企业CRM评价技术解决模式及应用分析

图1 客户满意理念、技术融合架构

    在这个架构里，需要什么样的数据、数据如何采集、处理、存储、清理、转换以及如何分类、区分、关联、聚类、预测等这些围绕数据流动的客户满意理念融合技术架构既需要确立正确的管理理念来规范数据行为特征，更重要的是需要技术来实现。面对现实生活以及存储在各种数据库中的海量数据，企业无法仅利用技术事务处理来提升企业管理水平，更需要从大量数据中用非平凡的方法发现有用的知识，其中数据仓库数据挖掘技术就是实现数据最合理利用的技术手段，综合吸收了数据库技术、知识获取、信息提取、模式识别、统计学、人工智能、高性能计算和数据可视化等多学科领域知识，目的是开展分析数据、理解数据、利用数据等数据行为。

2 构造和使用CRM数据挖掘模型

    客户满意度评价过程中，涉及了方方面面的数据。CRM客户满意度评价应用数据挖掘技术就是利用一切可能的学科知识和技术方法，深入数据，结合实际模型，创建描述和预测客户关系及行为的模式，发现有用可靠的数据及其规律性。

    数据挖掘过程主要包括数据准备、数据采掘、表达结果，是构造或验证可理解可用的数据模型的过程。是一个由多个步骤相互连接而成的、反复运行的非平凡过程，如图2。其中使用的数据挖掘主要技术包括聚类、决策树、OLAP、神经网络、回归和关联规则。

图2 CRM数据挖掘系统结构模型
（虚箭头表示技术在系统中的应用）

    （1）数据准备

    当进行数据挖掘时，首先要从大量数据中取出一个要与探索问题相关的样本数据子集，而不是动用全部数据，其中的数据经常来自完全不同的源——OLTP系统、传统系统、文本文件或电子表格。比如需要测量某类型客户满意度，需要提取此类客户通过问卷调查收集的数据、与企业交互的历史数据（网络平台收集汇总的、交易输入输出的等）。

    其中涉及的处理技术如清理、集成、变换、归约（数据离散化、概念分层）等数据预处理技术。

    清理：处理如数据属性值空缺、测量变量中随机错误和偏差、数据不一致如编码等，采用技术方法是如人机结合、回归、判定树、聚类等数据挖掘技术。

    集成：涉及来自不同数据源的实体匹配即实体识别问题的处理、属性冗余、数值冲突的检测和处理（编码︱价格单位），采用技术方法分别是元数据、相关分析等。

    变换：将数据转换为适合分析模型的形式，如客户满意度评价模型中，评价集和评判集的转换：（48，30，15，7，O）（0.48，0.3，0.15，0.07，0）涉及到方法：如上述规范化（最小－最大规范化、z－score规范化、按小数定标规范化）、平滑、聚集、数据概化、属性构造。

    归约：通过数据立方体聚集、维归约、数据压缩、数值压缩、离散化和概念分层等策略使得待分析数据集变小，但仍然接近于保持原数据的完整性。如采样，其算法包括简单随机采样、起始顺序采样、等距采样、分层采样和聚类采样等。

    数据预处理还可以对数据初始化描述包括计算平均值、标准差、平均数差异检验、方差分析等一些简单的统计量，并可以作出频率分析如客户投诉率等及通过可视化技术更进一步理解数据，考虑是否还需要其他因素纳入模型中、以及是否对数据进行净化等操作等有关问题使模型分析更具准确性。

    （2）数据采掘

    启动客户满意度模型，输入数据进行分析，典型的客户满意度数据分析方法有：

    相关分析：用于分析两个变量之间的线性关系。

    多元回归分析：用于检验一个因变量和若干自变量之间的关系。

    主成分分析和因子分析：通过在变量中提取成分的方法，有效地将高维的变量系统综合简化为一个低维的变量系统。在客户满意度指数测评中，模型有多少个隐变量就运用多少次主成分分析法，然后启动多元回归模型。

    线性结构关系分析（LISREL：Analysis of Liner Structure Relationship）：采用最大似然法通过最大似然函数对模型参数进行优化，利用联立方程组来求解包含潜在变量的因果关系。

    偏最少二乘法（PLS：Partial Least Squares Regression）：通过在自变量和因变量中提取成分，使得所提取的成分一方面包含了原始资料里的最大信息，另一方面所提取的自变量对因变最又具有最大的解释能力。

    首先由于客户满意度模型需要的评价因素如内部客户下层预测变量（因素）需要确定，一是能全面反映内部客户满意度，即完全性，=是各预测因素之间不重叠，即相对独立性；其次。权重分配、各预测因素的评判集是否合理，主观成分多大，即支持度（utility）和置信度（certainty）等分析；再次，得到的评价结果如何转化为行为策略组合即结果数据与策略集的关系的分类预测聚类等。

    因此应用在客户满意度评价中的数据挖掘还需要在整个过程中反复地确定满足模型需要的挖掘知识类型（完成什么样的任务）及应用相关挖掘技术和算法，一般可以分为：描述和预测；描述性挖掘任务刻画相关数据集中数据的一般特性；预测性挖掘任务在当前数据上进行推断，以进行预测。

    数据特征化：研究目标类数据集数据的一般特征或特性的汇总。如研究客户满意度影响提高10％子因素满意度变化较大的主要因素。

    数据区分：将目标类因素的一般特性与一个或多个对比类因素的一般特性比较。如内部客户满意度提高10％与外部客户满意度提高10％对总体满意度的影响进行比较。关联分析t发现关联规则，这些规则展示属性一值频繁地在目标类数据集一起出现的条件。如设（花的品质，成本费用，申诉处理，客户关怀，信息互动）分别为（B7 B8 B9 B10 B11），外部客户为B2，数据挖掘系统可能发现如下的关联规则：CSI（B7，“80…90”）∧CSI（B11，“80…90”）∧ CSI（B9，“80…90”）∧CSI（B10，“80…90”）∧ CSI（B11，“80…90”）CSI（B2，“？”），“？”是否是外部客户满意度指数值，是否存在其他因素也影响外部客户满意度等。

    分类和预测，找出描述并区分数据类或概念的模型（或）函数，以便能够使用模型预测类标记未知的对象类。而预测是对某些空缺的或不知道的等数据值的预测，包含基于可用数据的分布趋势识别。如不同因素满意度的分析找出合适的改进策略组合。主要方法包括：决策树／判定树、贝页斯法、BP神经网络、遗传算法、粗糙集、模糊集等。

    聚类分析：根据最大化类的相似性、最小化类间的相似性的原则对对象的簇进行聚类或分组。如通过聚类分析客户群分类。孤立点分析：基于偏差的方法考察对象主要特征上的差别。如发现黑名单客户。演变分析：描述行为随时间变化的对象的规律或趋势，并对其建模，如花卉市场价格的走向。

    （3）结果表达

    整个分析挖掘过程将会得出一系列的分析结果、模式或模型。解释并评估结果、模式或模型，并将分析所得到的知识集成到业务信息系统的组织结构中，还可以把得到的数据挖掘关健过程抽取出来并直接应用到新的数据里。通常所发现的模式以多种形式显示，如规则、表、交叉表、饼图或条图、判定数、数据立方体或其他可视化表示。