[摘要] 随着信息化的推进，企业数据急速膨胀。运用数据挖掘技术提取数据背后隐藏的信息，使之为企业决策服务。本文分析了零售企业经营观念的转变，阐述了客户关系管理的内涵及特征，介绍了数据挖掘的本质、算法，探讨了数据挖掘技术在零售业客户关系管理中的应用。

[关键词] 经营观念 客户关系管理 数据挖掘

随着市场经济的深入发展和市场竞争的日益激烈，企业的管理者不再认为只要在产品或服务的质量、价格上做文章，就可以吸引大量的顾客。正如英国Safeway超市CIO迈克.温曲所说：“运用传统的方法—降低价位、扩充店面，以及增加商品种类，若想在竞争中取胜已经越来越困难了，”“大部分的竞争对手在价格，以及产品范围方面都能和我们相匹敌。”同时，顾客的需求正在向多元化、复杂化、人性化的方向发展。企业如何能在竞争中立于不败之地？企业必须以客户为导向，了解每一位客户的需求。于是客户关系管理应运而生。条形码技术、编码系统、销售管理系统、POS机等在零售业的应用普及，大量的商品销售数据、库存数据、客户资料、店铺资料信息为零售企业管理客户关系提供了数据资料。运用数据挖掘技术，使得这些数据能够帮助决策者进行分析、决策管理，从而促进商品的销售，发现未知的商机，以获取更多的利益。

一、零售企业经营观念的转变

以前，大多数零售企业一般都是从自己的角度出发来选择自己的经营门类和方式。然而，随着商品经济的发展，许多商家也逐步认识到顾客和服务的重要性，从而慢慢地走向成熟和理智，经营观念也慢慢发生了改变。以前是“我有这种商品，设法让顾客适应、接受”，而现在则变为“我想为哪些人提供商品，如何才能吸引他们。”因此，分析顾客特征、保持顾客等就变得非常重要。

二、客户关系管理的内涵及特征

客户关系管理（Customer Relationship Management,CRM）是企业与客户之间建立的管理双方接触活动的信息系统．它告诉企业谁是对它最有利的客户．并激发其制定保留老客户、吸引新客户的市场战略。网络时代企业的客户关系管理应该是利用现代信息技术手段．在企业与客户之间建立的一种数字的、实时的、互动的管理交流系统。它是以实现组织长期稳定的效益和利润为目的，通过提高产品性能，增强客户服务，提高客户支付价值和客户满意度，与客户建立起长期、稳定相互信任的密切关系，从而达到提高效益和竞争优势的目的。其特征一般可概括为：

1.个性化营销服务和客户服务。个性化营销服务和客户服务是指企业针对不同客户的特殊需求采取相应的、有针对性的营销策略和客户服务策略。客户关系管理通过记录和分析企业每一次与客户交往的数据，了解客户的需求和对企业产品和服务的要求或建议。并不断改进产品和服务，从而使客户对企业的满意度逐渐提高。

2.信息采集渠道的多样化和集成化。客户关系管理基于的数据库中的信息采集可以通过多种渠道进行，既包括传统的面对面交谈、电话接洽、传真和信件交流渠道，也包括使用E—mail、呼叫中心和Web访问记忆等新兴的E—Communications。

3.客户信息的集中式管理和共享。客户关系管理对全部客户信息采用数据库集中存储和管理，而数据库的主要特点就是共享性。企业不同部门和不同人员与客户接触后产生的数据或经验可以立即存储到数据库中，企业各部门人员可以实时共享。特别是客户关系管理可将销售、市场营销和客户服务信息在后台无缝集成，并保持这些数据的一致性、完整性和连贯性，从而便于给客户提供全方位的服务，提高客户对企业产品和服务的满意度。

4.商业智能化的数据分析和处理。面对海量的客户及企业营销、销售和服务信息，需要一个具有高度商业智能的数据分析和处理系统。CRM将最佳的商业实践与数据挖掘、个性化营销，以及其他信息技术紧密结合在一起，通过充分挖掘客户的商业行为个性和规律，来不断寻找和拓展客户的盈利点和盈利空间。

5.基于web平台。随着Intemet的发展，Web在企业与外部交流及交易方面广泛使用，基于Web的客户关系管理不仅可以通过Web直接与客户进行销售和服务，而且还可利用Web的电子商务优势来进行自助服务、自助销售、潜在客户开发、时间登记、合同续定、服务请求及电话反馈等。这在时间和空问上极大地拓展了传统的营销、销售和服务渠道，从而使企业收益机遇最大化。

三、数据挖掘技术

1.数据挖掘的本质。数据挖掘是从大量的数据中挖掘出隐含的、未知的、用户可能感兴趣的和对决策有潜在价值的知识和规则。这些规则蕴含了数据库中一组对象之间的特定关系，揭示出一些有用的信息，可以为经营决策、市场策划和金融预测等方面提供数据。

2.数据挖掘算法

(1)分类分析。分类是指将数据映射到预先定义好的群组或类。分类分析要求基于数据属性值来定义类别，通常通过观察已知所属类别的数据的特征来描述类别。模式识别就是一种分类问题，输入的模式根据它与预先定义好的类别的相似度，被划分到某一类中去。分类的主要应用是对目标变量进行分类，用来进行预测。

(2)聚类分析。聚类是对物理的或抽象的样本集合分组的过程。将数据对象分组成为多个类或簇，按照同一个簇中的对象之间较高相似度的原则进行划分，不同簇的对象差别较大。与分类的不同之处在于聚类操作要划分的类是事先预知的，类的形成完全是数据驱动的，是一种无指导的学习方法。

(3)关联规则。关联规则是描述数据库中数据项之间存在的潜在关系的规则。關联规则挖掘的目的就是希望发现事务数据库中不同商品（项）之间的关联，这些规则能够反映顾客的购买行为模式，比如购买某一商品对购买其他商品的影响。

(4)时间序列分析。时间序列分析是通过对过去历史行为的客观记录分析，揭示其内在的规律，完成预测未来行为等决策工作。它旨在从大量的时间序列中提取人们事先不知道的，但又是潜在有用的、与时间属性相关的信息和知识，用于各种规则。

(5)回归分析。回归是研究自变量与因变量之间关系的分析方法，其目的在于根据已知自变量来估计和预测因变量的总平均值。例如，企业的赢利与客户数、客户购买能力和销售成本有着依存关系，通过对这一依存关系的分析，在已知有关客户数、客户购买能力和销售成本的条件下，可以预测企业的平均盈利水平。

四、数据挖掘技术在零售业CRM中的应用

在零售业领域中，运用数据挖掘技术可以解决以下一些问题。

1.客户购买模式识别。首先，运用聚类分析，从客户档案库中发现不同的客户群，并且用购买模式来刻画不同的客户群的特征。由于聚类所生成的簇是由一组数据对象的组合，这些对象与同一个簇中的对象很相似，与其他簇中的对象相异。将聚类分析运用于销售业中，可以方便地得到商家的主客户群，以便决策者根据主客户群的特征做相应的订货、销售、服务等决策。

2.设置商品布局。对某一商品的交易事务数据库运用关联规则挖掘，可能会产生大量的强规则出现。例如：abcdaddc…(a,b,c,d…均为商品)

从上可以看出，某些商品之间存在着复杂的关联关系，即：买a商品时会同时买b商品，也同时会买d商品；买d商品时会来买c商品；买c商品时会同时买d商品；这样，我们可以根据这些关联关系对商品进行合理摆放，辅助商品布局决策的制定，设置最佳行走路线，从而提高销售服务，使顾客满意。

3.交叉销售。交叉销售是指向老客户销售新的产品或服务的过程。零售业和客户之间的关系是一种持续不断的发展关系。商家可以比较容易地得到关于老客户比较丰富的信息，对于数据挖掘的准确性来说大量的数据是有很大帮助的。企业所掌握的客户信息特别是以前购买行为的信息中，可能正包含着这个客户决定他下一个购买行为的关键信息，甚至是决定性信息。这个时候数据挖掘可以帮助企业寻找到那些影响顾客购买行为的信息和因素，有助于识别顾客购买行为，改进服务质量，取得更高的顾客满意程度，提高销量。

4.趋势分析。数据挖掘的一个重要的特征就是可以自动发现有用的趋势和模型．通过对历史数据的回归分析,对商品品种和库存的趋势进行分析，以选定需要补充的商品，研究顾客购买趋势，分析季节性购买模式，确定降价商品，并对其数量和运作做出反应,以获得战略优势，把握商机。

5.顾客保持。我们可以用聚类（分类）和关联分析，发现有价值、易流失的客户群，有价值、稳定的客户群，低价值、不稳定的客户群和低价值、稳定的客户群，从而采取不同的服务、推销和价格策略来稳定有价值的顾客，转化低价值的顾客，消除没有价值的顾客。

五、结束语

与企业传统的客户关系管理方式相比，基于数据挖掘的客户关系管理更有效，对客户的认识更具有科学性和指导意义。企业在日常运作过程中，通过与客户接触积累了大量原始数据，虽然这些数据很多，有时甚至是海量的，但是利用这些数据挖掘出的有关客户类型信息不仅对于管理老客户，而且对于了解新客户都有很大价值。基于数据挖掘的CRM是对传统企业管理思想的一个创新，充分体现了管理的科学性和艺术性。

本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文。