资源描述：
《客户关系管理论文范文：数据挖掘理论如何运用于电信客户关系管理 》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
1、客户关系管理论文范文：数据挖掘理论如何运用于电信客户关系管理----客户关系管理论文-->1电信客户关系管理
2、1.1客户关系管理的基本概念简单地说,CRM是一个获取、保持和增加可获利论文范文客户的过程。CRM源于“以客户为中心”的新型商业模式,是一种旨在改善企业与客户之间关系的新型管理机制,它通过将人力资源、业务流程与专业技术进行有效的整合,向企业的销售、市场和服务等部门和人员提供全面、个性化的客户资料,并强化跟踪服务和信息分析能力,使得企业可以以更低成本、更高效率地满足客户的需求,并与客户建立起基于学习型关系基础上的一对一营
3、销模式,从而可让企业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。CRM将先进的思想与最佳的实践具体化,通过使用当前多种先进的技术手段帮助企业从根本上提升核心竞争力,使企业在当前激烈的竞争环境中立于不败之地。1.2电信客户关系管理的特点电信运营企业作为经营电信业务的服务商有其独特的市场特性和客户特性。首先,电信企业的客户具有多元性,从党政机关、经济组织和社会团体,直到居民个人都是其客户;其次,电信客户需求具有多元性,从团体到个人,从城市到农村
4、,从“金领”、“白领”到低收入家庭对电信服务有各种层次的需求;最后,电信服务产品之间的替代性较强,市场竞争性较强,客户使用电信服务的随机性也较强。这决定了电信企业的CRM有自己的特点和需求:80%的利润来自占客户总量20%的企业客户;客户加入时间越长,对电信公司的价值越高;老客户介绍新客户是最有效、最经济的销售方式;了解客户对电信业务服务的需求才能推出满足客户需求的打包服务,提高客户的忠诚度并留住客户;目标客户的类别划分越明确,促销效果越好,转换率越高。针对电信运营企业的特点和竞争需求,要求电信CRM分析的主要内容有:一是有关
5、客户的年龄、收入、地区、性别、婚姻、种族、职业、职称和文化水平等;二是分析占比例最大和最小的客户群;三是评定客户信用度、排名贡献度和时段分析;四是分析客户风险系数分布及对经营风险的影响程度;五是分析客户的流失情况等。1.3电信客户关系管理的关键技术CRM是一个融数据挖掘技术、数据仓库技术、呼叫中心(CTI技术)和客户支持管理为一体的综合应用数据挖掘在电信客户关系管理中的应用系统。这里主要介绍数据挖掘技术在电信客户关系管理中的应用。2数据挖掘技术2.1数据挖掘的概念数据挖掘的概念可以被简单地描述为:按企业既定业务目标,对大量的企
6、业数据进行探索和分析,揭示隐藏的、未知的或验证已知的规律性,并将其模型化。数据挖掘也可以称为数据库中的知识发现(Kno中,主要是对与客户有关的数据库中的大量业务数据进行信息抽取、转换、分析和其他模型化处理,从中提取辅助经营决策的关键性数据。数据挖掘主要有以下5个功能。(1)自动预测趋势和行为数据挖掘自动在大型数据库中寻找预测性信息,以往需要进行大量手工分析的问题如今可以迅速直接由数据本身得出结论。一个典型的例子是市场预测问题,数据挖掘使用过去有关促销的数据来寻找未来投资中回报最大的用户。(2)关联分析数据关联是数据库中存在的一
7、类重要的可被发现的知识。若两个或多个变量的取值之间存在某种规律性,就被称为关联。关联可分为简单关联、时序关联、因果关联。关联分析的目的是找出数据库中隐藏的关联网。(3)聚类数据库中的记录可划分为一系列有意义的子集,即聚类。聚类增强了人们对客观现实的认识,是概念描述和偏差分析的先决条件。聚类技术主要包括传统的模式识别方法和分类学。(4)概念描述概念描述就是对某类对象的内涵进行描述,并概括这类对象的有关特征。概念描述分为特征性描述和区别性描述,前者描述某类对象的共同特征,后者描述不同类对象之间的区别。生成一个类的特征性描述只涉及该
8、类对象中所有对象的共性。生成区别性描述的方法很多,如决策树方法和遗传算法等。(5)偏差检测数据库中的数据常有一些异常记录,从数据库中检测这些偏差很有意义。偏差包括很多潜在的知识,如分类中的反常实例、不满足规则的特例、观测结果与模型预测值的偏差和量值随时间的变化等。2.3数据挖掘的建模数据挖掘之所以能准确地告诉你那些隐藏在大量数据深处的重要信息并作出预测,是通过建模技术实现的。建模就是对人们知道结果的情况建立起一种模型,并且把这种模型应用到人们所不知道结果的情况中。模式有很多种,按功能可分为两大类:预测型(Predictive)
9、模式和描述型(Descriptive)模式。预测型模式是可以根据数据项的值精确确定某种结果的模式。描述型模式是对数据中存在的规则做一种描述,或者根据数据的相似性把数据分组。描述型模式不能直接用于预测。在数据挖掘的应用中,根据模式的实际作用细分为以下6种常用模式。(1)分类模式
