《面向客户全生命周期价值的客户行为分析决策支持研究》由会员分享，可在线阅读，更多相关《面向客户全生命周期价值的客户行为分析决策支持研究（6页珍藏版）》请在装配图网上搜索。
1、面向客户全生命周期价值的客户行为分析决策支持研究 分析型CRM通过分析客户数据来帮助企业衡量、预测和优化客户关系，是企业真正实现以客户为中心经营理念的重要决策支持工具，已成为学术界和产业界研究与开发的热点。面向客户行为分析的决策支持是目前流行的分析型CRM（analytical Customer Relationship Management）中最重要的部分，在企业的运营管理中具有广阔的应用前景。它的目标是使企业更加深刻地理解客户行为，从而有效地实施个性化服务、客户获取策略、客户保持策略和交叉销售等活动。它的分析对象是企业内与客户相关的业务部门以及客户共同构
2、成的整个系统，只有从整体角度来分析这个系统，才能得出有效的反映系统特征的结果。近年来这一领域的研究非常活跃，取得很多有价值的研究成果。如戴玉勤等提出将数据仓库、在线分析处理和数据挖掘组成新的DSS系统架构。罗芳研究了数据挖掘技术在移动通信决策支持系统中的应用，提出了将数据挖掘技术应用于客户流失分析中的应用模型。康健等采用改进的分类挖掘技术ID3应用于银行业的客户关系管理中，提出了数据挖掘结果可视化展现的两层软件结构，提高了用户响应速度。Chaochang Chiu等提出了一种基于案例推理的分析客户行为的决策支持系统框架。Wolniewicz RH等提出了一种电信行业客户分析系统的框架等。
3、60; 从国内外研究现状可以看出，虽然在面向客户分析的决策支持的研究上取得了很多成果，但将知识发现技术与客户价值生命周期有效地结合起来，全面系统地从运作模式、系统总体结构和实现技术等角度研究企业分析型CRM所面临的分布性、动态性问题，并能真正实现面向客户价值生命周期的多视图客户行为分析决策支持还有待深入研究。1 面向客户行为分析的决策支持系统功能框架 本文从客户生命周期角度，利用数据挖掘工具，通过客户获取，发现目标客户及潜在客户；通过客户保持，划分出成长、成熟、流失客户，并根据客户的行为数据进行欺诈检测、价值分析、流失分析等，以此建立
4、起客户全生命周期的信用度、贡献度及忠诚度模型，从多个视图对客户进行综合评估，选择出有价值的客户；通过调查问卷等形式测度出客户的满意度，对企业一些服务流程进行改进，以最大化的提升客户价值，实现面向整个客户生命周期价值的客户行为分析决策支持系统（如图1所示）。图1 面向客户全生命周期的客户行为决策支持功罐框架 1.1 客户信用度分析 客户信用度分析是指从社会信誉、经济状况、商品交易的履约情况等方面反映出来的客户的遵约守信程度。企业对客户进行信用度评估，其目的就是要通过对客户社会行为、经济实力、信守合约状况的考察，深入了解客户，
5、以便为是否确定客户关系提供依据，从而做出抉择。目前，随着科技的发展，商业沟通的渠道多元化。企业有了更大的发展空间，但同时也面临着更多的客户欺诈危害。例如，目前迅猛发展的在线交易，有着方便快捷的优点，但也面临着高欺诈率的风险，因为网上信用卡交易不需要出示真实的卡片和签字确认，卡片信息伪造的可能性会随之提高。近年来，随着交易量的增大，欺诈额随之上升，客户欺诈检测越来越受到企业和研究者的重视，而客户欺诈检测的准确性也直接影响到客户信用程度的评估。客户欺诈检测当前的应用领域主要是金融、电信、IT、保险等经济实力较强、信息化程度较高的行业。 数据挖掘可以处理大量的数据
6、，从中发现潜在的规律，做出有效的预测，在客户欺诈检测中有广泛的应用。从数据挖掘的观点来看，对于客户欺诈可以从以下几个方面分析：a异常数据。相对于自身的异常数据，即一个数据集内部的异常数据；相对于其他类的异常数据，即多个数据集比较，蕴含的异常数据。b数据间无法解释的关联。例如，保险业中，保单与业务员之间的联系；银行信贷过程中，贷款业务与业务员之间的关系。c通常意义下的欺诈行为。一旦一个欺诈行为被证实，那就可以使用它来帮助确定其他可能的欺诈行为。这些事物可能已经发生过并且被处理过了，或在将来要被处理，或者将来可能发生，或兼而有之。这种类型的分析叫做“预测数据挖掘”。
7、0; 在客户欺诈检测中，常用的方法有分类和预测、聚类以及孤立点分析。孤立点分析多用于发现大量交易数据中的少量的孤立数据，发现异常交易，通过进一步的分析来发现欺诈行为。分类及聚类一方面可以用于将正常数据和异常数据分开，另一方面可以分析欺诈数据，提取已知的欺诈行为的属性特征，用于进一步预测以后的数据。 1.2 客户贡献度分析 客户贡献度分析主要包括进行价值分析评价。客户价值评价，就可以判断谁是企业最有钱赚的客户？在这些最有钱赚的客户中，哪些客户具有最高的利润增长潜力？需要企业做出哪种程度和结构的投资，以有效的满足客户的需要，使
8、潜在的利润增长成为现实。真正认识客户意味着能把他们划分为不同的群体。所有的客户并不能创造相等的价值，他们会因其购买量、购买频次。对价格和其他产品性能的敏感度，以及与企业的关系发展不同而有不同的价值。企业应把目标瞄准那些有价值的客户关系，而远离那些无价值的客户关系，或者从那些无价值的客户中抽身出来。一般情况下，客户可以划分为两类：交易客户和关系客户。所谓交易客户指客户只关心商品或服务的价格，没有忠诚度可言，他们是无利可图的。而关系客户是指希望得到一个可以保持长期关系的供应商的客户类型。因此企业寻找有利可图的客户实际只有两个步骤。首先，当然是分离出所谓的交易客户；其次是把剩余的关系客户按照客户价值
9、总值或客户利润贡献率的大小进行客户群的有效划分。 1.3 客户忠诚度分析（Persistency） 客户忠诚可以分为垄断忠诚、亲缘忠诚、价格忠诚、激励忠诚、方便忠诚、信赖忠诚等等，每种忠诚其客户的忠诚持久性是不一样的，其中信赖忠诚的用户依赖性和持久性最高。客户忠诚度就是用来衡量客户忠诚的一个数量指标，描述的是客户与企业保持关系的紧密程度，以及客户抗拒竞争对手吸引的程度。具体指客户对某个产品或商业机构的忠实程度、持久性、变动情况等。在分析客户忠诚度时首先要明确必要的影响因素并对因素进行分类，分出哪些是可以量化的因素，哪些是主
10、观性很强的因素，进一步确定这两个因素在整个分析评价中的比重。再用加权平均的方法计算出客户忠诚度的主观值和客观值，根据比重进行相加，就得到了客户忠诚度的评价值。如果客户忠诚度不理想，还可以通过分析模型进行改进，并找出关键因素迸行加强管理和提高，可以大大提升客户的忠诚度，其中产品差异化和顾客差异化是效果较好的策略，可以针对性地用于不同客户群体。 在客户忠诚度分析中一个重要的指标是客户是否流失。根据8020原则，获取一个新客户的成本是保留一个老客户成本的5倍，因此，客户保持对企业的长远发展及其重要。由于保留一个客户要比争取一个新客户便宜得多，很多公司在客户保留的投
11、入呈增长趋势。改进保留客户的一种途径就是客户真正流失之前采取行动，系统必须具备客户流失建模能力。客户流失的原因很多，有可能是自然流失、恶意流失、竞争流失或者过失流失，也有可能是多种因素导致的结果。客户流失分析主要是抽取流失客户的行为特征，得到流失的预测模型，对新的客户流失现象进行预警，提示企业采取相应的行动尽力留住即将流失的客户。主要解决和分析的问题是：流失客户的特征是什么？客户流失的原因是什么？其中流失的关键因素占多大比重？目前哪些客户有可能流失？流失的可能性有多大等等。通过分析结果，有针对性采取相应措施，来挽留客户。客户流失模型，也称为保留或损耗模型，用于预测客户流失的概率。由于客户流失对
12、公司利润有重大的影响，很多公司都把这些模型作为客户忠诚度计划的主要关注点。 1.4 基于模型的客户满意度分析 现代的管理科学哲学认为客户满意是考核所有商业企业绩效的基本的标准。客户满意度的测量对参与顾客服务过程的所有员工所做出的成绩和贡献的一种评价的方式。从这种意义上讲，客户满意度的测量激励着人们去生产更高水平的产品。许多的公司都把客户满意度作为他们主要绩效指标。但是，公司几乎不可能持久的被抽象且触摸不到的概念客户满意所激励。于是客户满意必须转化成一系列可测量的参数，这些参数直接和人们工作中用到的大家都能理解的指标联系在一
13、起。基于模型的客户满意度分析可以给企业提供出产品及服务的优劣，帮助企业改进产品及服务质量。 上述功能分类的原则是，首先按照客户关系管理中所涉及的生命周期进行分类，然后再把各阶段所涉及的关键问题抽取出来，以形成多维度的客户行为决策支持，并防止功能耦合的现象。2 客户行为分析决策支持DT DSS的系统结构 根据上述系统功能及各功能分析方法，我们提出了一个面向客户行为分析的决策支持DT DSS的系统结构，整个系统由如下六个子系统构成，如图2所示。图2 面向客户行为分析决策支持系统DT DSS的体系结构 &#
14、160; 其中安全与权限管理子系统作为整个系统的人口，具有用户身份验证和操作权限管理功能。面向客户行为分析决策支持系统DT DSS作为企业管理者和相关业务分析人员的决策支持工具，它的分析内容涉及到很多敏感的商业机密和客户隐私，因此，对用户的权限划分必须非常严格。用户要使用某些功能或访问某些数据，必须进行严格的身份验证。系统的权限管理采用基于角色分配机制管理模式，角色作为中间媒介将用户与权限联系起来。 用户界面子系统包括三个基本模块：用户输入界面用于接收用户操作命令和分析进度要求等内容；知识表示界面根据各种数据挖掘方法得出的结果，采用相应的知识表示方式来得到用
15、户易于理解的分析内容；系统管理模块可用于人工处理数据挖掘过程和数据挖掘活动运行中产生的某些异常情况，并可以直接调用数据挖掘引擎中的任务分解器进行数据挖掘任务的重新分解。系统管理模块通过监控数据挖掘引擎和挖掘活动管理子系统中的数据挖掘过程和活动状态监控模块来获取相应的事件反馈信息，并提供人工干预的接口。 数据挖掘引擎子系统是DT DSS的核心子系统。其中任务分解器用于将某类数据挖掘过程分解为按时间顺序执行的数据挖掘活动，并通过数据挖掘算法引擎模块，调用挖掘活动管理子系统里面的活动执行组件库中的活动执行组件来实现数据挖掘的具体操作。同时。它为每个数据挖掘过程实例
16、设置一个唯一的过程ID；挖掘过程监控器自身带有一个状态列表1，2，n，它把数据挖掘过程状态评估结果和状态列表进行对照，然后根据匹配结果产生相应的事件集ViVi1，Vi2，Vim，该事件集触发相应的推理规则集CiCi1，Ci2，Cih，这些规则触发相应的操作集OiOi1，Oi2，Oig来处理数据挖掘过程的执行状态，例如当系统中有若干个数据挖掘过程实例并发执行，当出现系统资源不能同时满足所有挖掘过程需求的情况时，则根据相应的规则挂起一些过程实例，当系统资源可用时再重新恢复挂起的过程实例。当数据挖掘过程状态评估结果和状态列表中的任何状态都不匹配时，挖掘过程监控器将发送异常事件信息来请求系统管理模块来
17、进行干预。此外。挖掘过程监控器还将挖掘过程状态变化信息写进挖掘过程状态数据库中，为下一步的状态评估提供依据。 挖掘活动管理子系统中的活动执行组件库包括各种数据挖掘操作模块和算法模块，并提供各种组件的详细功能列表。数据挖掘算法引擎在执行数据挖掘任务时，可以根据组件的详细功能列表调用组件库中的相应组件来完成数据挖掘任务。而活动组件库中的组件在被调用以后，可以直接对数据仓库子系统中的数据集市进行操作，并把挖掘结果返回给数据挖掘算法引擎。活动状态监控器和活动状态数据库的功能和挖掘状态监控器和挖掘状态数据库的功能类似。主要用于活动的管理和监控，以及活动状态存储等操作。
18、 数据仓库子系统可以直接采用企业现有的数据仓库系统，它根据领域需求抽取的数据集市是数据挖掘的数据源。EAI子系统一方面将COTS产品集成到DT DSS中来，减少整个系统的开发周期，实现软件的复用；另一方面的作用是将DT DSS和其它应用系统相互“粘接”，抽取构建数据仓库所需的有用数据。EAI子系统采用XML技术，实现系统间信息格式的标准化，从而达到异构系统问信息集成的目的。 整个系统的开发采用NET架构，各个子系统的前端管理和操作界面都采用ASP来实现，后端的业务逻辑采用COM组件来完成。系统的设计采用MVC模式，实现了系
19、统界面、业务逻辑和控制逻辑的分离，可以增强系统的可重用和可扩展性。3 结 语 在竞争全球化的大背景下，如何增强企业对客户行为的认知能力，是企业参与国际竞争所必须解决的问题。深入地开展这一领域的研究工作，对提升我国企业的管理水平和核心竞争能力具有重要的理论和现实意义。本文针对现有分析型CRM的一些弱点，提出了一种面向客户生命周期价值和基于事件反馈机制的客户行为分析决策支持系统设计和实现方法，对这些弱点进行改进。采用这种方法，可以有效的实现面向客户的分析功能与具体数据挖掘方法的分离。避免了分析的片面性，增加了系统的可扩展性；并采用过程管理和监控机制来处理数据挖掘，具有较好的灵活性和易用性。
面向客户全生命周期价值的客户行为分析决策支持研究
