有指導的學習演算法，能夠看到哪些特徵能夠影響到客戶的價值高低，從而為企業鎖定目標客戶提供指導；另一方面針對全體客戶，通過無指導的學習演算法，能夠看到客戶可以大概分為哪幾種群落，針對每個群落的客戶展開焦點討論和情景觀察，從而挖掘不同群落客戶之間的需求差異，進而為各個群落的客戶提供精準營銷服務。 通過以上這些的操作，一個企業的數據分析或者說數據挖掘工作的完整流程就呈現了出來。可以看到，無論是數據採集，還是分析方法，亦或是分析主題，在大數據和互聯網的支撐基礎上，在未來都將有大幅度的增加，數據分析人員將成為下一個階段的關鍵企業支撐人員，也即是在未來，在各個領域中，都將產生大量的寬客，或者增長黑客這樣的數據分析人員，來帶動企業的發展。
D. 數據挖掘技術與客戶關系管理的應用綜述
數據挖掘技術與客戶關系管理的應用綜述
企業通過實施客戶關系管理，可以降低成本，增加收入，提高業務運作效率。對於每一個面臨競爭的公司，數據倉庫是必須最終擁有的市場武器。通過它可以更多地了解客戶的需求以及處理這些需求的方法。數據挖掘能夠對將來的趨勢和行為進行預測，從而很好地支持人們的決策。作為專門管理企業前台的客戶關系管理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自如地面對客戶提供了科學手段和方法。建立和維持客戶關系是取得競爭優勢的唯一的最重要的基礎， 這是網路化經濟和電子商務對傳統商業模式變革的直接結果。
1 客戶關系管理（CRM）
1.1 內容
CRM的概念由美國Gartner集團率先提出。我們認為，CRM是辨識、獲取、保持和增加「可獲利客戶」的理論、實踐和技術手段的總稱。它既是一種國際領先的、以「客戶價值」為中心的企業管理理論、商業策略和企業運作實踐，也是一種以信息技術為手段、有效提高企業收益、客戶滿意度、雇員生產力的管理軟體。
客戶關系管理（CRM）源於以「客戶為中心」的新型商業模式，是一種旨在改善企業與客戶之間關系的新型管理機制。通過向企業的銷售、市場和客戶服務的專業人士提供全面、個性化的客戶資料，並強化跟蹤服務、信息分析的能力，使他們能夠協同建立和維護一系列與客戶和生意夥伴之間卓有成效的「一對一關系」，使企業得以提供更快捷和周到的優質服務、提高客戶滿意度、吸引和保持更多的客戶，增加營業額。通過信息共享和優化商業流程有效地降低企業經營成本。
1.2 CRM解決方案的組成
CRM作為企業管理系統軟體，通常由以下三部分組成：
（1）網路化銷售管理系統（Sales Distributor Management，SDM）。該模塊以市場和銷售業務為主導，對銷售的流程進行了詳細的管理，是銷售管理人員進行管理和銷售業務員銷售自動化的重要工具。它實現了銷售過程中對客戶的集中管理和協同管理，銷售管理人員可以隨時對銷售情況進行分析，具體功能包括客戶接待管理、報價單處理、銷售合同管理、回款單處理、綜合查詢功能、綜合統計功能。
（2）客戶服務管理系統（Customer Service Management，CSM）。該模塊主要對企業的售後服務進行管理，加快售後服務的響應速度，提高客戶滿意度，對服務人員進行考核，加強對產品質量的監督。
客戶服務系統最典型的代表就是呼叫中心環境，通過呼叫中心環境布署並且實現基於電話、Web的自助服務。它們使企業能夠以更快的速度和更高的效率來滿足其客戶的獨特需求。由於在多數情況下，客戶忠實度和是否能從該客戶身上贏利取決於企業能否提供優質的服務，因此，客戶服務和支持對許多企業就變得十分關鍵。
（3）企業決策信息系統（Executive Information System，EIS）。隨著電子商務時代的到來， 各行各業業務操作流程的自動化，企業內產生了數以幾十或上百GB計的大量業務數據。這些數據和由此產生的信息是企業的財富，它如實地記錄著企業運作的本質狀況。但是面對如此海量的數據，迫使人們不斷尋找新的工具，來對企業的運營規律進行探索，為商業決策提供有價值的知識，使企業獲得利潤。能滿足企業這一迫切需求的強有力的工具就是數據挖掘。
1.3 CRM的實施
CRM項目的實施可以分為3步：①應用業務集成。將獨立的市場管理，銷售管理與售後服務進行集成，提供統一的運作平台。將多渠道來源的數據進行整合，實現業務數據的集成與共享；②業務數據分析。對CRM系統中的數據進行加工、處理與分析這將使企業受益匪淺。對數據的分析可以採用OLAP的方式進行，生成各類報告。也可以採用業務數據倉庫（Business Information Warehouse）的處理手段，對數據做進一步的加工與數據挖掘，分析各數據指標間的關聯關系，建立關聯性的數據模型用於模擬和預測；③決策執行。依據數據分析所提供的可預見性的分析報告，企業可以將在業務過程中所學到的知識加以總結利用，對業務過程和業務計劃等做出調整。[page] 2數據挖掘
2.1 什麼是數據挖掘
數據挖掘（data mining）是從大量的、不完全的、有雜訊的、模糊的、隨機的數據中提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程。數據挖掘就是從大量數據中獲取有效的、新穎的、潛在有用的、最終可理解模式的非平凡過程。數據挖掘的廣義觀點：數據挖掘就是從存放在資料庫，數據倉庫或其它信息庫中的大量的數據中「挖掘」有趣知識的過程。數據挖掘，又稱為資料庫中知識發現（Knowledge Discovery in Database，KDD），也有人把數據挖掘視為資料庫中知識發現過程的一個基本步驟。知識發現過程由以下步驟組成：
①數據清理；②數據集成；③數據選擇；④數據變換；⑤數據挖掘；⑥模式評估；⑦知識表示。數據挖掘可以與用戶或知識庫交互。數據挖掘就是為順應這種需要應運而生發展起來的數據處理技術。在客戶關系管理（CRM）中，數據挖掘的應用是非常廣泛的。CRM中的客戶分類，客戶贏利率分析，客戶識別與客戶保留等功能都要藉助數據挖掘來實現。
2.2數據挖掘在CRM中的應用
比較典型的數據挖掘方法有關聯分析、序列模式分析、分類分析、聚類分析等。它們可以在以客戶為中心的企業決策分析和管理的各個不同領域與階段得到應用。
2.2.1 關聯分析
關聯分析，即利用關聯規則進行數據挖掘。關聯分析的目的是挖掘隱藏在數據間的相互關系，它能發現資料庫中形如「90％的顧客在一次購買活動中購買商品A的同時購買商品B」之類的知識。
2.2.2 序列模式分析
序列模式分析和關聯分析相似，但側重點在於分析數據間的前後序列關系。它能發現資料庫中形如「在某一段時間內，顧客購買商品A，接著購買商品B，而後購買商品C，即序列A→B→C出現的頻度較高」之類的知識。序列模式分析描述的問題是：在給定交易序列資料庫中，每個序列是按照交易時間排列的一組交易集， 挖掘序列函數作用在這個交易序列資料庫上，返回該資料庫中出現的高頻序列。在進行序列模式分析時，同樣也需要由用戶輸入最小置信度C和最小支持度S。
2.2.3 分類分析
設有一個資料庫和一組具有不同特徵的類別（標記），該資料庫中的每一個記錄都賦予一個類別的標記，這樣的資料庫稱為示例資料庫或訓練集。分類分析就是通過分析示例資料庫中的數據，為每個類別做出准確的描述或建立分析模型或挖掘出分類規則，然後用這個分類規則對其它資料庫中的記錄進行分類。
2.2.4 聚類分析
聚類分析輸入的是一組未分類記錄，並且這些記錄應分成幾類事先也不知道，通過分析資料庫中的記錄數據，根據一定的分類規則，合理地劃分記錄集合，確定每個記錄所在類別。它所採用的分類規則是由聚類分析工具決定的。採用不同的聚類方法，對於相同的記錄集合可能有不同的劃分結果。
3 結束語
應用數據挖掘技術，較為理想的起點就是從一個數據倉庫開始。這個數據倉庫，裡面應保存著所有客戶的合同信息，並且還應該有相應的市場競爭對手的相關數據。數據挖掘可以直接跟蹤數據，輔助用戶快速作出商業決策。用戶還可以在更新數據的時候不斷發現更好的行為模式，並將其運用於未來的決策當中。
E. 數據管理技術在客戶關系管理中的應用有哪些
數據挖掘技術在客戶關系管理中的典型應用
客戶獲取
客戶獲取的傳統方式一般是通過大量的媒體廣告、散發傳單等方式吸引新客戶。這種方式涉及面過廣不能做到有的放矢而且企業投入太大。數據挖掘技術可以從以往的市場活動中收集到的有用數據(主要是指潛在客戶反應模式分類)建立起數據挖掘模型。企業因此能夠了解真正的潛在客戶的特徵分類，從而在以後的市場活動中做到有的放矢而不是傳統的憑經驗的猜想。
客戶細分
細分就是指將一個大的消費群體劃分成為一個個細分群體的動作，同屬一個細分群體的消費者彼此相似，而隸屬於不同細分群體的消費者是被視為不同的。比如將資料庫中的數據按照年齡的不同來組織存放這樣一個簡單的動作就是細分。細分可以讓用戶從比較高的層次上來觀察資料庫中的數據，細分可以讓人們用不同的方法對待處於不同細分群中的客戶。數據挖掘中的分類、聚類等技術可以讓用戶對資料庫中的數據按類別、年齡、職業、地址、喜好等企業感興趣的屬性進行客戶細分。客戶細分是企業確定產品和服務的基礎．也是建立客戶一對一營銷的基礎。
客戶贏利能力分析
就企業的客戶而言，企業的絕大部分利潤是來自於小部分的客戶，而對於企業來說很難確定哪些客戶是高利潤回報，哪些客戶是低利潤回報甚至是負利潤回報的。數據挖掘技術能幫助企業區分利潤回報不同的客戶。從而可以將資源更多的分配在高利潤回報的客戶身上以產生更大的利潤，同時減少低或負利潤回報客戶的投入。為此，在數據挖掘之前，企業應該建立一套計算利潤回報的優化目標方法。可以是簡單的計算，如某客戶身上產生的收入減去所有相應的支出，也可以是較復雜的公式。然後利用數據挖掘工具從交易記錄中挖掘相應的知識。
客戶的保持
隨著行業中競爭愈來愈激烈，人們普遍認識到獲得一個新客戶的開支比保持一個老客戶的開支要大得多。所以如何保持原來老的客戶，不讓他們流失就成為crm的一個重要課題。在實際應用中，利用數據挖掘工具為已經流失的客戶建立模型，然後利用這些模型可以預測出現有客戶中將來可能流失的客戶，企業就能研究這些客戶的需求，並採取相應的措施防止其流失，從而達到保持客戶的目的。
F. CRM中客戶管理的工作原理是怎樣的
CRM，不僅僅是記錄客戶信息，如果僅僅是記錄信息，就不如用excel表格，既方便，又省錢。 所謂CRM，就是客戶管理，以客戶為核心，然後輻射與客戶相關的所有業務，是一個立體的管理。最關鍵一點，就是與客戶相關的銷售管理，包括售前、售中、售後三大塊的管理，每一個階段，也不僅僅是記錄客戶信息，而是對客戶跟進過程的一個管控與分析，客戶跟進到哪個階段了，在這個階段應該做哪些事情，做了這些事情後，有什麼效果，有沒有推進，如果沒有推進，原因是什麼，等等...銷售注重每一個管理細節，才能最到極致。 對成交客戶，進行售後關系的維護，以促使產生新的銷售機會，二次消費，甚至介紹客戶，這就是從客戶身上拓展客戶，遠比單獨開發客戶容易的多。還有就是數據的統計分析，為未來的市場規劃和業務拓展提供基礎的參考數據。除此之外，還包括對員工的管理，日常辦公管理，財務管理等等
G. 怎樣利用數據分析給客戶提供合理的資產管理決策和方案
摘要：成功網路分析的關鍵在於數據和人力。從數據上講要求分析必須精確和合理。數據可能是不完整的，或者在某種程度上是假設的，但是它不能違背整體研究方向，而且必須取得那些可能根據方案採取行動的管理者的信任。比數據更重要的是人。
一、網路分析概述
當我們決定設立一個工廠或配送中心的時候，必須考慮如何設計建築結構，使用什麼樣的物料處理設備和系統，但是我們必須先回答一些基本的策略問題。我們應該建立一個新的倉庫還是擴大原有的倉庫？我們需要建幾個？我們需要整合或關掉幾個倉庫嗎？倉庫應該建在什麼地方？倉庫需要處理什麼樣的產品？倉庫要服務什麼樣的客戶？類似這些的問題通常就是網路分析的一部分。
網路分析
簡單的說網路分析就是用適當的實體設備（計劃、產品線、配送中心）來支持給定供應鏈的決策過程。這個過程由一系列的成本因素和運作限制因素驅動。成本變數隨著研究范圍和本質的不同（製造vs.分銷、單個倉庫vs.多個倉庫）而不同。但總體上成本的總類包括以下幾種：
1、原材料采購成本
2、固定成本
3、可變成本
4、庫存持有成本
5、安裝與運輸費用
6、外向運輸費用
運作約束因素是那些不考慮成本的要求。運作約束有很多但大體上包括下來因素：
1、設施狀態（鎖定開啟/鎖定關閉）
2、設施能力（產品種類vs.負荷能力）
3、設施的存儲和吞吐能力
4、顧客服務要求
5、采購要求（單一供應商vs.多個供應商）
6、最小和最大設施數量
網路分析也受到需求因素（需求數量、顧客所在位置、產品結構）和可選網路（設施備選地點、運輸情況）的約束。
模型工具
除了最簡單的網路，大量的特殊網路的存在、同時評估很多成本變數的需求，和滿足運作約束的需求，使得用傳統模型方法（計算器、電子數據表等）來解決問題變得越來越困難了。做出最優的選擇（成本最小或一定程度上利潤最大）需要使用網路模型工具。有很多可用的商業模型工具。大部分工具由3個基礎部分組成：一個可以輸入需求、成本、約束變數數據的用戶界面；一個將這些數據轉換成相應數學函數的轉換器；和一個解析引擎，做出最後的解決方案。解決引擎通過強有力的建模工具使用專門的混合整數線性規劃理論計算出真實最優解，因此被稱為「優化器」。大多數工具也都具備統計數據和圖形輸出功能。
建模與分析
網路建模與網路分析通常被認為是同一的。事實上，網路建模是網路分析過程的一個部分，也是很重要的一個部分。我們之所以進行這種區分主要是因為通常會存在一種誤解：一個完全模型的建立就能夠決定一個真實最優的網路。但是，模型只是一個計算和優化在一系列約束條件和給定的數據下目標函數的數學工具。它應該還包括使用者進行大量的運營假設，並為每種假設情形輸入相關數據，以及對模型結果的正確理解，而且還要考慮那些不能在模型中量化的因素（如風險管理、人為影響、銷售及市場影響等）。
二、網路分析的好處
最先想到的網路分析的好處應該是帶來的成本的節約。當然，還有其他很多好處。至少由此能夠帶來部門間很好的溝通和互動。
成本的節約
網路分析可能帶來5%-15%的物流成本的節約。當然這會隨著實際情況的不同而不同，而且假設當前的網路是次優的。它也同樣取決於內部網路變革的能力。例如，根據條款的規定，某一特定的配送中心必須繼續運營，或者家族的首腦要保護最初成立的工廠，這些都很難得到成本的節約。最後，成本的節約在於某些成本的避免而不僅是成本降低。通常網路分析是尋找新的設施來適應新的增長而不是整合現有設施來降低成本。這種情況下成本節約很難量化，因為沒有明確的基準來衡量的解決方案。
其他好處
除了成本節約的機會外，一個成熟的網路模型可以給帶來許多其他的好處。一個優化的網路可以通過縮短前置時間和提高訂單滿足率來提升客戶服務水平。網路模型也是一個很好的預算工具，可以預測未來的資本和運營成本需求。它也是一個理想的測試工具，用來快速檢驗可選的運營情景，以及由收購、新產品和其他商業變化帶來的影響。最重要的是，網路模型也是鼓勵內部人員間溝通的催化劑。在構建和評估網路模型時，需要很多與討論，包括戰略規劃、財務、銷售和市場、客服、信息系統、采購、庫存控制、生產製造、分銷、運輸以及其他影響物流網路變化或被物流網路變化影響的部門。由於這些人從組織整體的角度來發表他們的觀點，這樣就能形成一些新的視角和信息。最後，在收集和分析運營數據後，可能會出現一些新的改進機會。
三、建模要求
為了建立一個有效的模型，需要收集並驗證大量的數據。網路分析有三個基本的驅動因素：需求、成本和約束。必須努力找到跟每種假設情景相關的數據。此外，必須考慮模型中的整體和代表性的數據。模型是在產品組的層面上（干貨vs.冷凍，托盤揀選vs.拆零揀選）進行而不是SKU的層面，並且對分散的客戶按照種類（大vs.小，vs.零售）和地理位置進行劃分。
需求
需求數據描述了客戶的基本信息並反映了訂單特徵。這些數據一般從歷史客戶購買數據中獲得，最好是12個月的數據，以便抓住那些季節性的購買特徵。數據按照產品、顧客種類、地理位置和運輸模式（包裹配送、零擔、整車等）來進行整理劃分。
成本
成本數據的數量和類型取決於分析的范圍。總體上，成本包括固定成本（與需求無關）和可變成本（是需求的函數）。固定成本包括設施和設備的資本，以及間接開支，如行政勞動力。可變成本一般等同於運營成本，如直接勞動力與運輸。其他成本，如庫存持有成本，可以說包含固定和可變成本兩個部分，並以此來建模。模型的一個任務就是進行固定成本與可變成本的權衡分析。拿新建一個配送中心來舉例，假設這個配送中心並不是運營上規定必須建的，只有當可變成本的節省能夠彌補固定成本時就應該建。固定成本包括設施、設備、增加的行政人員以及相關的庫存成本。它可能會降低對當地客戶的外向運輸費用。內向運輸費用的增加或減少取決於整個網路，直接勞動力成本也是這樣。如果可變費用的節省能彌補固定費用，那麼就可以建這個配送中心，否則就不應該建。在某些情況下，成本數據不是那麼容易拿到，特別是想要得到按產品組合或顧客分類劃分的成本數據。一般製造和分銷的成本可以從運營明細表、損益表及其他報表中獲得，整體運輸數據也一樣。難點在於如何獲得運輸模式和路線的費率。在某些情況下，特別是包裹配送和零擔配送，這些信息可以從公開的價目表中獲得。但是對整車運輸、鐵路及其他模式下，獲得這些信息需要花費大量的時間和精力。最後，確定在分析時要考慮或不考慮某些成本因素。那些不考慮的成本是不重要的，有些可能比較重要但仍然要排除在外，因為我們不想讓它們對網路產生影響。最新的典型例子就是由第三方物流提供內向運輸的成本。雖然這些成本是很重要的，但通常不予考慮，因為我們希望圍繞顧客而不是供應商來設計網路。在這種情況下，一般用敏感性分析法來確定這些決策的影響。同樣也用來評估方案的敏感性以便增加或減少不同的成本驅動因素。
約束條件
約束條件是使用者在不考慮成本的情況下加在模型上的因素。約束條件有很多種形式，最常見的有4種。首先是生產線、車間或配送中心的能力限制，其次是資格限制。資格限制可能使一個儲存冷凍產品的倉庫不能存儲干貨，使一條生產玻璃瓶的生產線不能生產易拉罐。第三是顧客服務的限制。服務水平的限制是的設施的建設不能只考慮成本。最後是開設/停業的限制。它限制了設施的最大或最小數量，和/或特定設施繼續營業或停業。
挑戰
成功的網路分析的兩個最大挑戰在於數據的不完整性和不能始終如一的貫穿研究的目標。後者是項目管理的問題。由於參與研究的大量人員缺乏相應的經驗，網路分析很容易陷入不適當的數據收集和分析，並且有可能使過程轉向其他的方向。
另一方面，數據問題也不是人為能控制的。在處理數據的不完整性時有三種解決方法。首先確定這些數據是必須的。在長遠的戰略分析中，非必要數據的不完整，也能得到方向正確的結果。其次是為缺失信息留有空間。這些空間有多種形式，一般是用最樂觀的估計值代替具體信息。最後是對分析很關鍵的數據，要努力研究和分析得出有用的信息。
對一些國際性的模型來說這些挑戰會更大。項目管理者的挑戰也更大，包括語言障礙和時差。數據收集也由於某些原因變的很困難。最大的問題在於缺乏標準的運輸價目表。例如，不像在美國，其他國家基本都沒有零擔運輸價目表。此外，運輸基礎設施在不同國家的不同地方也有很大區別，使得很難估計運輸時間和距離。區域勞動力和設施成本的差距也比美國更顯著。當然還有不同國家和同一國家不同地區的稅率及商業規則的不同。稅收的考慮在很大程度上可以改變研究的方向。大多數情況下處理這些數據問題的最好方法就是依靠當地的專家意見，並花時間徹底研究那些有顯著成本或限制影響的因素。
四、成功的關鍵
成功網路分析的關鍵在於數據和人力。從數據上講要求分析必須精確和合理。數據可能是不完整的，或者在某種程度上是假設的，但是它不能違背整體研究方向，而且必須取得那些可能根據方案採取行動的管理者的信任。比數據更重要的是人。首先，一個成功的分析要求有一個不管是來自於內部還是外部的經驗豐富的、善於分析的人，來處理數據、建立模型並領導整個過程。其次項目團隊要由一批來自全國各地、能處理各種商業問題和影響分析的物流問題的人組成。通常項目經理進行整個團隊的諧調工作。再次是高層管理者的支持。如果研究沒有被很好的肯定，團隊成員將不會參與，項目也會很快失去動力。最後，必須建立一定的目標，並嚴格向這個目標奮斗。網路模型分析很容易被誤解為其他的東西，並做一些不必要的分析。這可以通過這些方法來避免，如前期解釋網路分析的戰略性質，明確網路模型的界限，明確分析的目的。
H. 做好客戶管理需要對客戶哪些數據分析
客戶是企業的利潤來源，客戶管理對企業來說，可以說是發展之本，其重要性不言而喻。不過，客戶管理可是有竅門的。在此，我作一些粗淺的分析，以期達到拋磚引玉之效。
第一步，明辨老客戶的光環
在許多營銷讀本中，都提出開發一個新客戶的成本是維持一個老客戶的2~6倍。鼓勵企業重視老客戶的維護，以促成二次/多次銷售，並帶來新客戶。但事實上，由於熟悉和「忠誠」，老客戶往往會要求更多的價格優惠和服務項目，因而，在單筆業務上，老客戶給企業帶來的利潤往往不及新客戶。另一方面，如果企業做好老客戶的維護工作，並且能夠滿足老客戶不斷增長的優惠需求，確實能帶來新客戶，並且成交率較高。但畢竟，由老客戶介紹而來的新客戶在整個客戶群體中的比例是極小的。
在企業的業務過程中，都要面臨一個客戶范圍擴張和收緊的過程，即前期大面積捕捉潛在客戶，後期篩選高價值客戶重點維護。經濟學里有個著名的「二八定律」，即百分之二十的客戶創造了百分之八十的利潤。換言之，客戶的價值是根據他的利潤貢獻率來衡量的。具體而言，有三方面的「指標」：購買時間（第一次購買時間和最近購買時間）、購買頻率（在某一時間段內購買行為次數）、購買金額（歷次消費額及總消費額）。這三大指標的價值在於，告訴你哪些老客戶處於活躍期、哪些老客戶處於休眠期，以及某個客戶的活躍/休眠周期/增值空間等，便於「對症下葯」。
從另一個方面來講，新客戶的價值辨別是沒有依據可循的，唯一的依據就是我們的業務員能在第一時間抓住他的購買特徵，並與之前的老客戶進行類比，並據此進行有重點的拓展。
第三步，選擇輔助工具
每個企業的客戶數量，少則數百，多則成千上萬，再加上各類銷售數據……要把浩如煙海的數據梳理、分類整理完畢，決非易事。靠人工操作，明顯是不現實的，這種情況下只能藉助於IT技術。
Excel是許多企業電子化辦公的第一步，也是企業極其熟悉的軟體工具，但僅限於記錄數據，其它功能有限。顯然並不能滿足企業客戶維護的需求。這時候，企業需要藉助專業的管理軟體工具。以風語者為例，它的客戶服務與銷售分析功能，可以詳細紀錄客戶信息，輕松跟蹤所有聯系信息、報價、訂單、合同以及與客戶有關系的利益相關者，自動抓取出A類客戶。在服務過程的各個階段，還能使用預測分析和歷史服務紀錄分析，以實時方式或在服務周期中評價客戶滿意度和可能產生的二次銷售機會，實現客戶的二次或多次開發，讓企業的客戶價值分析真正做到數據說話。對銷售人員而言，算是一個不錯的助力。
風語者之所以一面市就受到營銷人員的歡迎，還在於它的自定義功能和知識庫功能。營銷人員在和客戶溝通時，客戶信息、過往案例、服務歷史和支持知識等同步顯示，為便捷的溝通提供可參考的依據。可不要小瞧這個小小的功能，想像一下，有一個幾個月沒聯系的「老客戶」今天聯系他，打開軟體就可以根據客戶的實際情況和他天南海北地聊，既可以收集反饋意見，又能很快拉近和客戶的距離，這可以說是用最小的維護成本輕松提升客戶忠誠度的最好的辦法。
第四步 客戶管理的延續性
客戶管理的延續性，不僅包含客戶信息的延續，還包含客戶維護和拓展經驗、技能的延續。
在客戶管理中，一個常見的問題讓企業管理者頭疼不已，即隨著營銷人員的崗位更替，老客戶必須和接手的業務員重新磨合；如果磨合不好，輕則增加成本，重則客戶流失，甚至成為競爭對手的客戶。針對這種情況，企業更加需要風語者等管理軟體來進行客戶資料的收集和記錄，變個人客戶資源為公司客戶資源。
許多企業在招聘銷售人員的時候，不僅看重他以往的銷售業績，而且看重他在行業內的經驗。新人順利接手業務，不僅是客戶信息的傳遞問題，還有更重要的一點，就是經驗和技巧。現在，風語者等管理軟體中，幾乎能夠提供業務員與客戶溝通的全部資料，通話錄音、E-mail、傳真、來電詳細記錄等資料完全可以實現客觀再現和共享，這樣不僅便於老員工的交流和學習，更是新員工的寶貴學習資源。風語者知識庫功能也為企業提供知識、文化傳承的途徑。
I. 數據挖掘技術在客戶關系管理中的應用
數據挖掘技術在客戶關系管理中的應用
隨著計算機技術、網路技術、通訊技術和Internet技術的發展，電子商務中 企業內部會產生了大量業務數據，如何從豐富的客戶數據中挖掘有價值的信息，為企業管理者提供有效的輔助決策，是企業真正關心的問題。其中，客戶分類是分析 型客戶關系管理的重要功能之一。通過客戶分類，區分客戶的霞要程度，並針對不同霞要級別的客戶制定專門的營銷方案和客戶關系管理策略，可以幫助企業降低營 銷成本，提高利潤和企業競爭力。客戶也可從食業制定的專門的營銷方案和客戶關系管理策略中獲得適合的交易體驗。數據挖掘是分析型CRM實現其「分析」功能 的必要手段，也是實現客戶分類的有效工具。
1 客戶關系管理(CRM)
CRM(Customer Relation Managemen)是一種旨在改善企業與客戶之間關系的新型管理機制，它實施於企業的市場營銷、銷售、服務與技術支持等領域，它的目標是提供更優質、更快捷的服務吸引並保持客戶，通過業務流程的全面管理降低倉業成本。
在電子商務環 境下，CRM使網站企業在所有的業務環節下更好地滿足客戶需求以及提供更優質的服務，從而使站點企業在這種不存在時空差異的新型商務環境中保留現有客戶和 發掘潛在客戶。以提高市場競爭力。同時CRM又可以提供客戶需求、市場分布、回饋信息等重要信息，為企業和經營活動提供智能化分析的依據，因此，CRM為 企業帶來了成功實現電子商務的基礎。
個性化服務是增強競爭力的有力武器，CRM就是以客戶為中心並為客戶提供最合適的服務。互聯網成為 實施客戶關系管理應用的理想渠道，記住顧客的名字及他們的偏好，根據顧客的不同而提供不同內容，顧客再次光顧的可能性會大大增加。CRM可以增加客戶忠誠 度，提高購買比率，使每個顧客產生更多的購買需求，及更長時間的需求，並提高顧客滿意度。
2 數據挖掘技術
如何對這些海量的數據進行分析發現，為商業決策提供有價值的信息，使企業獲得利潤，強有力的工具就是數據挖掘。
在分析型CRM系統中，數據挖掘是其中的核心技術，數據挖掘是從大量的數據中，抽取出潛在的、有價值的知識、模型或規則的過程。對於企業而言，數據挖掘 可以有助於發現業務發展的趨勢，揭示已知的事實，預測未知的結果，並幫助企業分析出完成任務所需的關鍵因素，以達到增加收入、降低成本，使企業處於更有利 的競爭位置的目的。
2.1 數據挖掘常用的演算法
(1)決策樹(decision tree)決策演算法。決策樹是一個類似於流程圖的樹結構。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。決策樹演算法包括樹的構造和樹的剪枝，有兩種常用的剪枝方法：先剪枝和後剪枝。
(2)神經網路(Neural Network)。神經網路是一組連接的輸入，輸出單元，其中每個連接都與一個權相連，在學習階段，通過調整神經網路的權，使得能夠預測輸入樣本的正確類標號來學習。
(3)遺傳演算法(Genetic Algorithms)。遺傳演算法根據適者生存的原則，形成由當前群體巾最適合的規則組成新的群體，以及這些規則的後代。遺傳演算法用於分類和其他優化問題。
(4)粗糙集方法。粗糙集方法基於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臧不精確或不確定的知識。粗糙集用於特徵歸約和相關分析。
(5)模糊集方法。基於規則的分類系統有一個缺點：對於連續屬性，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。
其它還有貝葉斯網路、可視化技術、臨近搜索方法和公式發現等方法。
2.2 數據挖掘常用的分析方法
(1)分類和預測。主要用於客戶細分(分群)處理，如價值客戶群的分級，分類和預測是兩種數據分析形式，可以用於提取描述重要數據類的模型或預測未來的 數姑趨勢。數據分類(data elassfication)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資料庫元組來構造模型。第二步， 使用模型進行分類。首先評估模犁的預測准確率，如果認為模型的准確率可以接受，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 技術，主要用於對客戶未來行為的發現，如客戶流失分析中，用神經元網路方法學習各種客戶流失前的行為變化，進而預測(預警)可能出現的存價值客戶的流失。 預測足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。分類和預測常用的演算法包括決策樹歸納、貝葉斯分類、貝葉斯網路、神經網路、K-最臨近分類、遺傳演算法、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同具有較高的相似度，而不周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，現在主要集中在基於距離的聚類分析，基於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是資料庫事務的集合，其中每個事務T是項的集合，使得T包含於I。關聯規則是形如A=>B的蘊涵式，其中A∈I，B∈I， 並且A∩B為空。關聯規則的挖掘分成兩步：①找出所有頻繁項集，這些項集出現的頻繁性至少和預定義的最小支持計數一樣。②由頻繁項集產生強關聯規則。這些 規則必須滿足最小支持度和最小置信度。
(4)序列模式。序列模式分析和關聯規則分析類似，也是為了挖掘數據項之間的聯系，不過序列模式分析的是數據項在時間維上的先後序列關系，如一個顧客在購買了計算機半年後可能再購買財務分析軟體。
(5)孤立點分析。孤立點是度量錯誤或固有的數據變異性的結果。許多數據挖掘演算法都試圖使孤立點的影響最小，或排除它們。一個人的雜訊可能是另一個人的 信號，在有些時候。孤立點是非常有用的。孤立點挖掘可以描述如下：給定一個n個數據點或對象的集合，以及預期的孤立點的數目k，發現與剩餘的數據相比是顯 著相異的或不一致的頭k個對象。孤立點探測方法可分為三類：統計學方法，基於距離的方法和基於偏移的方法。
3 應用方法
3.1 了解業務
最初的階段，著眼於了解業務特點，並把它還原成為數據分析的條件和參數。例如：在零售行業中，我們的第一個步驟是了解客戶購買的頻率，購買頻率和每次消費金額之間是否有明顯的相關關系。
3.2 分析數據
這個階段著眼於對現有的數據進行規整。我們發現，在不少行業中，可分析的數據和前面提出的分析目標是不匹配的。例如：消費者的月收入水平可能與許多購買 行為相關，但是，原始的數據積累中卻不一定具備這螳數據。對這一問題的解決方法是從其它的相關數據中進行推理，例如，通過抽樣調查，我們發現，一次性購買 大量衛生紙的客戶，其月收入水平集中在1000-3000RMB的檔次，如果這一結論基本成立。我們可以從消費習慣中推理出現有客戶有多大的百分比是月收 入水平在這個檔次中的；另外，可以根據抽樣調查的方法。在問卷調查的基礎上推理整個樣本人群的收入水平曲線。
3.3 數據准備
這個階段的著眼點是轉換、清理和導入數據，可能從多個數據源抽取並加以組合，以形成data cube。對於缺失的少量數據，是用均值補齊，還是忽略，還是按照現有樣本分配，這是在這個階段需要處理的問題之一。
3.4 建模
現在已經有各種各樣的模型方法可以利用。讓最好的一種應用於我們要著眼的主要問題中。是這個階段的主要任務。例如，對於利潤的預測是否應當採用回歸方式預測，預測的基礎是什麼等，這些問題需要行業專家和數據分析專家協商並達成共識。
3.5 評估與應用
優秀的評估方法是利用不同的時間段，讓系統對已經發生的消費情況進行預測，然後比較預測結果和實際狀況，這樣模型的評估就容易進行了。完成了上述的步驟 之後，多數的分析工具都支持保存並重復應用已經建立起來的模型。更為重要的是，在這個過程中，對數據分析的方法和知識應當已經由客戶方的市場分析人員或決 策者所了解，我們提供的，不僅僅是最終結果，而且是獲得這一結果的方法。「要把金針度與人」正是TurboCRM咨詢服務不同於單純的軟體提供商的區別所 在。
最後，在軟體架構方面，分析資料庫與運營資料庫應當是分離的，避免影響運營資料庫在操作方面的的實時響應速度。
4 結束語
數據挖掘可以把大量的客戶分成不同的類，在每個類里的客戶擁有相似的屬性，而不同類里的客戶的屬性也不同，可以給這兩類客戶提供完全不同的服務來提高客戶的滿意度，細致而切實可行的客戶分類對企業的經營策略有很大益處。
J. 如何將數據挖掘技術應用到客戶內在需求管理
客戶內在需求管理是以客戶為中心（而不是以產品為中心）、以企業與外部的業務交流為主導（而不是局限於企業內部的事務）、以企業的前端業務應用為主（而不是以企業的後端業務處理為主）的管理模式。
一、客戶內在需求管理需要數據挖掘
當今社會，客戶的價值已經越來越多地影響著企業的價值，客戶內在需求管理（CRM）正是通過建立長期而系統的客戶內在需求來提升單個客戶價值的戰略，其要旨在於幫助企業通過運用適合的技術以及合理的人力資源洞察客戶的行為和他們的價值，以便企業能夠迅速有效地對客戶的需求進行回應。
客戶內在需求管理（CRM）的核心是「了解客戶，傾聽客戶」，客戶內在需求管理的目標可以概括為「吸引潛在客戶進入，提高現有客戶滿意度和忠誠度，降低客戶流失」，總之一切的最終目的都是為了提高收益。
在企業關注客戶內在需求管理的同時，信息技術的飛速發展為客戶內在需求管理（CRM）的高效實施提供了技術保證，通過數據挖掘技術對客戶內在需求進行深入分析可以滿足企業對個體細分市場的客戶內在需求管理需求（具體可查看馬海祥博客《如何以客戶為中心進行數據挖掘與分析》的相關介紹）。
數據挖掘主要是找尋隱藏在數據中的信息，例如發現趨勢、特徵及相關性的過程，也就是從數據中發掘出信息或知識。
二、數據挖掘技術及常用方法
數據挖掘（Data Mining）是從大量的、不完全的、有雜訊的、模糊的、隨機的數據集中識別有效的、新穎的、潛在有用的，以及最終可理解的模式的非平凡過程。
它是一門涉及面很廣的交叉學科，包括機器學習、數理統計、神經網路、資料庫、模式識別、粗糙集、模糊數學等相關技術，數據挖掘技術是客戶內在需求管理的關鍵技術。
常用的數據挖掘技術包括關聯分析、序列分析、分類分析、聚類分析、預測、孤立點分析等。
事實上，解決一個已給的業務問題時，數據挖掘一般混合使用兩種及兩種以上的技術類別。
1、關聯分析
關聯分析主要用於發現不同事件之間的關聯性，即一個事件發生的同時，另一個事件也經常發生，關聯分析的重點在於快速發現那些有實用價值的、關聯發生的事件。
2、序列分析
序列分析技術主要用於發現一定時間間隔內接連發生的事件，這些事件構成一個序列，發現的序列應該具有普遍意義，其依據除了統計上的概率之外，還要加上時間的約束。
3、分類分析
分類分析通過分析具有類別的樣本的特點，得到決定樣本屬於各種類別的規則或方法，利用這些規則和方法對未知類別的樣本分類時應該具有一定的准確度，其主要方法有基於統計學的貝葉斯方法、神經網路方法、決策樹方法以及support vector machines等。
在馬海祥看來，利用分類技術，可以根據顧客的消費水平和基本特徵對顧客進行分類，找出對商家有較大利益貢獻的重要客戶的特徵，通過對其進行個性化服務，提高他們的忠誠度。
4、聚類分析
聚類分析是根據物以類聚的原理，將本身沒有類別的樣本聚集成不同的組，並對每一個這樣的組進行描述的過程，其主要依據是聚到同一個組中的樣本應該彼此相似，而屬於不同組的樣本應該足夠不相似（具體可查看馬海祥博客《聚類分析的方法及應用》的相關介紹）。
5、預測
預測與分類類似，但預測是根據樣本的已知特徵估算某個連續類型的變數的取值的過程，而分類則只是用於判別樣本所屬的離散類別而己。
馬海祥認為預測模型可以使用較為傳統的統計回歸技術，也可以使用新的分類技術，目前最通用的是決策樹歸納技術。
6、孤立點分析
資料庫中可能包含一些數據對象，它們與數據的一般行為或模型不一致，這些數據對象稱為孤立點，對這些數據的挖掘分析可以用於處理一些罕見事件，比如信用卡欺詐等。
三、數據挖掘技術在客戶內在需求管理中的應用
一般來說，在企業管理客戶生命周期的各個階段都會用到數據挖掘技術，數據挖掘能夠幫助企業確定客戶的特點，從而可以為客戶提供有針對性的服務。
企業通過數據挖掘，可以發現使用某一業務的客戶的特徵，從而可以向那些也同樣具有這些特徵卻沒有使用該業務的客戶進行有目的的推銷，還可以找到流失的客戶特徵，在那些具體相似特徵的客戶還未流失之前，採用針對性的措施。
目前，數據挖掘技術在客戶內在需求管理關系中的應用有以下幾個方面：
1、客戶盈利能力
計算客戶盈利能力有助於挖掘有價值客戶，公司各個部門之間對客戶盈利能力可能有不同理解，分析顧客的忠誠度，可以利用數據挖掘來挖掘忠誠度高的客戶；可以通過數據挖掘技術可以有效計算客戶盈利能力；還可以利用數據挖掘預測未來的客戶盈利能力。
在馬海祥看來，利用數據挖掘技術來預測客戶盈利能力需要的兩個因素：
①、記錄潛在客戶行為特徵和發展成為客戶行為特徵的歷史數據。
②、計量客戶盈利能力的標准。
使用數據挖掘技術後可以增加客戶盈利能力，增加客戶盈利能力指客戶在獲得提升後，增加的盈利能力，如：客戶得到某種優惠促銷而增加部分開支去銷售，則增加部分的開支給公司帶來的利潤即增加的客戶盈利能力。
2、客戶的保持和流失
企業的增長和發展壯大需要不斷獲得新的客戶並維持老的客戶，不論企業希望得到的是哪類客戶，數據挖掘都能幫助識別出這些潛在的客戶群，並提高市場活動的回應率，做到有的放矢。
現在各個行業的競爭都越來越激烈，企業獲得新客戶的成本正在不斷上升，因此建立客戶流失預測模型，得出即將流失的客戶，對他們採取有效措施進行挽留，從而有效減少客戶流失就顯得越來越重要，數據挖掘可以幫助發現打算離開的客戶，以使企業採取適當的措施挽留這些客戶。
3、客戶獲得
在沒有利用數據挖掘技術時，客戶獲取的傳統方法就是選出一些感興趣的人口調查其屬性，獲取這些人口的特徵即可，但隨著數據量的增大，傳統的方法具有不可實現性。
利用數據挖掘在擴展客戶市場活動時，利用數據挖掘技術挖掘出潛在的客戶名單，在客戶名單上列出可能對某些產品感興趣的客戶信息，便可更方便的獲取更多的客戶。
4、客戶細分
客戶市場細分指的是將客戶劃分成互不相交的類別，客戶作為企業寶貴的資源，每一次與客戶接觸既是了解客戶的過程，也是客戶體驗企業的機會。
因此，真正關心客戶，為每位客戶提供與客戶內在需求一致的、個性化的服務，才能讓客戶體會到企業的價值。
近年來，一對一營銷正在被眾多的企業所青睞，一對一營銷是指了解每一個客戶，並同其建立起持久的關系。
數據挖掘可以把大量的客戶分成不同的類，在每一個類里的客戶具有相似的屬性，而不同類里的客戶的屬性也不同，像聚類分析這樣的數據挖掘技術，可以輔助企業進行客戶細分（具體可查看馬海祥博客《收集客戶關系管理數據的策略和需求分析》的相關介紹）。
例如，化裝品企業的客戶分為：少兒、青年、中年和老年或者按性別分為男、女，通過數據挖掘可以了解其不同客戶的愛好，通過提供有針對性的產品和服務，來提高不同類客戶對企業和產品的滿意度。
5、交叉營銷
交叉營銷是指在向現有客戶提供新的產品和服務的營銷過程，如那些購買了嬰兒尿布的客戶會對你的其他嬰兒產品感興趣。
交叉營銷的升級形式為：升級營銷，指向客戶提供與他們已購買的服務相關的新服務。
數據挖掘技術在交叉營銷中的應用首先表現為，分析現有客戶的購買行為數據，進行交叉營銷分析，具體數據挖掘過程包含三個獨立步驟，即對個體行為進行建模；用預測模型對數據進行評分；對得分矩陣進行最優化處理。
然後進行建模階段，利用上述建模的方法。
接下來就是評分階段，對所建立的模型進行評定。
最後一個階段就是優化階段，通常有四種方法：質朴的方法、平均效益方法、個人效益方法、有約束條件的優化方法。
6、客戶欺詐風險分析
在客戶內在需求管理中，客戶的信用分析和詐騙識別是非常重要的，因為一旦發生信用風險和欺詐行為，企業將面臨管理活動的失敗、市場份額的喪失和營銷活動的失敗，導致企業失去市場、顧客、競爭力和信譽。
根據馬海祥博客收集的統計資料表明，企業間的欺詐行為是非常普遍的，而且一旦發生，給企業帶來的損失是巨大的，如何准確、及時、有效地預測到企業可能發生的欺詐風險是非常有意義的，數據挖掘技術能夠很好地解決此問題。
可以利用數據挖掘中的意外規則的挖掘方法、神經網路方法和聚類方法，對客戶數據倉庫中的數據進行分析和處理，分析欺詐為什麼會發生？哪些因素容易導致欺詐？欺詐風險主要來自於何處？如何預測到可能發生的欺詐？採取何種措施可以減少欺詐的發生？以便分析和評價欺詐風險的嚴重性和發生的可能性，准確、及時地對各種欺詐風險進行監視、評價、預警和管理，進而採取有效的迴避和監督措施，在欺詐風險發生之前對其進行預警和控制。
7、市場策略分析
利用數據挖掘技術可以對市場進行如下幾種分析：預測客戶生命期的價值；預測客戶潛在價值；預測客戶潛在生命期價值。
根據數據挖掘得出的結果，進行市場策略分析，充分發揮客戶的現有價值和他的潛在價值。
對現有價值和潛在價值進行策略分析時，當客戶的現有價值與潛在價值一樣，則維持的最低費用，當客戶的潛在價值高於現有價值，則發揮其潛在價值的最低費用。
在此，馬海祥還要提醒大家一點：如果利用數據挖掘不能增加的客戶現有價值或潛在的價值，則應停止推銷等活動，否則，就要加大或繼續。
8、客戶忠誠度
客戶忠誠被認為是企業取得盛器利潤增長的途徑，客戶內在需求管理需要培養和選擇忠誠客戶，使之與公司保持長期關系，但不是所有客戶都願意與公司保持聯系，一些客戶的購買決策只受價格、方便等因素的影響。
不論公司如何以誠相對，提供高的顧客讓渡價值，客戶一旦發現其他公司有更低價格的商品，便馬上離開轉向該公司，也有一些顧客更關心商品的質量、價值、服務、節約時間等，當他用本公司的產品感到滿意以後，就會成為公司的忠誠顧客。
通過對許多客戶資料進行分析表明，公司80%的利潤來自20%的客戶。
因此，忠誠客戶對公司所帶來的利潤是巨大的，數據挖掘技術，可以通過對資料庫中的大量數據進行分析，以確定消費者的購買習慣、購買數星和購買頻率，分析客戶對某個產品的忠誠程度、持久性、變動情況等，以確定忠誠客戶，並為他們提供「一對一」的個性化服務，增強客戶的忠誠度，最大限度地挖掘客戶對企業的終生價值，為企業創造更大的利潤。
數據挖掘中的差異性分析可用於發現客戶的欺詐行為，分析客戶的誠信度，從而獲得誠信較好的客戶。
轉載