數(shù)據(jù)挖掘技術(shù)在ｃｒｍ中的應(yīng)用

《數(shù)據(jù)挖掘技術(shù)在ｃｒｍ中的應(yīng)用》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在應(yīng)用文檔-天天文庫。

1、數(shù)據(jù)挖掘技術(shù)在ＣＲＭ中的應(yīng)用　摘要:本文闡述了CRM的內(nèi)涵和外延及數(shù)據(jù)挖掘技術(shù)常用的算法和分析方法，并在此基礎(chǔ)上重點分析了數(shù)據(jù)挖掘技術(shù)在CRM中的功能和應(yīng)用?！　￡P(guān)鍵詞：數(shù)據(jù)倉庫；數(shù)據(jù)挖掘；知識發(fā)現(xiàn)；客戶關(guān)系管理　　一、CRM的概念　　經(jīng)過20多年的發(fā)展，市場經(jīng)濟的觀念已深入人心，一些先進企業(yè)的經(jīng)營理念正在經(jīng)歷著從以產(chǎn)品為中心向以客戶為中心的轉(zhuǎn)移。在這種背景下，企業(yè)有必要對客戶的各種活動和信息進行集成，實現(xiàn)對客戶的全面管理，這就是所謂的“客戶關(guān)系管理”（CRM）?！　】蛻絷P(guān)系管理(CRM)源于以客戶為中心的商業(yè)模式，其通過對客戶關(guān)系的有效管理，以鑒別、獲得、保持為企業(yè)帶來利潤的客戶

2、，是一種新型的管理機制。到目前為止，CRM還沒有統(tǒng)一的定義，最早提出CRM概念的GartnerGroup認為，客戶關(guān)系管理是為企業(yè)提供全方位的管理視角，賦予企業(yè)更完善的客戶交流能力，從而實現(xiàn)客戶收益率的最大化。根據(jù)企業(yè)資源管理研究中心（AMT）的定義,CRM是一種以客戶為中心的經(jīng)營策略，它以信息技術(shù)為手段對相關(guān)業(yè)務(wù)功能進行重新設(shè)計，并對相關(guān)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(guān)系管理（CRM）是現(xiàn)代企業(yè)管理的核心思想，它貫徹以客戶為中心的經(jīng)營理念，利用信息技術(shù)來充分把握和了解客戶，在適當(dāng)?shù)臅r候，把適當(dāng)?shù)漠a(chǎn)品，通過適當(dāng)?shù)耐緩?，提供給

3、適當(dāng)?shù)目蛻簟RM為企業(yè)提供了一個收集、分析和利用各種客戶信息的系統(tǒng)，幫助企業(yè)充分利用其客戶管理資源，也為企業(yè)在電子商務(wù)時代從容應(yīng)對不同的客戶提供了科學(xué)的手段和方法?！　《?、數(shù)據(jù)挖掘技術(shù)　　1．?dāng)?shù)據(jù)挖掘常用的算法?！　。?）決策樹（decisiontree）決策算法。決策樹是一個類似于流程圖的樹結(jié)構(gòu)，其中每個內(nèi)部節(jié)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(jié)點代表類或類分布。決策樹算法包括樹的構(gòu)造和樹的剪枝，有兩種常用的剪枝方法：先剪枝和后剪枝?！　。?）神經(jīng)網(wǎng)絡(luò)（NeuralNets）。遺傳算法根據(jù)適者生存的原則，形成由當(dāng)前群體中最適合的規(guī)則組成新的群體，以及

4、這些規(guī)則的后代。遺傳算法用于分類和其他優(yōu)化問題?！　。?）粗糙集方法。粗糙集方法基于給定訓(xùn)練數(shù)據(jù)內(nèi)部的等價類的建立。它將知識理解為對數(shù)據(jù)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(guān)分析。　?。?）模糊集方法?；谝?guī)則的分類系統(tǒng)有一個缺點：對于連續(xù)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?！　∑渌€有貝葉斯網(wǎng)絡(luò)、可視化技術(shù)、臨近搜索方法和公式發(fā)現(xiàn)等方法?！　?．?dāng)?shù)據(jù)挖掘常用的分析方法?！　。?）分類和預(yù)測。分類和預(yù)測是兩種數(shù)據(jù)分析形式，可以用于提取描述重要數(shù)據(jù)類的模型或預(yù)測

5、未來的數(shù)據(jù)趨勢。數(shù)據(jù)分類（dataclassfication）是一個兩步過程，第一步，建立一個模型，描述預(yù)定的數(shù)據(jù)類集或概念集，通過分析有屬性描述的數(shù)據(jù)庫元組來構(gòu)造模型。第二步，使用模型進行分類。首先評估模型的預(yù)測準(zhǔn)確率，如果認為模型的準(zhǔn)確率可以接受，就可以用來對類標(biāo)號未知的數(shù)據(jù)遠祖或?qū)ο筮M行分類。　　預(yù)測是構(gòu)造和使用模型評估無標(biāo)號樣本類，或評估給定樣本可能具有的屬性值或值區(qū)間。分類和預(yù)測具有廣泛的應(yīng)用，如信譽證實、醫(yī)療診斷、性能預(yù)測和選擇購物。分類和預(yù)測常用的算法包括決策樹歸納、貝葉斯分類、貝葉斯網(wǎng)絡(luò)、神經(jīng)網(wǎng)絡(luò)、K-最臨近分類、遺傳算法、粗糙集和模糊集技術(shù)?！　。?）聚類分析。聚

6、類是將數(shù)據(jù)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(tǒng)計學(xué)的一個分支，聚類分析已被廣泛的研究了許多年，現(xiàn)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(yīng)用?！　。?）關(guān)聯(lián)規(guī)則。關(guān)聯(lián)規(guī)則挖掘給定數(shù)據(jù)集中項之間的有趣聯(lián)系。設(shè)I={i1,i2,…im}是項的集合，任務(wù)相關(guān)的數(shù)據(jù)D是數(shù)據(jù)庫事務(wù)的集合，其中每個事務(wù)T是項的集合，使得T包含于I。關(guān)聯(lián)規(guī)則是形如A=>B的蘊涵式，其中A∈I，B∈I,并且A∩B為空。關(guān)聯(lián)規(guī)則的挖掘分成兩步

7、：①找出所有頻繁項集，這些項集出現(xiàn)的頻繁性至少和預(yù)定義的最小支持計數(shù)一樣。②由頻繁項集產(chǎn)生強關(guān)聯(lián)規(guī)則，這些規(guī)則必須滿足最小支持度和最小置信度?！　。?）序列模式。序列模式分析和關(guān)聯(lián)規(guī)則分析類似，也是為了挖掘數(shù)據(jù)項之間的聯(lián)系，不過序列模式分析的是數(shù)據(jù)項在時間維上的先后序列關(guān)系，如一個顧客在購買了計算機半年后可能再購買財務(wù)分析軟件。　?。?）孤立點分析。孤立點是度量錯誤或固有的數(shù)據(jù)變異性的結(jié)果。許多數(shù)據(jù)挖掘算法都試圖使孤立點的影響最小，或排除它們。一個人的噪聲可能是另一個