1 數據挖掘技術

數據挖掘的主要技術手段包括關聯規則挖掘、分類分析、聚類分析、估計、預測、時序模式和偏差分析等。支持上述技術的核心研究內容是相應的數據挖掘算法研究，包括貝葉斯算法、決策樹、時序算法、聚類算法、關聯算法、神經網絡算法和回歸算法。

2 數據挖掘的核心價值與應用分析

在企業客戶管理中應用數據挖掘技術，不僅使客戶管理更高效、更實用，還能預測客戶將來的各種消費行為，為企業實施更精確的客戶管理和市場營銷提供決策依據。客戶管理是CRM系統的一部分，但比CRM系統有關客戶部分的功能更詳細、更齊全、更完善、更符合企業的實際需要。

客戶管理的目標非常明確，防范老客戶流失，從老客戶那里獲取更大的價值。

目前企業客戶管理應用比較混亂，大致分為3種情況：①以業務系統為主，客戶管理為輔的信息系統，如進銷存系統、ERP系統等，以實現業務為核心內容，但往往會涉及到一部分客戶信息，嚴格來講，這部分軟件不屬于客戶管理范疇。②以銷售、市場營銷為核心內容的信息系統，如銷售管理系統等，以實現銷售計劃為核心，重點最大限度的促進銷售，更多的關注客戶的消費心理、消費行為，注重提升客戶的忠誠度，但這不是客戶系統的全部內容。③CRM系統，它是一個比較龐大的客戶關系管理信息系統，主要包括銷售、銷售過程、客戶管理、客戶分析等若干模塊，相對于大多數企業而言，成本較高。同時，操作型CRM較多，分析型CRM較少。

客戶管理的混亂，為企業利用客戶關系帶來了不便，也為挖掘客戶關系中的有價值信息增加了難度。

3 挖掘算法的選擇與建模

當企業建立起數據倉庫后。可采用不同的數據挖掘算法為客戶管理提供直接、有效的數據與參考。企業活動中，與客戶管理相關業務大多與銷售過程有關，包括客戶購物、企業營銷、客戶分類管理和銷售預測等。對客戶購物行為的分析，可以為個性化營銷提供客觀依據，最有效的營銷是針對有消費興趣潛力的客戶群，通過挖掘關聯關系，尋找有價值的客戶分類，能夠提高客戶管理的有效性。

數據挖掘雖然是一個智能的數據分析工具，但其準確性會受到多個方面因素的影響，如數據的準確性、合法性、算法選擇的準確性、輸人選擇的正確性等，在實際應用中，不同的人、不同的挖掘策略與方案將會有不同的結果，應用業務人員和數據挖掘人員一起。共同探討正確性。下面針對上述具體應用，提出可行的挖掘方案，以供參考。

3．1 挖掘客戶購物行為信息的算法與模型

用戶在挑選商品時，往往存在一個習慣：先挑選最需要的商品，然后根據商品推薦或興趣來挑選其他商品，市場營銷人員中可以分析每個用戶的購物行為和愛好，為將來的個性化營銷提供依據，并為每個客戶提供最具人性化的營銷方式，這要使用序列聚類算法。

實現此功能需要兩個基本信息，一是訂單信息，關注客戶的一次購物行為；二是訂單產品明細，主要關注商品放入訂單的先后順序。

在業務庫中，有客戶企業表、客戶訂單表、訂單產品明細表、產品信息表4個業務表，如圖1所示，在創建數據倉庫后，客戶企業表、產品信息表將變成維表。訂單表、訂單產品明細將變成事實表，把不需要的字段刪除，并把不合理的數據進行清理、轉換，采用微軟序列聚類算法即可實現此功能需求。
 

其數據挖掘模型如下：


根據以往的銷售歷史，分析用戶的銷售行為，其重點在于歷史數據中每個訂單要有產品購買的先后順序，結合序列聚類算法即可完成，此模型的輸入列是訂單編號，預測列是一個嵌套表，包括產品序號和產品編號(或名稱)兩個可預測試列。

3．2 挖掘消費興趣實現有效營銷的算法與模型

企業進行新產品宣傳或促銷時，有效做法是把信息發送給感興趣的客戶，而不是發給所有人，基于以前所做的客戶檔案和客戶對產品調查的反饋結果，采用數據挖掘算法可以找出那些感興趣的客戶，即節省成本，又提高效率。

此功能的關鍵是根據以前所做的產品調查反饋信息，預測哪些因素影響客戶的購買，并分析愿意購買客戶的特征，基于這些特征，把客戶表里的所有信息重新篩選一遍，只向那些具有購買特征的客戶發送營銷信息。

實現此功能的算法有4個：貝葉斯、決策樹、神經網絡、聚類，基于驗證考慮，盡可能采用每一種算法來測試，以獲得更準確的分析數據，如圖2所示，其數據模型如下：



也可以采用決策樹、聚類、神經網絡算法，分別對應如下：

(1)Microsoft_Decision_Trees：決策樹

(2)Microsoft_Clustering：聚類

(3)Microsoft_Neural_Network：神經網絡

根據以往的調查數據，可以分析出這些輸入列與可預測列(是否購買)之間的關系，找那些已購買產品或愿意購買產品的客戶重要特征，然后把促銷信息、新產品信息發給具有這些重要特征的客戶。