客户关系管理主要有几个方面:挖掘潜在客户、维持客户忠诚度、挖掘客户的盈利能力和交叉营销。在市场高速扩展的时期要重点关注挖掘潜在客户的工作;在市场相对饱和和稳定的时期,关键是做好维持客户忠诚度的工作,如果客户大量流失,大数据挖掘客户盈利能力和交叉营销只是在做无米之炊罢了。

下面通过一些应用的例子,说明客户关系管理中,应用数据挖掘技术的思路和要点。

在某酒店业务中,已有线下会员系统的订单,消费记录数据,又有网站上访客的访问、点击等行为偏好数据。我们希望在此基础上,区分哪些访客是潜在客户并进一步划分会员的等级,向不同的人群推送不同的消息,达到吸引新客户和维持老客户的目的。

基于对行业的认识,我们选取了8个关键指标来描述和区分访客群体。关键指标分别为:average_monthly_visits(平均每月访客次数)、average_pv_of_visit(平均每次访问页面数)、Visit_Duratio(访问时长)、Bounce_Rate(跳出率)、average_page_views_of_the_hotel(酒店页平均访问次数)、Hotel_page_view_proportion(酒店页访问时长)、Domestic_page_view_proportion(国内页访问时长)、Conv_Rate(转换率)。用上述指标分别对普卡、银卡、金卡、白金卡客户进行Twostep聚类分析。下面选用分析工具SPSS进行操作。为消除各项指标的数量级差别,用z-score方法对数据进行标准化变换,然后进行Twostep聚类,某类别会员的聚类情况如下:

数据根据特征不同自动分成两类,下面标记聚类中心点并转换成原始中心点以对比类别差异:

第1列是各项指标的均值,反映总体水平;第2列是各项指标的标准差,反映指标波动情况;第6、第7列是聚类中心点的指标值;以上数据可以看出“聚类2”各项指标都偏高,再比对其他会员的聚类特征,可以得出,“聚类2”有成为某会员级别的潜力,打上升级为下一等级的标签。其余数据处理类似以上过程。最终可得到以下特征类别并打上标签。

根据不同的标签,推送不同的消息,后续还可以根据结果检验以上模型的效果,对模型进行修正和改良。

通过以上例子,我们看到,客户关系管理的目的是摆在首位的。不管你用的数据挖掘工具有多棒,模型有多复杂,如果没达到挖掘潜在客户、维持客户忠诚度、挖掘客户的盈利能力和交叉营销的目的,就一点用处也没有。下面梳理一下思路,在目的明确的指引下,先理解业务,确定数据挖掘模型,选用数据挖掘工具,得出结果并指导营销方案,检验营销效果(模型效果),修正并改良数据挖掘模型,进行进一步的应用。客户关系管理中的数据挖掘要点就基本是这些。

以上只是抛砖引玉地介绍了一下客户关系管理中应用到的数据挖掘技术。还有客户关系中经典的RFM模型、排队论模型等等,由于篇幅有限,在这里就不一一细说了。