CRM模型及數(shù)據(jù)挖掘在技術(shù)轉(zhuǎn)移中心的研究與應(yīng)用.pdf

1、進(jìn)入信息時(shí)代后,信息技術(shù)的高速發(fā)展和市場(chǎng)競(jìng)爭(zhēng)的加劇促使客戶關(guān)系管理這個(gè)概念的產(chǎn)生?？蛻絷P(guān)系管理的最終目標(biāo)是提高企業(yè)的盈利能力,其直接目標(biāo)是提高客戶的滿意度、改善企業(yè)與客戶的關(guān)系。其應(yīng)用主要包括客戶的獲取、交叉營(yíng)銷和客戶的保持等方面。數(shù)據(jù)挖掘技術(shù)是在大量的數(shù)據(jù)中發(fā)現(xiàn)未知知識(shí)的數(shù)據(jù)分析技術(shù)。通過(guò)利用數(shù)據(jù)挖掘技術(shù),分析客戶數(shù)據(jù),發(fā)現(xiàn)其中的規(guī)律,從而為客戶關(guān)系管理提供決策依據(jù)。 本文分析了客戶關(guān)系管理系統(tǒng)的應(yīng)用和發(fā)展現(xiàn)狀,指出目前的客戶

2、關(guān)系管理系統(tǒng)普遍缺乏客戶關(guān)系模型的建立,對(duì)客戶數(shù)據(jù)停留在統(tǒng)計(jì)分析的層面上缺乏有效的數(shù)據(jù)分析技術(shù)對(duì)客戶進(jìn)行深入的了解,也就是數(shù)據(jù)挖掘技術(shù)應(yīng)用不足。本文就這兩方面展開研究,首先結(jié)合技術(shù)轉(zhuǎn)移中心提出了一個(gè)客戶關(guān)系指數(shù)模型,有了客戶關(guān)系指數(shù)的數(shù)學(xué)模型就可以根據(jù)客戶關(guān)系指數(shù)的高低劃分客戶群,可以使用數(shù)據(jù)挖掘技術(shù)分析客戶群特征,從而有針對(duì)性的制定客戶營(yíng)銷策略。 本文對(duì)經(jīng)典關(guān)聯(lián)規(guī)則挖掘算法進(jìn)行了研究,并對(duì)關(guān)聯(lián)規(guī)則挖掘算法在客戶關(guān)系管理系統(tǒng)中交

3、叉營(yíng)銷和客戶獲取兩方面的應(yīng)用展開探討。本文詳細(xì)分析了Apriori算法的不足和性能瓶頸,并以此作為突破點(diǎn)改進(jìn)了Apriori算法,以用于對(duì)技術(shù)成果成交記錄進(jìn)行關(guān)聯(lián)規(guī)則挖掘。改進(jìn)后的算法結(jié)合具體應(yīng)用,擴(kuò)展了布爾型關(guān)聯(lián)規(guī)則挖掘算法,在現(xiàn)有的關(guān)系表上進(jìn)行關(guān)聯(lián)規(guī)則挖掘,而無(wú)需將關(guān)系表轉(zhuǎn)化為水平的數(shù)據(jù)組織方式,使挖掘操作更簡(jiǎn)單方便。在產(chǎn)生頻繁項(xiàng)集的過(guò)程中,改進(jìn)算法省去了傳統(tǒng)算法中創(chuàng)建候選集的步驟,避免了Apriori算法中為了產(chǎn)生頻繁項(xiàng)集,需要生

4、成大量候選集的缺點(diǎn)。通過(guò)對(duì)目前關(guān)聯(lián)規(guī)則評(píng)價(jià)標(biāo)準(zhǔn)局限性的分析,改進(jìn)算法引入了影響度度量方法,采用“支持度-置信度-影響度”框架作為評(píng)價(jià)關(guān)聯(lián)規(guī)則的標(biāo)準(zhǔn)。影響度的增加使我們只需考慮規(guī)則后件與前件同時(shí)發(fā)生的百分比和規(guī)則后件隨機(jī)發(fā)生的百分比有顯著不同的規(guī)則,使隨機(jī)關(guān)聯(lián)關(guān)系從有用的關(guān)聯(lián)關(guān)系中分離出來(lái),并避免了高置信度的誤導(dǎo)規(guī)則的出現(xiàn)。最后結(jié)合Apriori算法在技術(shù)轉(zhuǎn)移中心CRM系統(tǒng)中交叉營(yíng)銷方面的應(yīng)用對(duì)技術(shù)成果成交數(shù)據(jù)進(jìn)行了分析,發(fā)掘數(shù)據(jù)模型。