1 数据挖掘与CRM介绍
数据挖掘技术通过从海量的、未知、存在噪音的应用数据中，对一些具有潜在价值或有预知作用的信息进行提取。这些提取的结果均表现为一定的规则、规律、模式或者趋势等。而CRM客户关系系统一般负责处理大量的客户行为，通过海量的客户数据信息通过技术处理将消费者的消费行为以及消费趋势进行确定。并根据以客户的消费趋势以及规律对营销手段进行制定。而给企业带来巨大利润。在如今以用户至上为中心的电信运营商，如何利用数据挖掘技术提升CRM营销能力显得非常重要。在海量的客户数据信息中，利用数据挖掘技术，建立分析模型为CRM营销分析和决策分析，并提供具有针对性的解决方案，从而使企业的销售水平以及营销能力有所提升。
电信的CRM客户关系管理系统通过重新组合业务流程，预处理和分析相关的客户数据，并通过据挖掘技术将客户数据的各种信息或与客户信息相关联的信息进行挖掘，从而使客户数据的关键性指标能被提取。从而为业务营销决策和个性化的客户业务服务提供数据支持和决策支持，从而提升客户服务能力，为客户和企业利润最大化提供解决方案。
2 CRM中数据挖掘的应用
数据挖掘技术使用关联分析、偏差分析、聚类分析和预测等方法完成对复杂客户的数据的处理，从而从数据钟将所需的分析结果提取出来。该文中，电信CRM客户管系统通过对据挖掘技术的应用，能够对群户群体、客户满意程度、交叉销售、客户盈利能力、客户流失情况进行分析。下面对这些应用领域进行分析和探讨。
1）客户群体分类应用：此应用主要是对电信的客户群针对不同特质进行细分。为了电信能够为不同的消费群体执行不同的消费政策。一般采用的数据挖掘技术为决策树和聚类方法。
2）维系客户应用：随着行业之间的竞争愈演愈烈，对于新客户的开发难度以及开发成本越来越大，这使得维系老顾客的重要性越发明显。要想从客户身上获得的价值更多，那么必然要做好维系它的工作。即回收此客户的开发成本以及维系费用的周期就越长，客户提供的利润就越多。
3）客户盈利能力应用：本应用的使用主要是通过对数据技术的使用达到提升客户盈利的能力的目的，根据用户的不同的市场活动，为提升客户的盈利采取不同的方法，主要通过已有的客户数据预测客户未知消费趋势和消费领域。
4）交叉销售应用
交叉销售应用主要通过数据挖掘技术为电信营销提供新产品需求和营销决策的过程。通数据挖掘技术可以分析和决策出潜在用户所感兴趣或具有非常大的市场需求的产品和服务，帮助企业实现利润最大化。通过分析客户的消费行为和已有产品的销售趋势，形成新产品和服务的营销决策。
5）分析潜在客户应用：企业对潜在客户的筛选工作可以借助数据挖掘技术帮助来完成，市场人员的主要工作是把通过数据挖掘技术得出的潜在客户名单进行整理，并把整理出的客户所中意的优惠措施系统相结合起来。在发展新客户的策略中，数据是数据挖掘技术的研究重点。首先要建立一个预测模型，它是以获得的客户数据为基础，然后预测模型根据一定的程序分析就能计算出有价值的潜在客户信息。
要想使用数据挖掘技术对新客户进行获取，必须对潜在客户的信息进行收集，尤其是对于一些表示出对公司产品或某项服务感兴趣客户要对其单独列出。这样可以为将来的数据挖掘提供足够有价值的信息。
3 数据挖掘在CRM的应用
3.1 客户数据挖掘存在问题类型
在CRM系统中挖掘技术对对客户数据的挖掘主题如下：
1）关联问题：
横向关联：是将看似独立的事件之间的潜在联系进行挖掘，例如“购买某产品”携带购买另一产品的人群比例”这就建立了两个商品的间接联系。
次序关联：这次方法主要是对事件的前后序列关系进行重点分析，例如在购物时对某几件商品的购买顺序，通过对其研究分析形成一种客户行为。
关联问题主要是对客户的各项属性之间可以存在的交叉销售或潜在联系进行研究，或者是客户实体与其他实体的联系。一般典型的关系在电信行业中包括：套餐选择问题、交叉销售、以及业务的相互影响。
2）预测问题：
为了使客户数据能够及时得到更新，需要对客户的行为变化以及消费等属性变化进行预测。在实际统计中发现，客户的行为变化的典型状况有通话行为的增加或减少，客户信息变化消，费行为变化以及其他情况。
3）分类问题：
对样本客户数据库中的数据进行分类分析，就是对各个类别进行定性的描述。这个问题也可以通过找出其分类规则，进行分析模型建立来解决，对于其他客户进行分类时可以使用。
4）聚类问题：
本文中的聚类是指把由于分类原则不明确等原因造成的没有进行分类的记录，以数据差异的大小为分类原则，对数据进行分类，并对其类别进行定义。对此类数据进行分类的分类规则是以统计学的聚类分析方法为指导方法的。聚类既是分类的相对概念。对客户特征的研究是客户聚类的主要工作内容，常见的典型聚类问题包括：客户的消费模型分析、客户特征分析和异常客户分析等等。
3.2 数据分析利用
对于电信运营商来讲，其数据库应用系统较为成熟，且数量较多，从而产生的业务处理数据非常可观。对这些数据的重新整合重组，从而进行分析利用，有助于对客户关系的管理。对这些数据的充分利用，使这些数据信息的真正价值得以实现。
1）客户消费模式分析：
通过对相关数据的分析，可以为运营商的相关经营决策提供依据。
客户消费的电话详单、信息台的大量详单、数据以及客户档案资料等是电信业务中，获取客户的消费模式信息的主要数据来源。在对这些数据进行分析时，主要是对等进行关联性的分析，以消费能力、消费周期以及消费习惯为分类的依据，以数据处理技术为分类手段对这些数据进行分类。
2）业务预测分析：
对业务的分析预测是电信运营商制订发展计划的重要依据之一。主要是为了使得未来业务量在一定程度上被掌控。业务预测分析主要是对历史数据的分析，把对业务影响较为明显的因素找出来，并且对这些因素在未来一段时间内的影响趋势进行估测。
3）放客户欺诈以及客户欠费分析：
数据挖掘技术的使用还可以降低运营商的损失。数据挖掘技术对骗费、欠费行为的大致规律进行总结，并建立相关的行为规则库。当客户的欺诈和欠费行为与规则库中的情况相吻合时，系统对运营商进行提示，使其尽快采取相关措施制止该行为的进行。
4）客户流失分析：
根据已经存有的客户流失数据进行分析，将相关数据如客户属性、服务属性、客户消费等与客户流失概率建立相关联的数学模型，找出其内在联系，明确其内在规律。然后通过对客户流失原因的确定采取一定措施，使客户的忠诚度提高，尽量减少客户的流失。这就使以往存在的不能对流失客户进行原因分析的情况得到了大大的改善。
5）大客户特征识别：
大客户群体是信企业之间竞争的焦点，也是电信企业利润的主要来源。对大客户进行挖掘、识别并且制定相应措施争取大客户并使其有较高的忠诚度，这是电信企业的发展关键。对大客户进行识别时，不仅要根据现有消费量的多少进行盲目的判定，还要根据以往数据总结出的大客户规律进行大客户的识别，不断对潜在大客户进行挖掘。
6）简化管理：
在电信行业中，最重要的指标包括业务量。对于业务量的预测是较为困难的，这主要是由于它的随意性较大。数据挖掘根据对时间序列的分析就可以在一定程度上监测、预测业务量，并对人员的配置进行合理的安排，尽量降低企业的运营成本。
4 数据挖掘的应用实例
数据挖掘的完整过程进行细分后包括：定义业务问题、选择数据、清洗和预处理数据、选择与预建立模型、调整模型、评估与检验模型、模型的应用。
4.1 定义业务问题
对业务问题进行定义主要是为了区别客户流失的情况，从而采取相应措施对其进行控制，属于主动流失/被动流失，财务原因/非财务原因这两个属性是定义业务流失问题的关键，是定义业务问题是最需要明确的。
4.2 选择数据
选择数据包括目标变量的选择、输入变量的选择和建模数据的选择。
1）输入变量的选择：输入变量有两种，包括静态数据和动态数据。输入变量在模型中属于自变量，在建立模型时，要找到自变量与目标变量的关联。如还不能对与客户流失概率有关联的数据类型进行明确时，先选定该数据，早后续的步骤考察各变量分布情况和相关性时在对其进行判定。客户的流失方式有自然消亡型以及转移流失型。这两种类型中，对运营商而言第二种流失的客户是更有挽留价值的客户，因此对于第二种流失客户进行数据分析以及建模是更有价值的。
2）目标变量的选择：客户流失分析的目标变量是客户流失状态。根据业务问题的定义可知，目标变量可以是一个已知量或多个已知量的组合。
4.3 清洗和预处理数据
在建模前要对数据进行清洗和预处理工作，一是确保数据的有效性和正确性，二是通过对数据的处理使其能够更好的为建模服务。对数据进行整理主要包括数据的转换和整合、抽样、随机化、缺失值处理等。
4.4 选择与预建立模型
现有的数据挖掘工具提供了决策树、神经网络、近邻学习、回归、关联、聚类、贝叶斯判别等多种建模方法。
在建立模型之前，要对数据挖掘工具的相关性进行比较，通过输入输入变量来测试出与客户流失概率的相关性较大的数据。从而筛选出最大耦合程度的模型。这样的操作简单并且使建模时间大大缩短，并且使模型的精确程度增加，可用性就更加强。
4.5 建立模型与调整模型
需要强调的是，模型建立与调整的策略会根据不同的商业问题和不同的数据分布属性而有较大程度上的差异，数据挖掘过程中的核心部分一般是由数据分析专家完成的，就是模型建立与调整工作，并且在建模过程中，为了简化模型的优化过程还会对近似算法进行使用。
4.6 评估与检验模型
将实际值与预测值相比较，与实际值近似程度最高的就是最好的模型。通过对模型的使用，就可以对客户状态的数据进行预测。为了使评估与检验模型得到数据更加准确，要利用未参与建模的数据进行模型的评估。
4.7 模型的应用
通过业务解释能证明数学模型的合理性和有效性，所以业务人员要有对最优模型进行合理的解释的能力，通过对模型做出合理的业务解释，可以找出一些潜在的规律，用于指导业务行为。
在模型的应用中，可以利用试点的方法来检验模型的有效性。根据在模型得出的信息与实际值的比较，一旦异常偏差发生了一对模型进行及时的修正。若模型试点效果良好，则可以考虑投入使用。但在实际操作中要注意，由于地域差异等其他因素的影响不能完全的复制模型，要在基础的模型上根据当地特色进行修正。模型的应用是具有时效性的，所以要时刻关注其模型的升级改版。
