客户关系管理数据挖掘论文

2022-04-16

摘要：电信企业要想提升市场竞争力，不仅仅要提升业务综合水平和能力，也要充分发挥数据挖掘技术的优势，有效落实完整的数据挖掘技术监管机制，确保能夯实客户关系，从而有效顺应市场化发展的竞争格局，从而实现服务质量的全面提升，为企业全面可持续发展奠定坚实基础。今天小编为大家精心挑选了关于《客户关系管理数据挖掘论文(精选3篇)》，希望对大家有所帮助。

客户关系管理数据挖掘论文篇1：

客户关系管理中数据挖掘的应用

摘要：客户关系管理在企业管理决策中起到了关键作用，而数据挖掘技术为客户关系管理的实施提供了良好的技术支持。在对数据挖掘技术于客户关系管理中的价值和应用范畴进行分析，将数据挖掘应用于客户流失分析，进而从这些信息中挖掘出客户偏好的商品组合、消费习性或流失客户特征。

关键词：数据挖掘；客户关系管理；模型

The Application of Data Mining in Customer Relationship Management

GUO Feng, QIN Huilin

(School of Information ,Beijing Wuzi University, Beijing 101149,China)[GK2!2]

Customer Relationship Management(CRM) performs a key function in corporate management and decision-making.Data Mining(DM) offers sometechnical skills to Customer Relationship Management. This paper analyses the value and the applied range of DM in CRM,clarifying customer loss to recount the process of the DM.

面对激烈的市场竞争，客户价值越来越多地影响了企业价值，客户资源也成为各企业争夺的最重要战略资源之一。因此，了解客户需求，辨析最具利润贡献率的客户，已成为现代大多数企业经营的驱动力。客户关系管理（Customer Relationship Management，CRM），恰是一种以客户为中心的经营策略，它以信息技术为手段，对工作流程进行重组，整合发挥企业资源优势，赋予企业更完善的客户交流能力，最大化客户收益率。

一、数据挖掘技术

企业需要尽可能多地了解客户行为，但随着客户数量的大量累积，客户信息的日趋复杂，如何管理和分析这些客户信息，从中找出对企业管理决策有价值的知识，就需要有更先进的技术和工具支持。而数据挖掘（Data Mining）技术为CRM分析大量复杂客户数据，挖掘客户价值提供了良好的技术支持。数据挖掘可从大量数据中抽取出潜在的、有价值的知识、模型、规则，是发现潜在关联、模式，做出预测性分析的有效工具。

二、CRM中数据挖掘的价值

CRM通过搜集、累积大量市场及客户资料，为企业建立起庞大的数据仓库，数据挖掘的关键所在正是从海量数据中区分出真正有价值的信息并找出其间的关联。

每个企业都期望通过采用一定工具和手段快速并准确辨析出企业最重要、最有价值的客户信息。数据挖掘技术从装有海量数据的数据仓库中经过深层分析，寻找隐藏在数据中的信息，发掘出有利于商业运作、提高竞争力的信息或知识；它能帮助企业管理客户生命周期的各阶段，包括争取新客户，让已有客户创造更多利润、保持住有价值的客户等；它能对客户需求做深入分析，滿足企业对个体细分市场的客户关系管理需求，帮助企业确定客户特点，使企业通过为客户提供有针对性服务而增加商机。

对企业而言，在CRM中应用数据挖掘有助于发现业务发展趋势，揭示已知事实，预测未知结果，并帮助企业分析出完成任务所需的关键因素，从而使企业增加收入、降低成本，处于更有利的竞争地位。

三、CRM中数据挖掘的应用范畴

数据挖掘通过对客户信息的自动筛选，从大量相关客户数据中挖掘出隐含的、未知的、对企业决策有潜在价值的知识和规则，帮助企业找出未被发现的新机会，预测在商业中制胜的策略，快速做出决策。其以下方面的应用尤为突出。[HJ1.5mm]

客户特征分析：除客户地址、性别、年龄、职业、收入、教育等基本信息外，获取诸如爱好、婚姻、配偶、健康、家庭环境等特征信息，可更详尽地了解客户，发现其行为规律，进而更好地制定客户策略，提高市场活动响应率。通过对大量客户消费行为信息采用分类、聚类等挖掘方法，按客户年龄、性别、收入、交易行为特征等属性细分为具有不同需求和交易习惯的群体，从而得出客户最关注点，有针对性制定个性化营销策略。

客户忠诚度分析：通过客户行为分析归类出高消费客户群、最稳定客户群、有价值的潜在客户群、有更多消费需求客户群等，从而做出客户持久性及稳定性分析，对客户需求能快速响应，使客户获得高度个性化服务。据统计，企业获得新客户成本远比保持老客户高得多，尽管各行业成本差异不同，但无论什么行业，6~8倍以上的差距是业界公认的；同时，根据80/20（20%的客户贡献80%销售额）的营销原则，对高消费及高忠诚度客户，更应采取策略培养其忠诚度。

营销交叉分析：企业掌握的客户先前消费信息中，可能正包含着决定该客户下一消费行为的关键、甚至决定因素，利用数据挖掘技术去发现隐藏在数据间的表面看似独立事件间的关系，从而帮助企业找到影响其消费行为的因素，有针对性展开营销策略，适时推荐其它产品。如关联规则分析能发现客户倾向于关联购买哪些产品；聚类分析能发现对特定产品感兴趣的用户群；神经网络、回归等方法能预测客户购买该新产品的可能性。

客户获取和流失分析：企业的增长壮大需不断维持老客户并获取新客户，通过分类、聚类、决策树等技术挖掘大量客户信息，识别出潜在的可开发客户群，判断具备哪些特性的客户群最易流失，并建立客户流失预测模型，较准确地找出易流失客户群，帮助企业制定方案，对其提前采取相应营销措施，最大程度地保持住老客户。

跟踪评价：通过数据仓库的数据清洁与集中过程，将客户反馈信息自动输入数据仓库中，实现客户行为跟踪，分析出客户满意度、信用等级等，从而评价及优化现行策略。如对不同信用等级客户采取不同赊销方案，这既保持了客户忠诚度又规避了不必要风险。通过跟踪评价可保证企业客户关系管理达到既定目标，建立良好客户关系。

四、客户流失分析

商业企业通常通过交易记录、抽奖、会员制等活动来记载销售信息和客户资料，进而从这些信息中挖掘出客户偏好的商品组合、消费习性，或是找出流失客户特征。下面以商业企业客户流失分析为例来说明CRM中数据挖掘的过程。

（一）数据选择

选取目标变量：即客户流失状态。通过分析具体问题，选择一个或多个已知量的组合作为目标变量。对于因消费特征改变而发生的流失，需要对相关具体问题加以考虑：是收入改变？偏好改变？还是购物环境要求改变？

选取输入自变量：输入自变量分静态数据和动态数据。静态数据是诸如客户基本资料（性别、婚姻状况、职业、居住区等）等不常变化的数据；动态数据是诸如月消费金额、消费特征等频繁或定期改变的数据。输入自变量与目标变量有内在联系，但却无法量化表示，这为数据挖掘提供了可发挥的空间。若一时无法确定某种数据是否与客户流失概率有关联，可暂时将其选入模型，在后续步骤考察各变量分布情况和相关性时再行取舍。

选取建模数据：客户流失方式分为客户自然消亡（因迁址而导致客户不再存在；或因客户服务升级，如普通客户升级为贵宾造成特定服务的目标客户消失）和客户转移到竞争对手两种。后者流失是商家真正关心且具挽留价值的客户，选择建模数据时必须选择后者流失客户数据参与建模。

（二）数据规约

数据规约是建模前的数据准备工作，一方面保证建模数据的正确性和有效性，另一方面通过对数据格式和内容的调整，使数据更符合建模需要。主要工作包括对数据的转换、整合、抽样、随机化、缺失值处理等。如按比例抽取未流失客户和已流失客户，将这两类数据合并，构成建模的数据源。模型建立后需大量数据来进行检验，故把样本数据分为用于建模和用于模型检验及修正两部分。

（三）模型建立

建模前利用数据挖掘工具的相关性比较功能，找出每一输入自变量和客户流失概率的相关性，删除相关性较小的变量，从而降低模型复杂度，缩短建模周期。现有数据挖掘工具很多，如神经网络、回归、决策树、关联、聚类等，可使用其中的多种方法预先建立多个模型，再对这些模型进行优劣比较，选出最适合客户流失分析的建模方法，建模过程中可使用多种近似算法来简化模型优化过程。模型建立后的调整是数据挖掘过程的核心部分，通常由数据分析专家完成。不同商业问题和不同数据分布属性会影响模型建立与调整策略，因此需业务专家参与调整策略的制定，以避免不适当优化造成业务信息的丢失。

（四）模型评价与解释

为得到准确结果，可利用未参与建模的数据进行模型评估。检验的方法是使用模型对已知客户状态的数据进行预测，将预测值与实际客户状态作比较，预测正确率最高的模型是最优模型。通过对模型做出合理的业务解释，可找出一些潜在规律来指导商家行为；反过来，通过业务解释也能证明数学模型的合理性和有效性。

（五）模型应用

可先选择一试点实施应用，试点期间随时注意模型应用的收益情况。若发生异常偏差，则停止应用，修正模型。试点结束后，若模型被证明应用良好，可考虑大范围推广。推广时要注意地区差异，不能完全照搬模型。经济环境发生重大变化或模型应用一段时期后，模型偏差可能会增大，这时可考虑重新建立一更具适用性的模型。

通过客户流失模型对客户流失情况的监控，若流失可能性過高，可采用促销等手段来提高客户忠诚度，防止客户流失的发生，从而彻底改变以往商家在成功获得客户后无法监控客户流失、无法有效实现客户关怀的状况。

五、结束语

数据挖掘作为CRM的前提和基础，不再仅局限于客户接触层面的客户关系管理，已深入到客户的消费行为和消费喜好，从更加深入全面的角度洞察客户、理解客户价值。采用了数据挖掘技术的CRM系统，在目前竞争日益激烈的知识经济环境和电子商务经济模式下，已成为现代企业在激烈市场竞争中生存和制胜的关键。在CRM中有效利用数据挖掘，可不断促进企业单个客户价值提升和客户规模的扩大，可指导企业高层决策者制定出最优的企业营销策略、降低运营成本、加速企业发展，有效推动企业价值和实力的不断攀升。

参考文献:

[1] 朱美珍.以数据挖掘提升客户关系管理[J].技术与创新管理,2006(4).

[2] 王红霞,陈根才.零售业CRM中的数据挖掘技术[J].计算机与数字工程,2006(1).

[3] 龙志勇.数据挖掘在电信行业关系管理的应用[J].信息网络,2003(12).

（责任编辑：樱紫）

作者：郭　风　秦惠林

客户关系管理数据挖掘论文篇2：

电信客户关系管理中应用数据挖掘技术的研究

摘要：电信企业要想提升市场竞争力，不仅仅要提升业务综合水平和能力，也要充分发挥数据挖掘技术的优势，有效落实完整的数据挖掘技术监管机制，确保能夯实客户关系，从而有效顺应市场化发展的竞争格局，从而实现服务质量的全面提升，为企业全面可持续发展奠定坚实基础。该文分析了电信客户关系管理系统应用数据挖掘技术需求，并对应用数据挖掘技术设计的系统和实现过程展开了讨论，仅供参考。

关键词：电信企业;客户关系管理;数据挖掘技术;设计;实现

开放科学（资源服务）标识码（OSID）：

伴随着科学技术地不断发展和进步，将数据挖掘技术应用在电信客户关系管理项目中，能有效挖掘数据之间的关系，从而搭建良好的数据管理模式，确保数据功能化管理工作有序开展，从根本上搭建良好的数据分析平台，为电信企业开展针对客户需求的业务提供保障，也能进一步创设良好的客户管理環境，实现经济效益和社会效益的共赢。

1 电信客户关系管理中应用数据挖掘技术系统的设计流程

在电信客户关系管理中应用数据挖掘技术系统设计过程中，要确保数据模型的统一性、数据标准的统一性以及数据统一数据视图管理的合理性，从而利用完整的实时性数据批量处理和管控，确保数据能在信息交互中形成共享体系，一定程度上提升系统运行效率，避免生产系统网络接口信息处理不当的问题，有效完成实时性服务检索控制，提升应用效率的同时，保证系统共享结构的合理性。并且，完成相应设计工序，也能有效对数据信息进行质量校验和质量管控，从根本上提高上数据质量的完整程度[1]。

1）设计技术要求

在电信客户关系管理中应用数据挖掘技术完成对应系统的设计，就要满足以下相关要求：

（1）要结合电信集团数据模型完成系统数据平台的搭建工作;

（2）系统设计要利用较为成熟的软件技术，并且确保应用工序中系统架构的稳定性以及综合应用效率;

（3）系统运行过程中要利用独立的流程引擎，并且保证流程管理工作和具体环节都能落实到位，从而实现业务流程的可视化管理，提升配置的稳定性和应用效率，并且能避免整体项目出现业务流程需求得不到满足的问题;

（4）要对系统进行松耦合组件化设计模型的分析和处理，有效保证模块业务功能以及数据关系的明确性，从而规范对应的系统运行接口，一定程度上打造良好的系统运行框架体系，保证系统配置特性的完整性，能合理性实现动态化更新和加载;

（5）系统在应用的过程中，要确保核心功能模块运行的独立性，并且整体扩展效果也要满足预期，实现管理工作的全面进步[3]。

2）数据库设计

为了全面提升电信客户关系管理系统应用数据挖掘技术的应用效率，要整合数据库结构，确保能在给定的应用环境中构建完整的数据库逻辑模式以及物理结构，从而为信息存储以及数据管理工作的落实和开展提供保障，真正意义上满足不同用户的基本需求，从而发挥信息管理以及数据操作的具体优势。在数据库设计工作开始前，电信企业要选取适宜的设计人员和数据库核心管理人员，确保相关人员能在掌握数据库设计技术的同时，明确软件工程的原理和具体技巧。

第一，进行概念结构设计，主要是结合用户的实际需求完成信息的归纳和抽象总结，从而形成独立的[DBMS]系统，不仅能真实反映现实世界相关因素的关系，也能满足用户对数据的处理需求，且相应的设计项目易于理解和更改，能实现关系、网状体系以及层次化数据模型转换处理[2]。整体系统E-R图。

第二，进行逻辑结构设计，主要是将概念设计中的相应因素进行E-R图形转换，有效利用[DBMS]对应产品完成数据模型的支持设计。具体参数如下：

（1）客户基本信息中，客户编号字段名为khb，数据类型为varchar，数据长度为30，见图2。

（2）客户详细资料，见图3。

（3）客户挽留信息表，挽留编号字段名为wlb，数据类型为Int、客户编号字段名为khb，数据类型为varchar，数据长度为30、挽留时间字段名为wls，数据类型为datetime、挽留方式字段名为wlf，数据类型为varchar，数据长度为30[3]。见图4。

3）具体功能需求模块设计

在进行数据库设计工作后，就要结合相应模块完善对应的设计工作，有效提升设计要点和设计数据的约束管理水平，保证相应内容都能落实到位。

第一，用户信息管理设计。在用户进入到登录页面后，就能有效判定账户信息的准确性，从而完成数据导入操作，并且能借助文件进行上传下载。技术人员单击“导入”就能完成数据库支持数据的导入和导出，从而执行数据处理，并且确保数据能在前端有所显示。

例如，员工信息导入的具体流程为：开始[→]管理员身份验证[→]成功后进入数据导入页[→]选择源Excel文件[→]单击导入后格式通过执行SQL SERVER端数据导入[→]形成员工数据列表[→]结束

第二，安全新型管理设计[4]。主要是对数据、日志记录等进行合理性对照分析，从而保证数据安全应用管理，在用户进行数据页面后，相应系统会提醒进行数据还原操作。

例如，信息备份的具体流程为：开始[→]输入登录凭证[→]验证正确后进入数据后台完成数据还原[→]选择对应的备份文件进行BAK文件检查[→]格式正确的情况下恢复成功。

第三，客户资料信息管理设计，主要是对客户类别信息、维护信息以及详细信息等进行集中分析，有效判定相应内容的合理性，并且提升信息调取的及时性[5]。

例如，客户类别识别的具体流程为：开始[→]系统评级函数对数据进行分类[→]客户评级后对资产值进行分析[→]判定普通客户（资产值<p1）、重要客户（p1<资产值<p2）、VIP客户（资产值>p2）[→]进行流失预警的评估[→]完成客户资料的分类处理[→]结束

第四，客户服务信息设计，主要是对关怀客户、挽留客户等基础性服务项目进行综合判定，有效分析相应内容的同时，结合信息管理功能模块进行判定和数据处理，从而有效提升具体问题具体分析的时效性，并且全面建构完整的业务流程。值得一提的是，在信息管理过程中，要结合要求对具体操作进行规范，保证相应内容都能落实到位。

例如，客户投诉建议的具体流程为：开始[→]业务员登录相应的系统[→]进入系统中问题管理界面，查看客户的投诉列表[→]选择其中之一进行对应的回复[→]输入相应投诉回复信息[→]进行格式验证[→] 回复成功[→]结束。

第五，统计和分析设计，主要是电信业务进行体验问题的反馈和系统化分析。目前，流量问题是客户较为关注的话题，赠送的流量互相排斥以及不能进行流量叠加。另外，用户不了解相应的电信业务管理，充值未能及时到账、电信公司管理规范性等都是要进行数据统计和分析管理的，从而建构完整的回馈模式，以保证电信客户关系管理工作能全面优化[7]。

2 电信客户关系管理中应用数据挖掘技术系统的实现

电信客户关系管理中应用数据挖掘技术系统的过程中，要结合系统设计要求和基础进行物理模型实施方案的监督，保证程序购置安装以及程序编制测试工作都能有序开展，从而完成数据录入以及对应指令的处理。数据库连接的实现，主要是应用ADO.NET技术进行连接控制，添加连接字符串对象名称的同时也要对配置文件进行管理，确保能将服务器对象以及数据库对象等作为研究基础，建立完整的字符串模式，為完成操作提供保障。系统中加入数据挖掘技术如Apriori、K-means、回归方程、GBM、智能推荐算法、等。

第一，用户信息管理模块的实现。在电信客户关系管理中应用数据挖掘技术系统应用体系内，有效进行功能模块的添加、修改以及信息处理，确保导入信息以及导出信息都能获取Web控件的管理，在验证输入信息后就能完成信息提交和执行工作。

第二，安全性管理模块的实现，主要是在系统登录后就能利用安全管理进行身份的验证，确保ARIMA算法能对用户角色以及权限信息处理的完整性展开深度管理，且能有效完成时间序列预测，在输入信息后就能借助回归方程校对信息的匹配程度，并且完成对应的登录[6]。

第三，客户信息维护模块的实现，主要是添加个人以及集团的基础性信息，确保能提高信息的处理和判定效率。

第四，客户服务模块的实现，技术人员在单击“新增客户情况记录”后应用智能推荐算法能有效对相应信息进行分析，发挥数据库设计技术有效获取反馈建议，从而保证关怀项目以及挽留客户等模块都能发挥作用。

第五，统计和分析模块的实现，借助归一化处理方式构建数据矩阵，能对相应记录和训练数据进行对比分析[8]。

3 结束语

总而言之，在对电信企业客户关系管理项目进行研究和分析的过程中可知，要想提升工作的针对性和时效性，就要充分发挥软件工程的思想，整合数据挖掘技术的优势，建构完整的系统功能分析模块，满足不同应用需求，在整合功能性模块处理效率的基础上，确保对应的客户管理体系和指导性分析模块都能有效落实，提升电信企业客户关系管理水平。

参考文献：

[1] 吴苏.基于数据挖掘的娄底市移动公司客户流失预警研究[D].湖南大学，2016.

[2] 周静，周小宇，王汉生，等.自我网络特征对电信客户流失的影响[J].管理科学，2017，30（5）：28-37.

[3] 阿不都秀库尔·阿不都热依木.电信行业客户关系管理系统的设计与实现[D].厦门大学，2016.

[4] 高翔.某市电信公司客户关系管理系统的设计与实现[D].厦门大学，2016.

[5] 沈亮.数据挖掘在移动通信业客户关系管理中的应用研究[J].企业导报，2016（12）：28-29.

[6] 刘春，郑永坤.一种基于电信大数据的移动客户职业自动识别方法[J].广东通信技术，2017，37（9）：12-14.

[7] 段萍萍，王松松，杨欣，等.数据挖掘技术在电信CRM中的应用[J].卷宗，2016（5）：561-562.

[8] 彭凌志.大数据在电信行业市场客户营销和管理的应用[J].电脑知识与技术，2017，13（17）：275-276.

【通联编辑：代影】

作者：郭竑晖钟智慧

客户关系管理数据挖掘论文篇3：

客户关系管理中客户细分的数据挖掘分析

【摘要】主要研究客户关系管理中的客户细分的数据挖掘，对客户关系管理、客户细分以及数据挖掘的内涵与相关理论进行了认真学习，并对客户细分的数据挖掘方法进行了研究，对客户关系为中心的企业管理模式提供了技术支持。

【关键词】客户关系管理；客户细分；数据挖掘

市场经济给企业发展带来了日益激烈的竞争环境，企业开始重视客户资源的发掘与分析企业的工作重心逐渐从产品转移到客户。客户关系管理是客户细分的有效工具，而数据挖掘技术就是客户细分有力的技术支撑。

一、理论研究

1.客户关系管理

客户关系管理的目标是依靠高效优质的服务吸引客户，同时通过对业务流程的全面优化和管理控制企业运行成本。客户关系管理是一种管理理念，将企业客户视作企业发展最重要的企业资源，采用企业服务优化等手段来管理客户关系。但是客户管理管理同样是一种管理技术将最佳商业实践和数据挖掘、数据仓库、销售自动化以及信息技术结合起来，为企业销售、客户服务等提供了一整套业务自动化解决方案，为企业实现从电子商务现代化企业模式提出了明确的方法。客户关系管理并不是单纯的信息技术或者管理技术，也是一种企业生物战略，通过对企业客户的分段充足，强化客户满意的行为，优化企业可盈利性，将客户处理工作上升到企业级别，不同部门负责和客户进行交互，但是整个企业都需要向客户负责，在信息技术的支持下实现企业和客户连接环节的自动化管理。

2.客户细分

客户细分由美国学者温德尔·史密斯在上世纪50年代提出，认为客户细分是根据客户属性将客户分成集合。现代营销学中的客户细分是按照客户特征和共性讲客户群分为不同等级或者子群体，寻找相同要素，对不同类别客户心理与需求急性研究和评估，从而指导进行企业服务资源的分配，为企业获得客户价值的一种理论与方法。

因此我们注意到，客户细分其实是一个分类问题，但是却有着显著的特点。

（1）客户细分是动态的。企业不断发展变化，用户数据不断积累，市场因素的变化，都会造成客户细分的变化。所以客户细分工作需要根据客户情况的变化进行动态调整，减少错误分类，提高多次细分中至少有一次是正确分类的可能性。

（2）受众多因素影响。随着时间的推移，客户行为和心理会发生变化，所以不同时间的数据会反映出不同的规律，客户细分方法需要在变化过程中准确掌握客户行为的规律性。

（3）客户细分有不同的分类标准。一般分类问题强调准确性，客户关系管理则强调有用性，讲求在特定限制条件下实现特定目标。

3.数据挖掘

数据挖掘就是从大型数据库数据中提取有价值的，隐含的，事前未知的，潜在有用信息。数据挖掘技术不断发展，挖掘对象不再是单一数据库，已经逐渐发展到文件系统、数据集合以及数据仓库的挖掘分析。

二、客户细分的数据挖掘

1.逻辑模型

客户数据中有着若干离散客户属性和连续客户属性，每个客户属性为一个维度，客户作为空间点，全部客户都能够形成多为空间，作为客户的属性空间，假设A={A1，A2，…Am}是一组客户属性，属性可以是连续的，也可以离散型，这些属性就形成了客户m维属性空间。同时设g是一个描述客户属性的一个指标，f（g）是符合该指标的客户集合，即为概率外延，则任一确定时刻都是n个互不相交集合。在客户价值概念维度上，可分为“有价值客户”“潜在价值客户”“无价值客户”三种类型，定义Rb如下：

显然RB是一个等价关系，经RB可分类属性空间为若干等价类，每个等价类都是一个概念累，建立客户细分，就是客户属性空间和概念空间映射关系的建立过程。

2.客户细分数据挖掘实施

通过数据库已知概念类客户数据进行样本学习和数据挖掘，进行客户属性空间与概念空间映射的自动归纳。首先确定一组概念类已知客户集合。首先确定一个映射：p：C→L，使cC，如果cLi，则p（c）=Li。cC，求p（c）确定所属概念类。

数据部分有客户数据存储和概念维数据构成，客户数据存储有企业全部内在属性、外在属性以及行为属性等数据，方法则主要有关联规则分析、深井网络分类、决策树、实例学习等数据挖掘方法，通过对客户数据存储数据学习算法来建立客户数据和概念维之间的映射关系。

3.客户细分数据分析

建立客户动态行为描述模型，满足客户行为非确定性和非一致性要求，客户中心的管理体制下，客户细分影响企业战术和战略级别决策的生成，所以数据挖掘要能够弥补传统数据分析方法在可靠性方面的缺陷。

（1）客户外在属性。外在属性有客户地理分布、客户组织归属情况和客户产品拥有情况等。客户的组织归属是可数社会组织类型，客户产品拥有情况是客户是否拥有或者拥有哪些与其他企业或者其他企业相关产品。

（2）内在属性。内在属性有人口因素和心理因素等，人口因素是消费者市场细分的重要变量。相比其他变量，人口因素更加容易测量。心理因素则主要有客户爱好、性格和信用情况以及价值取向等因素。

（3）消费行为。消费行为属性则重点关注客户购买前对产品的了解情况，是客户细分中最客观和重要的因素。

三、结束语

从工业营销中的客户细分观点出发，在数据挖掘、客户关系管理等理论基础上，采用统计学、运筹学和数据挖掘技术，对客户细分的数据挖掘方法进行了研究，建立了基于决策树的客户细分模型，是一种效率很高的管理工具。

参考文献：