伴随着数据库和信息技术的发展,产生了大规模的海量数据,数据挖掘技术能够自动地、快速地、智能地把历史数据归纳成为有指导意义的信息。随着3G 技术普及,各个运营商之间的竞争非常激烈,各个运营商为了增加客户,留住不断换网的用户,因此对客户关系管理的研究十分重视。本文将使用数据挖掘技术对客户关系管理(简称:CRM)进行探索和研究。
1 数据挖掘技术概述
数据挖掘技术是一门融合了统计学、人工智能、机器学习、数据库多方面知识的综合性学科,人工智能处理、数据库技术和数理统计是它的基础。数据挖掘的主要任务是“知识发现”,它要从不完全的、大量的、有噪声的、随机的、模糊的实际历史数据中发掘出人们事先未知的、规律性的,但又是潜在有用的,并且最终可以理解的知识和信息。
2 数据挖掘技术在移动CRM中的应用
2.1 移动CRM体系结构
移动客户关系管理的体系结构主要分为合作型CRM、分析型CRM 和操作型CRM 三个部分,其结构如图1所示。
图1 移动CRM 体系结构图
合作型CRM主要用于合作服务项目,它包括的内容有呼叫中心、电子邮件、电子社区等交流手段。分析型CRM 主要分析在操作层次的数据,把操作层的数据和客户销售连接起来。操作型CRM 能够实现销售与客户服务业务的自动化。
2.2 数据挖掘处理移动CRM的流程
移动CRM 的数据挖掘流程如图2所示。
图2 移动CRM的数据挖掘流程图
2.3 数据挖掘处理移动CRM的算法实现
为了使移动公司给客户提供全方位的服务,通过客户话单数据,采用迭代自组织数据分析算法对客户群体进行了聚类分析,其算法实现流程如下:
步骤1:获得所有样品的特征;
步骤2:输入阈值T,方差E,类中心数目C,最大迭代次数I(计算数据样品之间的距离、方差的最小和最大值);
步骤3:任意选取前N个样品当做临时的聚类中心M(i);
步骤4:求所得到的各个样品到已选定的临时聚类中心的距离,将所得的样品归入选定的最近的类中心M(i) ;
步骤5:根据已经聚类的结果,重新计算各个聚类中心的特征中心;
步骤6:根据新的类中心,重新计算各聚类域中暂时已经聚类的样品到新类中心间的距离,并且计算每一类样品到聚类中心的平均距离;
步骤7:迭代计算出所有聚类域中各个样品的平均距离,再计算出其总平均距离;
步骤8:根据所得平均距离值和阈值的大小,判断聚类域的分裂、合并和迭代;
步骤9:合并操作,计算全部数据的聚类中心的距离值;
步骤10:分裂操作,求出所有数据的聚类中心所拥有的标准差向量,找出所有聚类域的具有中心标准差最大值的聚类域。
步骤11:如果是最后一次迭代运算则结束循环。否则循环继续步骤4,迭代次数加1。
实验结果表明移动用户分为高消费组、中高消费组、中等消费组和低消费组四类用户。
核心关注:拓步ERP系统平台是覆盖了众多的业务领域、行业应用,蕴涵了丰富的ERP管理思想,集成了ERP软件业务管理理念,功能涉及供应链、成本、制造、CRM、HR等众多业务领域的管理,全面涵盖了企业关注ERP管理系统的核心领域,是众多中小企业信息化建设首选的ERP管理软件信赖品牌。
转载请注明出处:拓步ERP资讯网http://www.toberp.com/
本文标题:数据挖掘技术在移动CRM中的应用