Click to edit Master title style,Click to edit Master text styles,Second level,Third level,Fourth level,Fifth level,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,第,2,章 商务智能应用,-,分析型,CRM,第2章 商务智能应用 -分析,企业在扩大市场、提高效率和保持客户的原始商业驱动力不变的情况下，如何继续保持竞争的优势。有远见的公司都会意识到，只有将自己建成能够对客户作出迅速反应的公司才能获得诸多收获，这些收获包括收入、新客户、客户满意度、客户回头率以及公司效益的增加，从而使竞争力大为提升。,企业在扩大市场、提高效率和保持客户的原始商业驱动力不变的情况,本章内容：,CRM,概述,CRM,与商务智能,客户行为分析,客户分类,案例分析,本章内容：CRM概述,CRM,概述,建立客户关系管理（,CRM,）系统的,目的是赋予企业更完善的与客户交流的能力,，即从潜在客户识别、生成有需求的客户，到销售完结以及不断进行的服务和支持，提供全过程的自动化处理和更好的协调与合作，以提高客户满意度和客户忠实度，增加市场机会和销售利润，为企业发展服务。,CRM概述建立客户关系管理（CRM）系统的目的是赋予企业更完,操作型,CRM,的设计目的是为了让业务人员在日常的工作中能够共享客户资源，减少信息流动滞留点。通过市场营销、销售和服务等业务流程的管理，将客户的各种信息收集并整合在一起，再将这些运营数据和外来的市场数据经过整合和变换，装载进,DW,。,协作型,CRM,就是能够让企业客户服务人员同客户一起完成某项活动。协作型应用目前主要由呼叫中心、客户多渠道联络中心、帮助台以及自助服务帮助导航，向客户解释特定内容的网页等。,操作型CRM的设计目的是为了让业务人员在日常的工作中能够共享,分析型,CRM,事实上是以,改善业务管理为目的的分析活动,，主要是分析现有的历史数据或者操作型,CRM,中获得的各种数据，进而为企业的经营、决策提供可靠的量化的依据。,在一家银行的信用卡客户中，可能有,80%,的人几乎不用信用卡交易，有,10%,的客户偶尔用卡交易，剩下,10%,的客户会频繁用卡交易，而这一部分客户可能为银行信用卡部带来,80%,的收入，所以这,10%,自然是最有价值的客户。,利用分析型,CRM,系统对客户进行细分，就可以针对有价值的客户开展特别的促销活动、提供更个性化的服务，这无疑将使企业以最小的投入获得最大的回报。,分析型CRM事实上是以改善业务管理为目的的分析活动，主要是分,商务智能与,CRM,如果说操作型与协作型,CRM,是企业的臂膀，那么分析型,CRM,就是企业的大脑。,数据整合,提供客户全景视图,利用数据仓库技术，可以将散落在各个业务数据库中的客户信息经过,ETL(,抽取、转换、加载,),过程，清洗、转化、连接、概括、集成为统一的分析数据,;,同时，数据仓库强大的数据存储及管理能力可以对海量客户数据有效的存储、索引、归类。,商务智能与CRM 如果说操作型与协作型CRM是企业的臂,信息提交过程,企业信息系统最终的关注点在于信息的传递，实现从数据到信息的深层次转化。,(1)OLAP,的多维立方体模型为用户提供多维的分析视图，通过钻取、旋转、切片,(,块,),等操作，使得用户可以随心所欲地对客户数据进行多维分析，获取关于客户的细分市场、购买模式、盈利能力等重要信息。,(2),通过简单易用的工具使得终端用户可以自由的按照自己的意图来操纵数据，从而为自己的业务问题提供信息支持。,(3),利用企业信息门户策略可以根据不同的用户定制信息界面，从而保证信息在适当的时间、通过适当的手段、传递到适当的人手中。,信息提交过程,客户知识的深入挖掘,(1),根据从客户知识发掘的信息，计算客户生命周期价值，以此作为客户分类的依据。针对不同类别的客户采取不同的措施,;,(2),预测客户将来一段时期的需求,;,(3),预测客户流失的可能性，或者采取及时的补救措施，或者做出减少不必要的投资等决策，最大限度地保留客户和降低企业的损失,;,(4),测评客户忠诚度，识别忠诚客户。,客户知识的展现,通过商务智能技术所获得的客户知识,(,特征、忠诚度、盈利能力、行为模式,),必须通过操作和协作型,CRM,系统才能最终实现为客户提供更好服务的目标，从而形成业务行动的闭环，真正发挥,CRM,的各层次的综合效应。,客户知识的深入挖掘,客户智能系统结构图,客户智能系统结构图,构建一个完整的智能,CRM,系统的几个步骤,:,1,整合客户信息资源,对于那些以前没有应用过任何,CRM,系统的企业来说，首先需要把孤立的业务系统整合到一个统一的平台之下，解决“信息孤岛”。 而对于己有,CRM,系统的企业，则需要建立一个企业信息门户，使客户和企业能在一个统一的界面下进行数据和信息交换，从而保证客户数据的一致性。,2.,建立客户数据仓库,规划数据仓库，以企业的业务模型为基础，确定需要建立能够描述主要业务主题的数据模型,;,设计数据仓库，根据逻辑模型和性能要求进行物理模型的设计，制定数据存储策略以及各种商业规则等；,构建一个完整的智能CRM系统的几个步骤:,(3),构造数据分析模型,根据企业需要分析的对象和目标，构造有针对性的分析模型。,针对客户对企业的贡献差异，构造客户盈利能力分析模型,;,针对客户对企业信用程度的不同，构造客户信用分析模型；,根据客户对产品功能的需求不同，构造客户分类分析模型；,根据客户的获得、流失情况，构造客户获取流失分析模型等等。,(4 ),建立客户知识管理系统,建立一个动态的客户知识库以及制定客户知识的分发规则和保存机制。与客户数据仓库一样，客户知识管理系统也不是一开始就能建立好的，它需要在使用的过程中进行不断地调整和完善，是一个动态完成的系统。,(3)构造数据分析模型,客户行为分析,(,获取新客户、客户流失与保持分析、客户盈利能力分析,),获取新客户,获取新客户就是“说服”原本不是你的客户的消费者成为你的客户。这些消费者可能是对你的产品,/,服务不了解的顾客，也可能是你的产品,/,服务的潜在消费者，还可能是你竞争对手的客户。,针对这些不同的消费者需要采用不同的策略才能有效的获取到新客户。另外，在获取新客户之前，不得不确定哪些消费者是值得努力的，预测不同客户对营销努力的反映情况也是提高获取新客户成功率的一个前提。还有，客户分优劣，有些客户获得时付出的努力要比他们成为公司客户后贡献的利润低，这样的客户还是不获得为好。,客户行为分析(获取新客户、客户流失与保持分析、客户盈利能力分,因此，企业要想通过,CRM,有效获得新客户，必须明确不同客户的特性。,目标市场在哪里,?,哪些客户是企业的潜在客户？,哪些潜在客户是优质客户？,客户获取的难易程度如何？,常用的数据挖掘技术和方法有分类与预测、聚类、关联分析和异类分析等。,例如用关联的方法，通过发现诸如“在购买,A,商品后，一段时间里顾客会接着购买商品,B,，而后购买商品,C”,这样的知识，来形成“,A-B-C”,客户行为模式。还可以对现有客户特征进行聚类分析，建立客户特征模型，以最有效地预测目标市场和发现潜在客户。,因此，企业要想通过CRM有效获得新客户，必须明确不同客户的特,K-,近邻分类方法,基本思想：,K,近邻分类是基于类比学习的，每个样本代表,d,维空间的一个点。当给定一个未知样本时，,K-,近邻分类法将搜索样本空间，找出最接近未知样本的,K,个训练样本，这,K,个训练样本是未知样本的,K,个“近邻”。,近邻性一般用欧几里德距离定义,：,或采用绝对值距离：,缺点：计算量大,优点：适合各种数据类型的数据,K-近邻分类方法 基本思想：K近邻分类是基于类比学习的，每,利用,K,近邻方法进行潜在客户预测,考察的客户自身属性：企业总资产值、年销售收入、距电器销售公司的地理距离及企业所处地域的经济发达程度。,客户的消费属性为过去一年内对电器销售公司的总购买额。,1.,数据处理：,销售公司 把客户的消费属性分为,10,万元以下、,10,万至,100,万、,100,万,500,万、,500,万以上四个区间，分别取值,1, 2, 3, 4,；,把企业所处地域的经济发达程度根据实际情况分为贫困、欠发达、发达、极发达四档，分别取值,1, 2, 3, 4,；,其余客户属性,(,企业总资产值、年销售收入、距销售公司的地理距离,),也通过区间划分完成量化及归一化处理。,表,1,是经过标准化处理的老客户数据，表,2,是经过标准化处理的潜在客户数据。,利用K近邻方法进行潜在客户预测考察的客户自身属性：企业总资,表,1,老客户数据,表,2,潜在客户数据,表1老客户数据表2潜在客户数据,2.,预测,为了预测客户,A,对公司电器产品的年购买额，我们只须从处理后的老客户数据中找到,K,个最近邻,(,这里设定,K=2),。,例如：,A,与客户,1,的距离：,D(A,，,l)=(1.5-1)+(2.4-1.6)+(1.6-1.2)+(0.4-0.4)=1.7,，同理计算可得到：,D(A,，,2)=1.9,，,D (A,，,3)=3,，,D (A,，,4)=2.9,，,D (A,，,5)=1.6,，,D (A,，,6)=2.5,可以看出，,A,的,2,个最近邻为老客户,1,和,5,，可以预测其对公司电器产品的年购买额将在,10,万和,100,万之间，我们还可以从处理之前的老客户数据库中得到客户,1,和,5,的实际年购买额，以对,A,的年购买额进行更精确的预计，假设销售公司规定年总购买额在,500,万以上的是公司的重点客户，那么我们可以进一步预测潜在客户的类别，从而可以指定精确的营销计划，来获取客户。,2.预测,将数据挖掘应用于客户的获取活动与传统的市场营销策略比较其优势在哪里？下面我们通过一个例子进行详细的说明。,某大银行,A,进行直邮的市场营销活动以获取信用卡客户，向,100,万名潜在客户提供信用卡的申请表。,使用传统的做法，,A,银行向这,100,万名潜在客户寄出信用卡申请表，共有,6%,的邮件得到申请回应。得到这些潜在客户的回应后，需根据信用风险程度对它们的申请进行筛选，毫无疑问，往往是信用差的潜在客户更可能申请信用卡，所以最终筛选后的结果只有,16%,的回应者是符合信用要求的，即大约占总潜在客户的,1% (6%16%1%),成为最终客户。,A,银行邮寄一份申请表需花费￥,1,的费用，每个客户在随后的两年将为银行带来￥,125,的利润。那么用传统方法营销得到的净回报：,￥,250,00 0(,￥,12510,000-,￥,11,000,000=Y250,0 00),将数据挖掘应用于客户的获取活动与传统的市场营销策略比较其优势,数据挖掘技术的应用,首先，,A,银行寄出,50,000,份进行测试，并对反馈的结果进行分析，将这些数据作为训练数据应用数据挖掘算法建立预测模型，包括潜在客户的回应的模型,(,可以用决策树方法,),和信用评分模型,(,可以用神经网络方法,),。,然后，结合这两个模型找出哪些潜在客户的信用风险低且很大可能会接受提供的申请表。根据这些方法，,A,银行在剩下的,950,000,个潜在客户中选取其中信用好的,700,000,个进行邮寄。结果是，通过这邮寄的,750,00 0,份申请表，共收到,9,000,个潜在客户接受信用卡，即接受的比率为,1.2%(9,000750,000=1.2%),，比传统方法的,1%,提高了,20,个百分点。还有,1,000,个客户在未寄的,250,000,个潜在客户中，他们是被模型筛选掉的，很明显，若对他们也进行邮寄的话，需花费￥,250,000,但他们带来的利益只有￥,125,000(,￥,1251 ,00 0=,￥,125,000),，表明为获得这些客户的成本是大于他们所能带来的收益的，故将他们放弃。,数据挖掘技术的应用,表,3,传统方法和数据挖掘方法获取新客户的比较,从表中可以看到，净利润增加了￥,125,000,，即使减去数据挖掘的成本￥,40,000,其最终净利润也还多出￥,85,000,。另外，本例中建立模型的投资回报率,(ROT),也比较高，为,212.5% (,￥,85,0 00,￥,40,0 00=212.5%,。从而显示了将数据挖掘技术应用与新客户获取中的优势所在。,表3 传统方法和数据挖掘方法获取新客户的比较从表中可以看到，,决策树分类方法,决策树提供了一种展示类似在什么条件下会得到什么值这类规则的方法。比如，在贷款申请中，要对申请的风险大小做出判断，图,1,是为了解决这个问题而建立的一棵决策树，从中我们可以看到决策树的基本组成部分：决策节点、分支和叶子。,是,否,是,否,是,否,收入, 40000,工作时间,5,年,高负债,低风险,高风险,低风险,高风险,决策树分类方法决策树提供了一种展示类似在什么条件下会得到什么,决策树的每个节点子节点的个数与决策树应用的算法有关。,如,CART,算法得到的决策树每个节点有两个分支，这种树称为二叉树。允许节点含有多于两个子节点的树称为多叉树。每个分支要么是一个新的决策节点，要么是树的结尾，称为叶子。,在沿着决策树从上到下遍历的过程中，在每个节点都会遇到一个问题，对每个节点上问题的不同回答导致不同的分支，最后会到达一个叶子节点。这个过程就是利用决策树进行分类的过程，即利用几个变量（每个变量对应一个问题）来判断所属的类别（最后每个叶子会对应一个类别）。,常用的算法有分类回归树,CART,、,ID3,、 和,C4.5,等,决策树的每个节点子节点的个数与决策树应用的算法有关。,ID3,算法运用信息熵理论，选择当前样本属性集中具有最大信息增益值的属性作为测试属性。该属性使得对结果划分中的样本分类所需的信息量最小，并反映划分的最小随机性或“不纯性”。这种信息理论方法使得对一个对象分类所需的期望测试数目达到最小，并确保找到一棵简单树。,设,S,是,s,个数据样本的集合。假定类标号属性具有,m,个不同值，,定义,m,个不同类,(i=1,m ),。设 是类中 的样本数。对一,个给定的样本分类所需的期望信息是：,其中,是任意样本属于,的概率，并用,估计。,ID3算法运用信息熵理论，选择当前样本属性集中具有最大信息,设属性,A,为测试属性，它具有,V,个不同的值,用,表示属性,A,取值为,的样本子集属于类 的样本数。,那么按照属性,A,的每个属性值进行分割的期望信息称作,A,的熵，由下式给出：,在,A,上分割获得的信息增益定义为：,依据上述方法，计算每个属性的信息增益，属性的信息增益,越大，区分度越大。,设属性A为测试属性，它具有V个不同的值用表示属性A取值为的样,通过对一组训练数据的学习，构造出决策树形式的知识表示，在决策树的内部结点进行属性值的比较并根据不同的属性值判断从该结点向下的分支，在决策树叶结点得到结论。所以从根到叶结点的一条路径就对应着一条规则，整棵决策树就对应着一组析取表达式规则。,基于决策树学习算法的一个最大的优点就是它在学习过程中不需要使用者了解很多背景知识。这样只要训练实例能够用属性,结论式的方式表达出来，就能使用该算法来进行学习。,通过对一组训练数据的学习，构造出决策树形式的知识表示，在决策,商务智能应用-分析型CRM课件,根据表中的数据，类反应有两个不同的值,(0,1),因此有两个不同的类（,m,2,）。设类,C1=0,类,C2=1,。则类,C1,有,7,个样本，类,C2,有,8,个样本。则给定样本分类的期望信息为：,I(s1,s2),I(7,8)=-7/15,2,(7/15)-,8/15,2,(8/15)=,0.997,现在计算每个属性的熵，,（,1,）职业：,销售：,S11=5,S21=4,则,I(S11,S21)=0.991,非销售：,S12=2,S22=4,则,I(S12,S22)=0.918,信息增益：,E(,职业,)=(S11+S21)*I(S11,S21)/S+(S12+S22)*I(S12,S22)/S,=0.991*9/15+0.918*6/15=0.9618,GAIN(,职业,),0.997-0.9618=0.0352,同理：,（,2,）收入：,GAIN(,收入,)=0.4308,（,3,）地区：,GAIN(,地区,)=0.114,（,4,）年龄,:GAIN(,年龄,)=0.226,根据表中的数据，类反应有两个不同的值(0,1),因此有两个不,图,2,按照“收入”分割得到的决策树,图2 按照“收入”分割得到的决策树,图,3,最终决策树,图3 最终决策树,从图,3,中我们可以很直观的分析出客户申请信用卡对“收入”、“年龄”、“地区”、“职业”四个属性的反应。可以得出一下规则：,1,）当收入小于等于,2000,元，如果年龄为中年的话一般没有兴趣；,2,）当收入小于等于,2000,元，来自地区为华北、西北、东北或其它的年轻人，一般没有兴趣；,3,）当收入小于等于,2000,元，来自地区为华东且为年轻人一般有兴趣；,4,）当收入大于,2000,元，且来自华北、华东、东北或其它地区，一般有兴趣；,5,）当收入大于,2000,元，来自西北地区且为年轻人一般有兴趣；,6,）当收入大于,2000,元，来自西北地区且为中年人一般没有兴趣。,从图3中我们可以很直观的分析出客户申请信用卡对“收入”、“年,选择了合适的算法后，我们只需要把切分看成是把一组数据分成几份，份与份之间尽量不同，而同一份内的数据尽量相同。如果经过一次切分后得到的分组，每个分组中的数据都属于同一个类别，显然达到这样效果的切分方法就是我们所追求的。,假定我们利用历史数据建立了一个包含几百个属性、输出的类有十几种的决策树，这样的一棵树对人来说可能太复杂了，但每一条从根结点到叶子节点的路径所描述的含义仍然是可以理解的。决策树的这种易理解性对数据挖掘的使用者来说是一个显著的优点。然而决策树的这种明确性可能带来误导。比如，决策树每个节点对应分割的定义都是非常明确毫不含糊的，但在实际生活中这种明确可能带来麻烦（凭什么说年收入,2001,的人申请信用卡，而,2000,的人就没有）。,另外， 树的大小与样本数量无关，计算量较小。,选择了合适的算法后，我们只需要把切分看成是把一组数据分成几份,客户保持和流失,客户发展阶段：潜在客户,新客户,满意的客户,留住的客户,老客户。,经济学广泛应用的“,80/20,定律”,(,佩尔图定律,),，具体到,CRM,中是说企业,80%,的利润是由前,20%,的客户所创造的；又如,1989,年的哈佛商业评论中提到若客户保持率提高,5%,平均每位客户的价值就能增加,25%,到,100%,。这些数字都充分说明了提高客户的忠诚度、保持好的客户对于企业本身的利益是至关重要的。,比如在美国，移动通信公司每获得一个新用户的成本平均是,300,美元，而挽留住一个老客户的成本可能仅仅是通一个电话。,客户保持和流失客户发展阶段：潜在客户新客户满意的客户留,因此客户关系管理首先提倡的是保持现有客户，实现现有客户的重复购买是企业追求的首要目标。其次才是开拓新市场，吸引新客户。通过数据挖掘可以发现流失客户的特征，这样就可以在那些具有相似特征的客户还未流失之前进行针对性的弥补。,例如一家移动通信公司挖掘出的结果是,:,年龄在,26,岁以下、开通了,WAP,服务、移动电话价值,(,购买时,),在,1800-2800,元、每月通话费在,250-350,元之间,(,包月制则是,200,元和,280,元两档,),的男性流失的比例最高。掌握了这些信息，就可以针对每个人的贡献，满足他们的一些需求,。,因此客户关系管理首先提倡的是保持现有客户，实现现有客户的重复,客户流失的原因主要有以下,4,种类型：,自然流失,客户流失不是人为因素造成的，比如客户的搬迁和死亡等。自然流失所占的比例很小。企业可以通过建立连锁服务网点和经营分公司，或者提供网上服务等方式，让客户在任何地方、任何时候都能方便快捷地使用企业的产品和服务，减少自然流失的发生。,恶意流失,是指一些客户为了满足自己的某些私利而离开企业，比如很多电信运营商的用户在拖欠了大额通信费用后离开这家电信运营商，选择其他电信运营商提供的服务，从而达到不交费用的目的。恶意流失在客户流失中所占的比例也不大。企业可以通过客户信誉管理制度和欺诈监测来防止客户的恶意流失行为。,客户流失的原因主要有以下4种类型：,竞争流失,由于企业竞争对手的影响而造成的流失称为竞争流失。市场上的竞争突出表现在价格战和服务战上。,过失流失,客户流失都是由于企业自身工作中的过失引起客户的不满意而造成的，比如企业形象不佳、产品性能不好、服务态度恶劣等。过失流失在客户流失总量中所占的比例最高，但同时也是企业可以通过采取一些有效手段来防止的。,客户流失预测分析能帮助企业理解客户将要离开的信号，使企业有充分的时间采取措施挽留有流失倾向的客户。在客户关系分析中，客户流失预测分析模型的可解释性非常重要，企业要能清晰地理解分类模型中的各个因素以及各个因素的作用程度，根据分类模型理解影响客户流失的因素，以便于企业做出相应的改进。,竞争流失,影响客户流失的因素主要从以下几个层面考虑，,竞争对手情况：竞争对手最近开发新产品情况、竞争对手最近开发新促销策略；,企业和员工形象：产品更新快慢程度、员工的态度和形象、员工的流动率、企业文化和形象；,客户购买行为：客户是否接触竞争对手的产品、客户对企业的满意度、客户与企业交往的时间长度、客户最近的购买频率和数量的变化情况；,产品和服务质量：服务体制是否完善、客户投诉是否处理、服务质量和服务的及时性、产品的质量和价格；,影响客户流失的因素主要从以下几个层面考虑，,客户流失模型的建立和应用过程如下：,在客户数据仓库中抽取适当的字段组成客户分析数据库，为客户描述和客户流失模型提供数据源；,客户流失预测分析属于数据挖掘中的分类，客户是否己经流失为类标号，因此，根据客户是否流失情况，将客户分析数据库分离为当前客户数据库和流失客户数据库；,对流失客户数据库进行分析，建立客户流失模型。随机选择流失客户中的,2/3,为训练数据，建立分类器，得出分类模型。将剩下的,1/3,数据作为测试数据代入分类模型中，预测准确率。如果准确率过低，则重复以上过程，直到分类模型的准确率满足用户的需求，得出客户流失模型；,从客户流失模型中分析影响客户流失的各种原因，找出企业的不足之处，发现流失者的行为特征。运用客户流失模型在当前客户数据库中发现预测有流失倾向的客户群体。,客户流失模型的建立和应用过程如下：,在预测客户的流失建模中较为常用的数据挖掘算法是,CART(Classificationand Regression Trees,，分类回归树,),，它是分类方法中决策树的一种算法。,尽管其他的一些数据挖掘技术，如神经网络也可以产生很好的预测模型，但是这些模型很难理解。当用这些模型做预测分析时，很难对客户流失的原因有深入的了解，更得不到如何对付客户流失的任何线索。在这种情况下，一般需要使用决策树或聚类技术等分类方法进一步的分类，来得到更深入的了解，所以生成的预测模型就相对复杂的多。,在预测客户的流失建模中较为常用的数据挖掘算法是CART(Cl,客户流失数据集有其自身较为显著的特点,:,客户流失数据集中包含较多的连续值属性，如客户的年龄，收入信息，各项消费信息等。,客户流失数据集是一个典型的非平衡分布数据集。流失客户与非流失客户之间相差的比例很大。流失客户在数据集中一般只占一个较小的比例。分类算法在处理非平衡数据集的分类问题时，容易受到样本类别分布的影响，对少数类的分类精度不高，其效果并不理想。,例如：,TeleData,为某电信运营商提供的客户信息数据集，其中包括用户的人口统计特征和通信消费特征，通过数据挖掘技术，挖掘出流失客户的分类模型，从而提出策略，指导客户挽留。,客户流失数据集有其自身较为显著的特点:,商务智能应用-分析型CRM课件,客户忠诚度分析,客户忠诚度一般是指客户坚持重复购买或惠顾自己喜欢的同一品牌的产品或服务，不受环境和市场的影响。,客户忠诚主要表现在以下几个方面：,（,1,）会经常反复地购买本企业的产品或服务，甚至可以定量分析出他们的购买频数；,（,2,）在购买企业产品或服务时，选择呈多样性，但是优先关心和选择其忠诚的企业品牌的产品或服务以及其产品或服务的发展情况；,（,3,）乐于向他人推荐本企业产品，被推荐者相对于其他客户会更容易地认同推荐的产品或服务；,（,4,）会排斥本企业的竞争对手，只要忠诚的纽带未被打破，他们甚至不屑于略胜一筹的竞争对手。,客户忠诚度分析客户忠诚度一般是指客户坚持重复购买或惠顾自己喜,衡量客户忠诚的,唯一尺度就是客户是否重复或持久地购买企业的产品或者服务,，顾客忠诚体现为具体的购买行为，具有很强的客观现实色彩，是实实在在的。而客户忠诚的诱因主要是客户满意，顾客满意是一种期望值与感知效果的比较，是一种心理反应，它取决于顾客的“期望”，具有很强的主观色彩。所以，客户忠诚度分析标准是一个较为模糊的概念。,首先可用聚类分析进行客户忠诚度分析，根据所得的聚类结果，将每一类赋以具体标记，然后进行分类，构造出忠诚客户的具体特征。或者是通过行业专家进行标记。,在现有数据库信息资源的条件限定下，客户忠诚度的分析同客户忠诚度具体的量化定义就有了密切的联系。根据需要，企业可以对客户的一些具体表现设定相应的观测变量，如：货款到达的及时性、购物占购货企业货物销量总量的比例、信息的虚假程度、货物价格的接受程度、持续交易的时间、重复购买的次数、购买方式等。,衡量客户忠诚的唯一尺度就是客户是否重复或持久地购买企业的产品,客户忠诚度分析模型的建立和应用过程如下：,（,1,）根据己有定义选定相关的分析变量；,（,2,）从企业的业务数据库中收集整理原始数据，按客户忠诚度分析所需的字段组建企业客 户的数据仓库系统；,（,3,）检验分类与实际的吻合程度，选取或确定合适的分类数，目前许多企业设定为,5,类；,（,4,）观察分析每类的特点，给每类赋以类标记；,（,5,）对带有忠诚度类标记的数据建立分类模型；,（,6,）根据忠诚度模型描述忠诚度客户的特征，帮助企业识别忠诚客户，根据客户忠诚度的不同，提出相应的营销与客户管理措施。,客户忠诚度分析模型的建立和应用过程如下：,客户满意度分析,客户满意度分析模型的建立过程和客户忠诚度分析类似：,（,1,）首先，通过多种方式进行客户满意度调查，影响客户满意度模型的主要因素包括,:,服务和系统支持、产品,/,服务技术表现、客户互动的因素、情感因素等。不同行业影响客户满意度的因素各不相同，但是基本都离不开这几个层次。客户的满意程度一般分为,5,个档次，,1,到,5,分别代表“很不满意”、“不很满意”、“基本满意”、“满意”和“很满意。,（,2,）将客户满意度调查结果收集记录到企业的数据库中，构建客户数据仓库，在客户数据仓库中抽取适当的字段组成客户满意度分析数据。这些字段包括客户基本描述数据和满意度调查数据。客户的基本描述数据，包括客户的受教育水平、客户的性格偏好、客户的职业等，因为这些因素会影响客户对外界事务的态度，因此应当给予考虑。,客户满意度分析客户满意度分析模型的建立过程和客户忠诚度分析类,（,3,）客户满意度分析,属于数据挖掘中的分类,，对客户满意度数据实施数据挖掘技术，建立分类器，得出分类模型。,（,4,）研究客户满意度的分类模型，在分类模型中越靠近上层的因素越是主要因素。找出使客户满意的关键因素，企业继续在这些方面努力从而进一步提高客户的满意度。找出导致客户不满意的关键因素，帮助企业认清不足，加强管理。,（3）客户满意度分析属于数据挖掘中的分类，对客户满意度数据实,交叉销售,公司与其客户之间的商业关系是一种持续的不断发展的关系。在客户与公司建立起这种双向的商业关系后，可以有很多种方法来优化这种关系：,延长这种关系的时间,在维持这样的关系期间增加互相的接触,在每一次互相接触中获得更多的利润,作为公司，其目标是要达到双赢的结果，即客户和商家都可以从中获益。客户获益是由于他们得到了更好更贴切的服务质量，商家则因为增加了销售量而获利。因此，企业就需要向已有的客户进行销售，这就是交叉销售。,交叉销售就是指你向现有的客户提供新的产品和服务的营销过程,。,交叉销售公司与其客户之间的商业关系是一种持续的不断发展的关系,在这里，我们看一下如何回答市场人员经常问的一个问题,:“,我应该向什么人销售什么产品,?”,。更准确的来看，这可以分成以下三个问题：,1,哪些产品是经常被一块购买的？,2,哪些产品是经常被同类型的顾客购买的？,3,顾客购买某种商品的可能性有多大？,以上三个问题可以分别用数据挖掘中的关联、聚类、预测分析加以解决。,在这里，我们看一下如何回答市场人员经常问的一个问题:“我应该,关联分析,关联分析就是从给定的数据集中发现频繁出现的项集模式知识（又称关联规则）。典型例子是购物篮分析。关联规则研究有助于发现交易数据库中不同商品（项） 之间的联系，找出顾客购买行为模式，如购买了某一商品对购买其他商品的影响。有时并不知道数据库中数据的关联函数，即使知道也不确定，因此关联分析生成的规则带有可信度。,通常关联规则具有,A,B,的形式，即,:,A,1,A,2,A,m,B,1,B,2, B,n,，,其中，,A,i,B,j,均是属性或项，表示数据库中满足,X,中条件的记录也一定满足,Y,中的条件。,涉及到两个概念：支持度和可信度,关联分析关联分析就是从给定的数据集中发现频繁出现的项集模式知,若要确定,X,Y,Z,的规则，则支持度,s,表示一次交易中包含,X,Y,Z,的可能性。可信度,c,表示包含,X,Y,的交易中也包含,Z,的条件概率。,例如：上述表格中左边是交易项目，右边是根据交易的事实来确定的支持度，那么现在来确定在交易事实中是否存在,A C,的规则。,Confidence(A C)=support(A,C)/support(A)=66.6%,为了挖掘出具有价值的规则，通常规定最小支持度和最小置信度作为两个参数的阈值,.,若要确定X,YZ的规则，则支持度s表示一次交易中包含,关联规则挖掘可以分解为两个步骤：首先找出交易项目中满足最小支持度（,minSupp,）的项集（称其为频繁项集）；然后由频繁项集生成关联规则，对于频繁项集,A,，若,B,A,，且置信度,confidence(B,A-B),不小于最小置信度,minConf,，则,B,A-B,构成关联规则。在第一步的基础上完成第二步比较容易，所以目前的研究主要集中第一步上。,关联规则的应用：,交叉销售：基于消费者的购买模式，主动进行交叉销售；,商品摆放：将经常一起购买的东西一起摆放；,流失客户分析：可分析是否是由于某些关键商品缺失引起的。,关联规则挖掘可以分解为两个步骤：首先找出交易项目中满足最小支,。,，,Apriori,算法是挖掘关联规则的经典算法，挖掘的对象是诸如售货记录之类的数据所组成的事务数据库，而挖掘的结果则是类似于“购买面包的同时也可能购买黄油”的关联规则。,设,I=I1,I2,Im,是项的全体构成的集合，项的集合称为项集，包含,K,个项的项集称为,K-,项集。,D,是数据库事务构成的集合，其中每个事务,T,又是一个项集，且,T,I,。,Apriori,使用一种称作,逐层搜索的迭代方法,：,(K-1),项集用于搜索,K,项集。即：首先找出频繁,1,项集的集合，记做,L,1,；,L,1,用于找出频繁,2,项集的集合,L,2,如此下去，直到找到,L,k,k,不再增加。为了提高频繁集逐层产生的效率，一个称作,Apriori,性质,用于压缩搜索空间。,Apriori,性质,：频繁项集的所有非空子集都必须是频繁的。,根据定义项集,I,不满足最小支持度阈值，则,I,不是频繁的，若项,A,添加到,I,中，则结果项集（,I,A,）不可能比,I,更频繁。,。，Apriori算法是挖掘关联规则的经典算法，挖掘的对象,连接：为了找,L,K,通过,L,K-1,与自己连接产生候选,K,项集的集合,C,K,。设：,l,i,是,L,K-1,中的项集，,l,i,j,表示,l,i,的第,j,项。则,L,k-1,的元素,l,1,、,l,2,是可以连接的，如果满足：,l,1,1=l,2,1,l,1,2=l,2,2, ,l,1,k-2=l,2,k-2,l,1,k-1 MSE2,MSE2 =,0.0861,MSE1 =,（第14讲）考场作文开拓文路能力分解层次(网友来稿),江苏省镇江中学 陈乃香说明：本系列稿共24讲，20XX年1月6日开始在资源上连载【要义解说】文章主旨确立以后，就应该恰当地分解层次，使几个层次构成一个有机的整体，形成一篇完整的文章。如何分解层次主要取决于表现主旨的需要。【策略解读】一般说来，记人叙事的文章常按时间顺序分解层次，写景状物的文章常按时间顺序、空间顺序分解层次；说明文根据说明对象的特点，可按时间顺序、空间顺序或逻辑顺序分解层次；议论文主要根据“提出问题分析问题解决问题”顺序来分解层次。当然，分解层次不是一层不变的固定模式，而应该富于变化。文章的层次，也常常有些外在的形式：1小标题式。即围绕话题把一篇文章划分为几个相对独立的部分，再给它们加上一个简洁、恰当的小标题。如世界改变了模样四个小标题：寿命变“长”了、世界变“小”了、劳动变“轻”了、文明变“绿”了。 2序号式。序号式作文与小标题作文有相同的特点。序号可以是“一、二、三”，可以是“A、B、C”，也可以是“甲、乙、丙”从全文看，序号式干净、明快；但从题目上看，却看不出文章内容，只是标明了层次与部分。有时序号式作文，也适用于叙述性文章，为故事情节的展开，提供了明晰的层次。 3总分式。如高考佳作人生也是一张答卷。开头：“人生就是一张答卷。它上面有选择题、填空题、判断题和问答题，但它又不同于一般的答卷。一般的答卷用手来书写，人生的答卷却要用行动来书写。”主体部分每段首句分别为：选择题是对人生进行正确的取舍，填空题是充实自己的人生，判断题是表明自己的人生态度，问答题是考验自己解决问题的能力。这份“试卷”设计得合理而且实在，每个人的人生都是不同的，这就意味着这份人生试卷的“答案是丰富多彩的”。分解层次，应追求作文美学的三个价值取向：一要匀称美。什么材料在前，什么材料在后，要合理安排；什么材料详写，什么材料略写，要通盘考虑。自然段是构成文章的基本单位，恰当划分自然段，自然就成为分解层次的基本要求。该分段处就分段，不要老是开头、正文、结尾“三段式”，这种老套的层次显得呆板。二要波澜美。文章内容应该有张有弛，有起有伏，如波如澜。只有这样才能使文章起伏错落，一波三折，吸引读者。三要圆合美。文章的开头与结尾要遥相照应，把开头描写的事物或提出的问题，在结尾处用各种方式加以深化或回答，给人首尾圆合的感觉。【例文解剖】 话题：忙忙，不亦乐乎 忙，是人生中一个个步骤，每个人所忙的事务不同，但是不能是碌碌无为地白忙，要忙就忙得精彩，忙得不亦乐乎。 忙是问号。忙看似简单，但其中却大有学问。忙是人生中不可缺少的一部分，但是怎么才能忙出精彩，忙得不亦乐乎，却并不简单。人生如同一张地图，我们一直在自己的地图上行走，时不时我们眼前就出现一个十字路口，我们该向哪儿，面对那纵轴横轴相交的十字路口，我们该怎样选择?不急，静下心来分析一下，选择适合自己的坐标轴才是最重要的。忙就是如此，选择自己该忙的才能忙得有意义。忙是问号，这个问号一直提醒我们要忙得有意义，忙得不亦乐乎。 忙是省略号。四季在有规律地进行着冷暖交替，大自然就一直按照这样的规律不停地忙，人们亦如此。为自己找一个目标，为目标而不停地忙，让这种忙一直忙下去。当目标已达成，那么再找一个目标，继续这样忙，就像省略号一样，毫无休止地忙下去，翻开历史的长卷，我们看到牛顿在忙着他的实验；爱迪生在忙着思考；徐霞客在忙着记载游玩；李时珍在忙着编写本草纲目。再看那位以笔为刀枪的充满着朝气与力量的文学泰斗鲁迅，他正忙着用他独有的刀和枪在不停地奋斗。忙是省略号，确定了一个目标那么就一直忙下去吧!这样的忙一定会忙出生命灵动的色彩。 忙是惊叹号。世界上的人都在忙着自己的事，大自然亦如此，小蜜蜂在忙，以蜂蜜为回报。那么人呢?居里夫人的忙，以放射性元素的发现而得到了圆满的休止符；爱因斯坦在忙，以相对论的问世而画上了惊叹号；李白的忙，以那豪放的诗歌而有了很大的成功；张衡的忙，因为那地动仪的问世而让世人仰慕。每个人都应该有效率的忙，而不是整天碌碌无为地白忙。人生是有限的、短暂的，因此，每个人都应该在有限的生命里忙出属于他的惊叹号；都应在有限的生命里忙出他的人生精彩篇章。 忙是万物、世界、人生中都不可缺少的一部分。作为这世上最高级动物的我们，我们在忙什么呢?我们要忙得有意义，有价值，我们要忙出属于我们的精彩。我们的忙不能永远是问号，而应是省略号和感叹号。忙就要忙得精彩，忙得不亦乐乎。 解剖：本文将生活中的一句口头禅“忙得不亦乐乎”机智翻新，拟作标题，亮出一道美丽的风景。并据此展开述说，让人神清气爽。文章开篇扣题，亮出观点：忙，是人生中一个个步骤，不能碌碌无为地白忙，要忙就忙得精彩，忙得不亦乐乎。然后，作者分别用问号、省略号、惊叹号巧妙设喻，抓住这三种标点符号的特征，摆实事，讲道理，入情入理，入理入心。深刻地阐明人生忙，忙要像问号一样，经常问