伴隨著數據庫和信息技術的發展，產生了大規模的海量數據，數據挖掘技術能夠自動地、快速地、智能地把歷史數據歸納成為有指導意義的信息。隨著3G 技術普及，各個運營商之間的競爭非常激烈，各個運營商為了增加客戶，留住不斷換網的用戶，因此對客戶關系管理的研究十分重視。本文將使用數據挖掘技術對客戶關系管理（簡稱：CRM）進行探索和研究。
1 數據挖掘技術概述
數據挖掘技術是一門融合了統計學、人工智能、機器學習、數據庫多方面知識的綜合性學科，人工智能處理、數據庫技術和數理統計是它的基礎。數據挖掘的主要任務是“知識發現”，它要從不完全的、大量的、有噪聲的、隨機的、模糊的實際歷史數據中發掘出人們事先未知的、規律性的，但又是潛在有用的，并且最終可以理解的知識和信息。
2 數據挖掘技術在移動CRM中的應用
2.1 移動CRM體系結構
移動客戶關系管理的體系結構主要分為合作型CRM、分析型CRM 和操作型CRM 三個部分，其結構如圖1所示。
圖1 移動CRM 體系結構圖
合作型CRM主要用于合作服務項目，它包括的內容有呼叫中心、電子郵件、電子社區等交流手段。分析型CRM 主要分析在操作層次的數據，把操作層的數據和客戶銷售連接起來。操作型CRM 能夠實現銷售與客戶服務業務的自動化。
2.2 數據挖掘處理移動CRM的流程
移動CRM 的數據挖掘流程如圖2所示。
圖2 移動CRM的數據挖掘流程圖
2.3 數據挖掘處理移動CRM的算法實現
為了使移動公司給客戶提供全方位的服務，通過客戶話單數據，采用迭代自組織數據分析算法對客戶群體進行了聚類分析，其算法實現流程如下：
步驟1：獲得所有樣品的特征；
步驟2：輸入閾值T，方差E，類中心數目C，最大迭代次數I（計算數據樣品之間的距離、方差的最小和最大值）；
步驟3：任意選取前N個樣品當做臨時的聚類中心M(i)；
步驟4：求所得到的各個樣品到已選定的臨時聚類中心的距離，將所得的樣品歸入選定的最近的類中心M(i) ；
步驟5：根據已經聚類的結果，重新計算各個聚類中心的特征中心；
步驟6：根據新的類中心，重新計算各聚類域中暫時已經聚類的樣品到新類中心間的距離，并且計算每一類樣品到聚類中心的平均距離；
步驟7：迭代計算出所有聚類域中各個樣品的平均距離，再計算出其總平均距離；
步驟8：根據所得平均距離值和閾值的大小，判斷聚類域的分裂、合并和迭代；
步驟9：合并操作，計算全部數據的聚類中心的距離值；
步驟10：分裂操作，求出所有數據的聚類中心所擁有的標準差向量，找出所有聚類域的具有中心標準差最大值的聚類域。
步驟11：如果是最后一次迭代運算則結束循環。否則循環繼續步驟4，迭代次數加1。
實驗結果表明移動用戶分為高消費組、中高消費組、中等消費組和低消費組四類用戶。
核心關注：拓步ERP系統平臺是覆蓋了眾多的業務領域、行業應用，蘊涵了豐富的ERP管理思想，集成了ERP軟件業務管理理念，功能涉及供應鏈、成本、制造、CRM、HR等眾多業務領域的管理，全面涵蓋了企業關注ERP管理系統的核心領域，是眾多中小企業信息化建設首選的ERP管理軟件信賴品牌。
轉載請注明出處：拓步ERP資訊網http://m.vmgcyvh.cn/
本文標題：數據挖掘技術在移動CRM中的應用
相關文章
