在当今市场上,商业的成功离不开有效的客户关系管理(Customer Relationship Management,CRM)。客户关系管理的本质是更有效地进行竞争。客户关系管理的目标是缩减销售周期和销售成本、增加收人、寻找扩展业务所需的新的市场和渠道、以及提高客户的价值、满意度、赢利性和忠实度。企业实施客户关系管理,可以更低成本、更高效率地满足客户的需求,从而可以最大程度地提高客户满意度及忠诚度,挽回失去的客户,保留现有的客户,不断发展新的客户,发掘并牢牢地把握住能给企业带来最大价值的客户群。
客户关系管理最基本的含义就是管理所有与客户的相互作用。随着客户信息的绝对容量的急剧增大,企业与客户的相互作用日益复杂,数据挖掘被推到了客户关系管理的最前端。利用在传统的数据库技术基础上发展起来的数据挖掘等先进的智能化信息技术,利用神经网络等分析技术,挖掘出潜在的有用信息,用于企业辅助决策。
1. 定义商业问题(Define business problem)。每一个客户关系管理应用程序都有一个或多个商业目标,为此你需要建立恰当的模型。根据特殊的目标,如“提高响应率”或“提高每个响应的价值”,需要建立完全不同的模型。问题的有效陈述包含了评测客户关系管理程序结果的方法。
2. 建立行销数据库(Build marketing database)。需要建立一个行销数据库,因为操作性数据库和共同的数据仓库常常没有提供所需格式的数据。此外,客户关系管理应用程序还可能影响系统快速、有效地执行。在建立行销数据库的时候,需要对它进行净化— 如果想获得良好的模型,必须有干净的数据。需要的数据可能在不同的数据库中,如客户数据库,产dAn数据库以及事务处理数据库。这意味需要集成和合并数据到单一的行销数据库中,并协调来自多个数据源的数据在数值上的差异。
3. 探索数据(Explore data)。在建立良好的预测模型之前,必须理解所使用的数据。可以通过收集各种数据描述(如平均值、标准差等探索统计量)和注意数据分布来开始进行数据探索。可能需要为多元数据建立交叉表,并且,图形化和可视化工具可以数据准备提供重要帮助。
4. 为建模准备数据(Prepare data for modeling)。这是建立模型之前数据准备的最后一步。这一步中主要有四个主要部分:一是要为建立模型选择变量,理想情况是将你拥有的所有变量加入到数据挖掘工具中,找到那些最好的预示值,但在实际中,这是非常棘手的。其中一个原因是建立模型的时间随着变量的增加而增加。另一个原因就是盲目性,包括无关紧要的数据列被加入,却很少甚至不能提高预测能力。二是从原始数据中构建新的预示值,例如使用债务——收入比来预测信用风险能够比单独使用债务和收人产生更准确的结果,并且更容易理解。三是你需要从数据中选取一个子集或样本来建立模型,使用所有的数据会花费太长的时间或者需要购买更好的硬件,对大多数客户关系管理问题来讲,使用经过恰当的随机挑选的子集并不会引起信息不足。建立模型的两种选择为:使用所有数据建立少数几个模型,或者建立多个以数据样本为基础的模型,后者常常能帮助你建立更准确有力的模型。四是,需要转换变量,使之和选定用来建立模型的算法一致。
步骤2到4是组成数据准备的核心。他们花费的时间或努力比其他几步加起来还多,数据准备和模型建立之间可能反复进行,因为你从模型中学到新的东西,而这又要你修改数据。数据准备阶段无论如何也要占去全部数据挖掘过程的50%到90%的时间和努力。
5. 数据挖掘模型的建立(Build model)。模型建立是一个迭代的过程,需要研究可供选择的模型,从中找出最能解决你的商业问题的一个。大多数客户关系管理应用程序都基于一种叫做监督学习的协议。你开始使用客户信息,而且期望的结果是已知的。例如,你有来自以前的邮件列表的历史数据,它与你现在使用的数据非常相似,或者,你可能不得不进行邮寄测试来确定人们对一个提议的响应如何。你将数据分为两组,使用第一组来训练或评估模型,接着使用第二组数据来测试模型。当训练和测试周期完成之后,模型也就建立起来了。
6. 评价模型(Evaluate model)。评价模型结果的方法中,最可能产生评价过高的指标就是精确性。假设有一个提议仅仅有1%的人响应。模型预测“没有人会响应”,这个预测99写是正确的,但这个模型100%是无效的。另一个常使用的指标是“提升多少”,用来衡量使用模型后的改进有多大,但是它并没有考虑成本和收入,所以最可取的评价指标是收益或投资回收率。针对不同的目标,如提升最大利润或最大投资回收率,你可以选取不同百分比的邮件列表来发出请求函。
7. 将数据挖掘运用到客户关系管理方案中(Deploy model and results)。在建立客户关系管理应用时,数据挖掘常常是整个产品中很小的但意义重大的一部分。例如:通过数据挖掘而得出的预测模式可以和各个领域的专家知识结合在一起,构成一个可供不同类型的人使用的应用程序。数据挖掘实际建立在应用程序中的方式由客户交互作用的本质所决定。与客户的交互作用的两种方式:客户主动联系你(inbound)或者你主动联系他们(outbound)。部署的需求是完全不同的。后一种方式的特征由你的公司所决定,因为联系活动是由公司发起,例如直接邮寄活动。结果,通过运用模型到你的客户数据库,来选择客户进行联系。在inbound事务中,如电话定购、Internet订购、客户服务呼叫等,应用程序必须实时响应。因此数据挖掘是内含在这种应用程序中的并且积极地做出推荐动作。
数据分析咨询请扫描二维码
CDA数据分析师在中国航信高科技产业园进行了面向测试度量的数据分析培训课程,培训人数近2 ...
2024-05-01CDA数据分析师走进深圳迈瑞生物医疗电子股份有限公司,在迈瑞总部展开了为期两天的培训,本次课程参训人员线上及线下近百人, ...
2024-05-01CDA数据分析师在合肥市对合肥阳光新能源科技有限公司开展了为期8天的企业内训。 合肥阳光新能源科技 ...
2024-05-01CDA数据分析师走进海尔大学,进行了《数据治理与数据中台建设的道与术》专题培训,培训现场爆满,近百人参加了此次培训。 ...
2024-05-01在中国银行苏州分行培训中心开始数据分析师培训,此次培训课程共10天内容,包括Excel、MySQL、概率论与数理统计、SPSS等内容, ...
2024-05-01从实际的业务需求出发,结合行业的典型应用特点,围绕实际的商业问题,探讨数据挖掘、机器学习模型在金融领域的应用,包括获客、信用评分、细分画像、交叉销售、反欺诈、违规识别、时序预测、运筹优化、流程挖掘九个方面,形成 ...
2024-05-01本次培训课程为线上+线下的模式,由于学员编程能力不一、部分学员没有编程基础,故提供统计学、python基 ...
2024-05-01华夏银行信用卡中心-机器学习培训 1、课程亮点 取材于业界一流企业和顶级咨询公司的行业实践;已经被证明是人人 ...
2024-05-01主 题:数据中台建设及数据分析应用主题分享 1. 数据中台市场洞察 2. 主流数据中台产品比较 3. 某企业数据中 ...
2024-05-01围绕“数据驱动”战略,全力打造我行 300 人数字化人才梯队,着力培养数字化管理人才、大数据专业团队 ...
2024-05-01在当今数据驱动的商业环境中,数据分析成为了企业决策的重要依据。通过对大量数据的收集、处理和分析,企业能够更好地理解市场 ...
2024-04-29在人工智能(AI)的世界里,提示词(Prompt)是一种强大的工具,它能够引导AI按照用户的需求产生特定的输出。本文将深入探讨AI ...
2024-04-29CDA立足未来职场,拓展前沿视野——对外经贸大学保险学院举办“三全育人大讲堂”分享行业最新动态。 ...
2024-04-294月2日,CDA数据分析师创始发起人兼协会理事长赵坚毅博士受邀在浙江万里学院举办了一场以“数字化能力在职场中的作用” ...
2024-04-29随机森林(Random Forests)现在机器学习中比较火的一个算法,是一种基于Bagging的集成学习方法,能够很好地处理分类和回归的问 ...
2022-12-23方差分析是数据分析中常用的一种统计分析方法,接下来让我们简单了解一下方差分析的基本思想和原理吧。 方差分析(Analysis ...
2022-12-23来源:关于数据分析与可视化 关于streamlit-aggrid 数据排序 表格样式的调整 数据 ...
2022-08-03作者:麦叔 定义 「把上面晦涩的概念汇成一句话就是:」 ❝ 回调函数就是一个被作为参 ...
2022-08-03现今,高学历人群日益增多,物以稀为贵的高学历光环淡去。无论本科生还是研究生,甚至博士生,求职竞争力都大不如前,就业压力越来越大。
2022-06-01某家企业10个人面试,有9个本科生……如何脱颖而出,除得体的举止和良好的沟通力外,证书成重要筹码,这也是很多人考证的关键所在。
2022-04-14