数据挖掘技术的电子商务CRM研究方法创新
来源：UC论文网2015-11-08 16:16
摘要：
0 引 言 信息技术、网络技术的发展应用促进了 电子商务 的日益发展，在快速发展的电子商务中客户的管理越来越重要。如何从海量客户数据中获取有效信息来进行客户关系管理，这就
0 引 言
信息技术、网络技术的发展应用促进了电子商务的日益发展，在快速发展的电子商务中客户的管理越来越重要。如何从海量客户数据中获取有效信息来进行客户关系管理，这就要依赖于数据挖掘技术。数据挖掘技术能够对海量的客户数据进行挖掘并且进行深层次的分析，从而发现有价值的信息，对客户需求进行预测，提升客户价值，为电子商务企业提供大量有用的信息，帮助电子商务企业进行经营决策，提高电子商务企业的核心竞争力。
1 客户关系管理CRM
CRM（Customer Relationship Management，客户关系管理）指通过使用计算机对客户的信息资源进行管理，向客户提供满意的产品和服务，并与客户建立稳定的、相互信任的、密切关系的动态过程。CRM是一种新颖的管理机制，可将客户资源转化为企业收益。CRM和SCM等系统成为电子商务的前端，一起成为构成电子商务的重要部分。
企业面临的以客户为中心的经营管理问题可利用CRM来解决。CRM使企业能够准确地掌握客户的需求并进行快速响应，提高客户满意度、忠诚度，保持客户，从而扩大市场。从客户的满意度出发，CRM的基本功能包括客户数量管理、客户价值管理、客户服务管理、客户沟通管理几个方面，如图1所示。
首先进行客户数量管理，这是CRM的基础。通过多个源头捕捉客户数量，并将结果数据存储到客户数据库当中，再对此数据进行提取、处理、解释、最后产生相应的报告，为客户的个性化需求提供依据。其次进行客户价值管理，这是CRM的重要内容。通过分析第一步客户数量积累的客户信息数据，对客户进行分类，从而了解不同客户的需要，可细分客户需求，以此来确定不同客户对企业的价值，采取不同的市场、销售和服务策略。再者进行客户服务管理，这是CRM的核心。依据第二步客户价值管理的结论，可以对客户提供订购管理、客户服务、营销和发票的自动化管理等。最后进行客户沟通管理，这是CRM的门户。可通过多种途径，如客户呼叫中心、网上交流、电话交流、传真信件、电子邮件、直接接触等，与客户保持互动沟通。这样既提供了客户满意的条件，又积累了客户数据管理所需的信息数据[1]。通过这四个方面的功能实现，最后实现客户满意。
2 数据挖掘技术及其模式
2.1 数据挖掘技术
数据挖掘技术是从大量、不完全、随机的实际应用数据中抽取出隐含在其中的潜在有用信息和知识的过程。数据挖掘作为一种新的商业信息处理模式，将企业内部存储的大量资料通过数理模式进行分析，以便进行市场划分或找出不同客户，从而有效地进行客户行为习惯和喜好分析。
数据挖掘是集中人工智能、数据库、数理统计、模式识别等多个领域的理论和技术，是一门交叉学科，将现代科学技术有效地渗透与融合。数据挖掘技术为电子商务的发展应用开辟了广阔前景。
2.2 电子商务CRM中的数据挖掘模式
数据挖掘的模式有很多种，在电子商务CRM中常用的数据挖掘模式主要包括分类模式、聚类模式、关联模式和序列模式。 2.2.1 分类模式
分类模式是一种数据分类器，可以把数据集中的数据映射到某个给定的类上，从而可以应用到数据预测中，如统计方法、决策树方法和粗糙集方法等。分类模式就像一棵分类树，它根据数据的值从树根开始进行搜索，顺着数据满足的分支柱往上找，找到树叶就能确定类别。在数据挖掘中，构建分类模型通常是将电子商务CRM中的数据进行分类，以便进行预测时的数据使用[2]。
2.2.2 聚类模式
聚类模式是依据某一些属性将数据划分到不同的组中，组与组之间存在巨大的差别，但每个组内在识别属性上的差别尽可能小。与分类模式不同，聚类模式在进行聚类之前没有预设组别，并不知道将要划分的组的个数和类别。这一数据挖掘模式主要用来进行细分客户群[3]。
2.2.3 关联模式
关联模式是数据项之间的关联规则。而关联规则是描述事物之间同时出现的规律和知识模式。在关联规则的挖掘中要注意充分理解数据，目标明确，数据准备工作要做好，选取恰当的最好支持度和最小可信度，很好的理解关联规则。关联模式在CRM中应用广泛，主要的应用之一就是可以通过对顾客的购买行为进行关联规则分析，从而来探询顾客在商品购买时的行为模式[4]。
2.2.4 序列模式
与关联模式相似，序列模式把数据之间的关联性和时间联系起来。为了发现序列模式，不仅要知道事件是否发生，还需确定事件发生的时间。序列模式广泛地用于CRM中，比如目录销售公司可以使用序列关联进行分析，可以依据本次顾客购买的情况设计下一次商品的目录[5]。
3 电子商务CRM中的数据挖掘过程
数据挖掘是在一些事实或观察数据集合中寻找模式的决策支持过程。电子商务CRM中的数据挖掘过程主要由数据准备、数据挖掘、结果分析三个主要阶段组成。
3.1 数据准备
在进行数据挖掘时，一般进行数据挖掘的对象并不是原始数据，事先要对原始数据进行一些预处理。在电子商务CRM中，进行数据挖掘的数据来源有两方面：一是客户的背景资料，主要来源于客户登记表，但由于客户的背景资料涉及个人隐私，所以客户不愿意将自己的真实信息如实地填写在登记表上，这给数据分析和挖掘带来了困难。二是浏览者的点击流，主要用这部分数据考察客户的行为。通过从浏览者的表现数据中推测客户的背景信息，加以利用。数据准备首先检索所需的网络文档，发现资源，然后进行数据预处理，从发现的网络资源中自动挑选和预处理专门的信息[6]。
3.2 数据挖掘
实际的挖掘操作在这个阶段进行。对第一阶段得到的预处理信息，依据不同的挖掘任务采用不同的挖掘方法，进而得到有价值的数据模型。主要有统计分析、知识发现和其他可视化方法[7]。通过统计分析可以发现数据的规律，并且可以利用统计、数学模型对发现的规律加以解释；通过知识发现进行数据搜寻，发现规律进而得到可用的数据模型；也可通过其他可视化方法给出多变量的图形分析，增强数据挖掘的能力。
3.3 结果解释与评估
对第二阶段得到的数据结果，依据用户的决策目的对得到的结 果信息进行分析，把冗余的、无意义的信息剔除，留下最有价值的信息，将此信息通过决策支持工具提交给决策者。因此，在这个阶段既要把有效的结果分析解释表达出
信息技术、网络技术的发展应用促进了电子商务的日益发展，在快速发展的电子商务中客户的管理越来越重要。如何从海量客户数据中获取有效信息来进行客户关系管理，这就要依赖于数据挖掘技术。数据挖掘技术能够对海量的客户数据进行挖掘并且进行深层次的分析，从而发现有价值的信息，对客户需求进行预测，提升客户价值，为电子商务企业提供大量有用的信息，帮助电子商务企业进行经营决策，提高电子商务企业的核心竞争力。
1 客户关系管理CRM
CRM（Customer Relationship Management，客户关系管理）指通过使用计算机对客户的信息资源进行管理，向客户提供满意的产品和服务，并与客户建立稳定的、相互信任的、密切关系的动态过程。CRM是一种新颖的管理机制，可将客户资源转化为企业收益。CRM和SCM等系统成为电子商务的前端，一起成为构成电子商务的重要部分。
企业面临的以客户为中心的经营管理问题可利用CRM来解决。CRM使企业能够准确地掌握客户的需求并进行快速响应，提高客户满意度、忠诚度，保持客户，从而扩大市场。从客户的满意度出发，CRM的基本功能包括客户数量管理、客户价值管理、客户服务管理、客户沟通管理几个方面，如图1所示。
首先进行客户数量管理，这是CRM的基础。通过多个源头捕捉客户数量，并将结果数据存储到客户数据库当中，再对此数据进行提取、处理、解释、最后产生相应的报告，为客户的个性化需求提供依据。其次进行客户价值管理，这是CRM的重要内容。通过分析第一步客户数量积累的客户信息数据，对客户进行分类，从而了解不同客户的需要，可细分客户需求，以此来确定不同客户对企业的价值，采取不同的市场、销售和服务策略。再者进行客户服务管理，这是CRM的核心。依据第二步客户价值管理的结论，可以对客户提供订购管理、客户服务、营销和发票的自动化管理等。最后进行客户沟通管理，这是CRM的门户。可通过多种途径，如客户呼叫中心、网上交流、电话交流、传真信件、电子邮件、直接接触等，与客户保持互动沟通。这样既提供了客户满意的条件，又积累了客户数据管理所需的信息数据[1]。通过这四个方面的功能实现，最后实现客户满意。
2 数据挖掘技术及其模式
2.1 数据挖掘技术
数据挖掘技术是从大量、不完全、随机的实际应用数据中抽取出隐含在其中的潜在有用信息和知识的过程。数据挖掘作为一种新的商业信息处理模式，将企业内部存储的大量资料通过数理模式进行分析，以便进行市场划分或找出不同客户，从而有效地进行客户行为习惯和喜好分析。
数据挖掘是集中人工智能、数据库、数理统计、模式识别等多个领域的理论和技术，是一门交叉学科，将现代科学技术有效地渗透与融合。数据挖掘技术为电子商务的发展应用开辟了广阔前景。
2.2 电子商务CRM中的数据挖掘模式
数据挖掘的模式有很多种，在电子商务CRM中常用的数据挖掘模式主要包括分类模式、聚类模式、关联模式和序列模式。 2.2.1 分类模式
分类模式是一种数据分类器，可以把数据集中的数据映射到某个给定的类上，从而可以应用到数据预测中，如统计方法、决策树方法和粗糙集方法等。分类模式就像一棵分类树，它根据数据的值从树根开始进行搜索，顺着数据满足的分支柱往上找，找到树叶就能确定类别。在数据挖掘中，构建分类模型通常是将电子商务CRM中的数据进行分类，以便进行预测时的数据使用[2]。
2.2.2 聚类模式
聚类模式是依据某一些属性将数据划分到不同的组中，组与组之间存在巨大的差别，但每个组内在识别属性上的差别尽可能小。与分类模式不同，聚类模式在进行聚类之前没有预设组别，并不知道将要划分的组的个数和类别。这一数据挖掘模式主要用来进行细分客户群[3]。
2.2.3 关联模式
关联模式是数据项之间的关联规则。而关联规则是描述事物之间同时出现的规律和知识模式。在关联规则的挖掘中要注意充分理解数据，目标明确，数据准备工作要做好，选取恰当的最好支持度和最小可信度，很好的理解关联规则。关联模式在CRM中应用广泛，主要的应用之一就是可以通过对顾客的购买行为进行关联规则分析，从而来探询顾客在商品购买时的行为模式[4]。
2.2.4 序列模式
与关联模式相似，序列模式把数据之间的关联性和时间联系起来。为了发现序列模式，不仅要知道事件是否发生，还需确定事件发生的时间。序列模式广泛地用于CRM中，比如目录销售公司可以使用序列关联进行分析，可以依据本次顾客购买的情况设计下一次商品的目录[5]。
3 电子商务CRM中的数据挖掘过程
数据挖掘是在一些事实或观察数据集合中寻找模式的决策支持过程。电子商务CRM中的数据挖掘过程主要由数据准备、数据挖掘、结果分析三个主要阶段组成。
3.1 数据准备
在进行数据挖掘时，一般进行数据挖掘的对象并不是原始数据，事先要对原始数据进行一些预处理。在电子商务CRM中，进行数据挖掘的数据来源有两方面：一是客户的背景资料，主要来源于客户登记表，但由于客户的背景资料涉及个人隐私，所以客户不愿意将自己的真实信息如实地填写在登记表上，这给数据分析和挖掘带来了困难。二是浏览者的点击流，主要用这部分数据考察客户的行为。通过从浏览者的表现数据中推测客户的背景信息，加以利用。数据准备首先检索所需的网络文档，发现资源，然后进行数据预处理，从发现的网络资源中自动挑选和预处理专门的信息[6]。
3.2 数据挖掘
实际的挖掘操作在这个阶段进行。对第一阶段得到的预处理信息，依据不同的挖掘任务采用不同的挖掘方法，进而得到有价值的数据模型。主要有统计分析、知识发现和其他可视化方法[7]。通过统计分析可以发现数据的规律，并且可以利用统计、数学模型对发现的规律加以解释；通过知识发现进行数据搜寻，发现规律进而得到可用的数据模型；也可通过其他可视化方法给出多变量的图形分析，增强数据挖掘的能力。
3.3 结果解释与评估
对第二阶段得到的数据结果，依据用户的决策目的对得到的结 果信息进行分析，把冗余的、无意义的信息剔除，留下最有价值的信息，将此信息通过决策支持工具提交给决策者。因此，在这个阶段既要把有效的结果分析解释表达出
