首頁>>>技術(shù)>>>CRM　　CRM產(chǎn)品

制造業(yè)CRM的客戶流失分析

陳思行 陳保鋼 2009/09/14

　　隨著全球經(jīng)濟(jì)一體化的浪潮，中國(guó)正在成為世界制造業(yè)的中心，它為中國(guó)的企業(yè)提供了更多機(jī)會(huì)的同時(shí)，也帶來了更強(qiáng)勁的競(jìng)爭(zhēng)。隨著全球化競(jìng)爭(zhēng)的加劇，制造企業(yè)開始尋求新的戰(zhàn)略競(jìng)爭(zhēng)點(diǎn)，整個(gè)產(chǎn)業(yè)也逐漸從產(chǎn)品和價(jià)格競(jìng)爭(zhēng)轉(zhuǎn)向服務(wù)競(jìng)爭(zhēng)。為了提高企業(yè)的競(jìng)爭(zhēng)力，目前很多企業(yè)在信息化技術(shù)方面加大了投入。比如ERP、PDM和CRM等信息技術(shù)在企業(yè)的推廣應(yīng)用等。

　　ERP的意思是企業(yè)資源計(jì)劃，系統(tǒng)主要包括四大部分，即財(cái)務(wù)管理、生產(chǎn)制造管理、分銷與后勤管理及其他管理模塊。它的重點(diǎn)是在企業(yè)的內(nèi)部生產(chǎn)領(lǐng)域。它強(qiáng)調(diào)的是以產(chǎn)品為中心，以企業(yè)內(nèi)部生產(chǎn)領(lǐng)域?yàn)橹攸c(diǎn)。

　　PDM側(cè)重于對(duì)產(chǎn)品開發(fā)階段數(shù)據(jù)和企業(yè)內(nèi)部產(chǎn)品數(shù)據(jù)的管理，它的體系結(jié)構(gòu)是強(qiáng)調(diào)以文檔為中心的研發(fā)流程管理，重點(diǎn)在于建立文檔之間的聯(lián)接。

　　CRM (Custom Relationship Management)的意思是客戶關(guān)系管理，它強(qiáng)調(diào)把客戶放在核心位置，其理念要求企業(yè)完整地認(rèn)識(shí)整個(gè)客戶生命周期，圍繞“客戶接觸點(diǎn)”，提供與客戶溝通的統(tǒng)一、集成的平臺(tái)和工具，涉及企業(yè)一切與客戶有關(guān)的信息交互進(jìn)行處理，提高員工、客戶接觸的效率和客戶反饋率，為客戶提供整體的服務(wù)!同時(shí)采用數(shù)據(jù)挖掘技術(shù)對(duì)有關(guān)信息進(jìn)行分析，得到有價(jià)值的信息和知識(shí)。

　　如果說現(xiàn)在企業(yè)的競(jìng)爭(zhēng)是產(chǎn)品的競(jìng)爭(zhēng)、企業(yè)資源的競(jìng)爭(zhēng)，那么，不久的將來它將轉(zhuǎn)向以客戶為中心的服務(wù)上。CRM系統(tǒng)正是為滿足上述需求應(yīng)運(yùn)而生。目前，在發(fā)達(dá)國(guó)家，制造業(yè)的服務(wù)創(chuàng)新已成為企業(yè)利潤(rùn)的增長(zhǎng)點(diǎn)。

　　本文針對(duì)CRM客戶關(guān)系管理中的客戶流失問題，結(jié)合制造業(yè)的特點(diǎn)，從數(shù)據(jù)挖掘技術(shù)層面進(jìn)行思路探討。試圖得到企業(yè)管理層面和信息技術(shù)層面對(duì)CRM客戶關(guān)系管理中的客戶流失問題予以關(guān)注，為企業(yè)未來贏得新的利潤(rùn)增長(zhǎng)點(diǎn)。

　　1.問題由來

　　CRM對(duì)制造商的作用在于了解客戶所有的行為活動(dòng)并確保與客戶的關(guān)系。它能把前端辦公和后臺(tái)生產(chǎn)聯(lián)系起來，是企業(yè)和客戶的交叉點(diǎn)，能幫助制造商制造出定制化的產(chǎn)品，增加銷售并降低營(yíng)銷開支，且使客戶的購買變得更加方便。制造業(yè)CRM系統(tǒng)主要包括營(yíng)銷管理、銷售管理、服務(wù)管理、呼叫中心、客戶信息管理、決策支持等多個(gè)模塊。它的關(guān)鍵技術(shù)之一在于能否提供基于聯(lián)機(jī)分析處理的數(shù)據(jù)倉庫技術(shù)，從而具備動(dòng)態(tài)、整合的客戶數(shù)據(jù)管理和查詢功能，對(duì)客戶購買行為具有參考功能;對(duì)客戶流失具有警告功能。此外，CRM的客戶分類技術(shù)，讓企業(yè)建立起一對(duì)一的客戶服務(wù)體系，實(shí)行差異化客戶管理(如根據(jù)客戶特點(diǎn)，可將其分為① 內(nèi)在價(jià)值型客戶。② 外在價(jià)值型客戶。③ 戰(zhàn)略型價(jià)值客戶)， 為客戶創(chuàng)造非同一般的價(jià)值，也是企業(yè)從中獲得長(zhǎng)久利潤(rùn)、需要引起關(guān)注的關(guān)鍵技術(shù)之一。

　　工程機(jī)械尤其是混凝土機(jī)械近年來獲得了迅猛發(fā)展，與此同時(shí)，混凝土機(jī)械產(chǎn)品市場(chǎng)又有兩大特點(diǎn):一是市場(chǎng)需求發(fā)展大，產(chǎn)品使用周期短，兩三年后的回頭客相當(dāng)多;二是隨著社會(huì)改革的推進(jìn)和國(guó)家投資方向的轉(zhuǎn)移，客戶群體會(huì)有較大方面的變動(dòng)。如國(guó)有企業(yè)占主體時(shí)，以國(guó)企為主要購買力;而隨著商品租賃業(yè)發(fā)展，個(gè)體購買又成為了主力;而大型建設(shè)施工購買又回到了建設(shè)施工單位。由于市場(chǎng)的競(jìng)爭(zhēng)，相同產(chǎn)品的制造廠家對(duì)客戶的爭(zhēng)奪往往相當(dāng)激烈，有時(shí)甚至到了白熱化的地步。

　　顯然，我們既要大力發(fā)展新客戶，又要努力保留舊客戶。保留一個(gè)舊客戶要比爭(zhēng)取一個(gè)新客戶便宜的多。為改進(jìn)保留客戶的一種途徑就是客戶真正流失之前準(zhǔn)確預(yù)測(cè)并采取行動(dòng)挽留客戶，而基于客戶關(guān)系管理的數(shù)據(jù)挖掘技術(shù)和方法是解決該問題的途徑。一般說來，針對(duì)CRM中客戶獲得、客戶保留、客戶忠誠和客戶贏利分析各個(gè)方面，客戶特性及客戶行為信息的分類具有相當(dāng)重要的意義。最大程度的預(yù)測(cè)潛在的客戶流失是我們需要密切關(guān)注的。采用數(shù)據(jù)挖掘的分類思路可以在制造業(yè)客戶關(guān)系管理中起到相當(dāng)重要的作用。

　　2.CRM軟件中常用數(shù)據(jù)挖掘方法

　　利用數(shù)據(jù)挖掘的分類算法構(gòu)造CRM的分類器，是數(shù)據(jù)挖掘技術(shù)在商業(yè)領(lǐng)域中的重要應(yīng)用之一。數(shù)據(jù)挖掘的中的聚類方法和決策樹分類算法是常見的，也是一種相對(duì)準(zhǔn)確、有效的分類方法。

　　CRM相關(guān)技術(shù)的發(fā)展日新月異，它包括運(yùn)營(yíng)型(前臺(tái))，分析型(后臺(tái))，協(xié)作型(渠道)。這里尤其是分析型CRM的技術(shù)發(fā)展得最快，這也是很多CRM理想中的功能實(shí)現(xiàn)成為可能的關(guān)鍵。數(shù)據(jù)倉庫，數(shù)據(jù)挖掘和呼叫中心是三個(gè)其主要的技術(shù)組成。本文主要分析數(shù)據(jù)挖掘部分。

　　所謂數(shù)據(jù)挖掘是從大型的數(shù)據(jù)庫中提取隱藏的、有預(yù)測(cè)性的信息，它是能幫助企業(yè)從已有數(shù)據(jù)中提取到最先進(jìn)和流行的趨勢(shì)并為其提供效益。簡(jiǎn)言之，數(shù)據(jù)挖掘是應(yīng)用數(shù)據(jù)分析和運(yùn)算法則來探索數(shù)據(jù)模式并進(jìn)行科學(xué)地描述和預(yù)測(cè)。

　　常用的數(shù)據(jù)挖掘方法有如下幾種:

　　2.1 回歸預(yù)測(cè)

　　回歸預(yù)測(cè)是比較傳統(tǒng)的預(yù)測(cè)方法，它是根據(jù)歷史記錄分析得出總體趨勢(shì)，并將這種趨勢(shì)用某種數(shù)學(xué)方程式來表示。利用這個(gè)方程式，就可以輸人未來的一個(gè)或多個(gè)變量計(jì)算出預(yù)測(cè)結(jié)果。如果方程式的變量是一次方的，那么就成為直線性回歸，如果是多次訪問的，就成為區(qū)線性回歸。典型的客戶流失預(yù)測(cè)都可以采取回歸分析的方法。

　　2.2 決策樹

　　決策樹是一種類似于枝丫形狀的二分制。數(shù)據(jù)分析和預(yù)測(cè)方法，主要適用于對(duì)數(shù)據(jù)進(jìn)行歸類分割和預(yù)測(cè)。根據(jù)客戶特征，對(duì)客戶大市場(chǎng)進(jìn)行分割，從而得到相對(duì)較小的客戶群體。

　　2.3 聚類和鄰點(diǎn)預(yù)測(cè)

　　聚類和鄰點(diǎn)預(yù)測(cè)對(duì)于客戶關(guān)系管理來說是有類似的分析目的的。聚類是指如何將一批數(shù)據(jù)按照相似特性歸類，使我們能對(duì)他們有一個(gè)形象的概括性理解;鄰點(diǎn)預(yù)測(cè)是在歸類的基礎(chǔ)上對(duì)未來數(shù)據(jù)進(jìn)行預(yù)測(cè)。

　　2.4 規(guī)則導(dǎo)引

　　規(guī)則導(dǎo)引是從一個(gè)樣本數(shù)據(jù)庫中發(fā)現(xiàn)并歸納出數(shù)據(jù)行為模式，即用“如果A，那么B，否則就是C”，這樣的判斷語句來描述這種隱藏在數(shù)據(jù)倉庫中的規(guī)律。數(shù)據(jù)挖掘技術(shù)中的規(guī)則導(dǎo)引就是要從大量的客戶數(shù)據(jù)中發(fā)掘出這些規(guī)則。

　　3.制造企業(yè)CRM數(shù)據(jù)挖掘綜述

　　在CRM系統(tǒng)中，最重要最有挑戰(zhàn)性的則是對(duì)流失客戶的預(yù)測(cè)。制造企業(yè)營(yíng)銷和市場(chǎng)部門，根據(jù)購買產(chǎn)品的客戶信息資料，通過數(shù)據(jù)挖掘方法，往往可以預(yù)測(cè)潛在的流失客戶。

　　客戶流失分析就是應(yīng)用數(shù)據(jù)挖掘技術(shù)，預(yù)測(cè)哪些是潛在流失客戶，同時(shí)評(píng)估出最有效的客戶保持方法。本文提出一套基于制造業(yè)CRM系統(tǒng)中預(yù)測(cè)客戶流失的方法的基本思路。

　　該方法一般分為三個(gè)步驟:第一，應(yīng)用軟件對(duì)數(shù)據(jù)進(jìn)行挖掘測(cè)試，其中包括統(tǒng)一的客戶資料，客戶屬性，購買信息，模型參數(shù)，模型等等。第二，應(yīng)用數(shù)據(jù)分析方法和所討論的數(shù)據(jù)挖掘技術(shù)對(duì)客戶流失前的行為分析進(jìn)行簡(jiǎn)化的知識(shí)發(fā)現(xiàn)。第三，應(yīng)用系統(tǒng)聚類和決策樹ID3的方法對(duì)模型應(yīng)用的實(shí)驗(yàn)結(jié)果進(jìn)行過程分析。

　　常見的數(shù)據(jù)挖掘主要分為兩種:即探索性的數(shù)據(jù)挖掘和驗(yàn)證性的數(shù)據(jù)挖掘。其中探索性的數(shù)據(jù)挖掘中最常使用的就是聚類，而驗(yàn)證性數(shù)據(jù)挖掘的代表就是分類。聚類分析法是一種無監(jiān)督的自下而上的學(xué)習(xí)過程，主要目的是把沒有“標(biāo)記”的數(shù)據(jù)分為有意義的“組”(或者就叫聚類);而分類是給定已知“標(biāo)記”的訓(xùn)練數(shù)據(jù)，然后通過學(xué)習(xí)得到描述模式，然后運(yùn)用該模式對(duì)未來的數(shù)據(jù)進(jìn)行分類，是一種帶監(jiān)督的自上而下的學(xué)習(xí)，如決策樹ID3法。由于這兩種類別具有一定的典型性，都可以用于數(shù)據(jù)挖掘的客戶流失分析。

　　3.1數(shù)據(jù)源介紹

　　進(jìn)行數(shù)據(jù)分析首先必須從客戶的數(shù)據(jù)庫中間找到最能夠代表和刻畫客戶行為的屬性。針對(duì)2005一2006兩年中，某企業(yè)800個(gè)購買某工程機(jī)械產(chǎn)品的客戶信息，從中了解到導(dǎo)致客戶流失的因素較多，但有共性的部分也有很多。因此，我們把客戶與本公司交易次數(shù)、公司屬性、公司資產(chǎn)規(guī)模、付款方式、公司所在地、產(chǎn)品用途作為統(tǒng)計(jì)信息中的主要屬性。

　　我們將所擁有的所有可能的客戶信息屬性變量轉(zhuǎn)換成0，1，2等屬性，其他數(shù)字變量不變，應(yīng)用2一檢驗(yàn)，選除了某特定制造企業(yè)客戶流失的一般統(tǒng)計(jì)屬性。

　　3.2 系統(tǒng)聚類實(shí)驗(yàn)分析

　　系統(tǒng)聚類法實(shí)驗(yàn)的基本思想是:設(shè)有n個(gè)樣品，每個(gè)樣品測(cè)得m項(xiàng)指標(biāo)。然后用不同的數(shù)據(jù)表示客觀數(shù)據(jù)的定量屬性和定性屬性。當(dāng)定義或計(jì)算樣品間的距離(或相似系數(shù))和類與類之間的距離之后�？梢詫個(gè)樣品各自自成一類，這時(shí)類間的距離與樣品間的距離是等價(jià)的;然后將距離最近的兩類合并，并計(jì)算新類與其他的類間距離，再按最小距離準(zhǔn)則并類。這樣每次縮小一類，直到所有的樣品都并成一類為止。這個(gè)過程再可以用譜系聚類圖形象表達(dá)出來。

　　3.3 實(shí)驗(yàn)聚類

　　根據(jù)特定產(chǎn)品、眾多客戶的統(tǒng)計(jì)信息中的主要屬性，按照上述系統(tǒng)聚類實(shí)驗(yàn)，得到我們所需要的信息。

　　基于上述個(gè)體行為數(shù)據(jù)進(jìn)行聚類操作，在對(duì)未來行為的預(yù)測(cè)能力上，往往比其他類型的數(shù)據(jù)效果更好、更精準(zhǔn)。

　　3.4 決策樹ID3法實(shí)驗(yàn)及分析

　　決策樹技術(shù)是用于分類和預(yù)測(cè)的主要技術(shù)，決策樹學(xué)習(xí)是以實(shí)例為基礎(chǔ)的歸納學(xué)習(xí)算法。著眼于從一組無次序、無規(guī)則的事例中推理出決策樹表示形式的分類規(guī)則。它采用自頂向下的遞歸方式，在決策樹的內(nèi)部節(jié)點(diǎn)進(jìn)行屬性的比較，并根據(jù)不同屬性判斷從該節(jié)點(diǎn)向下的分支，在決策樹的葉節(jié)點(diǎn)得到結(jié)論。所以從根到葉節(jié)點(diǎn)就對(duì)應(yīng)著一條合取規(guī)則，整棵樹就對(duì)應(yīng)著一組析取表達(dá)式規(guī)則。

　　考慮一個(gè)任意的變量，它有兩個(gè)不同的值A(chǔ)和B。假設(shè)已知這個(gè)變量不同值的概率分配，將估測(cè)該概率分配的不純度。

　　情況1.如果P(A)=1和P(B)=0，那么知道這個(gè)變量的值一定為A，不存在不純度，因此已知變量結(jié)果值不會(huì)帶來任何的信息。

　　情況2.如果P(A)=P(B)=0.5，那么它的不純度明顯地高于P(A)=0.1和P(B)二0.9的情況。在這種情況下，已知變量的結(jié)果值就會(huì)攜帶信息。

　　不純度的最佳評(píng)估方法是平均信息量，也就是信息熵。定義如下:設(shè)S是s個(gè)樣本數(shù)據(jù)集合。假定類標(biāo)號(hào)屬性具有m個(gè)不同值，定義m個(gè)不同類C;(i=l，2，…，m)。設(shè)s:，是類C中的樣本數(shù)，對(duì)一個(gè)給定的樣本分類所需的期望信息或者信息墑為:
，

其中P為任意樣本屬于Ci的概率，并用Si/S估計(jì)。信息增益:信息增益是指期望信息或者信息嫡的有效減少量(通常用“字節(jié)”衡量)，根據(jù)它能夠確定在什么樣的層次上選擇什么樣的變量來分類。假設(shè)存在兩個(gè)類P和N，并且記錄集5中包括x個(gè)屬于類P的記錄和y個(gè)屬于類N的記錄。那么，用于確定記錄集5中某個(gè)記錄屬于哪個(gè)類的所有信息量為:


　　假設(shè)使用變量A作為決策樹的根節(jié)點(diǎn)，把記錄集s分為子類{s1,s2,…,sk}，其中每個(gè)si={i=1,2,…k}中包括個(gè)屬于類P的記錄。那么，用于在所有的子類中分類的信息量為:


　　假設(shè)選擇變量A作為分類節(jié)點(diǎn)，那么它的信息增量值一定大于其它信息增量值。變量A的信息增量為:Gain(A)=Info(S)-E(A)

　　信息增益可通過下式計(jì)算:

信息量:

期望熵:

信息增益:Gain(A)=Info(p,n)-E(A)

　　重復(fù)上述步驟，分別得到各個(gè)根節(jié)點(diǎn)，同時(shí)計(jì)算相應(yīng)屬性的信息增益值。最后，根據(jù)公式計(jì)算結(jié)果得到制造企業(yè)是否需要對(duì)該潛在的流失客戶實(shí)施新的服務(wù)的決策樹，如圖1所示。

　　3.5 實(shí)驗(yàn)規(guī)則引導(dǎo)結(jié)果及實(shí)驗(yàn)方法分析及評(píng)價(jià)

　　遍歷決策樹，輸出葉結(jié)點(diǎn)類屬性值，ID3通過不斷的循環(huán)處理，逐步求精決策樹，直至找到一個(gè)完全正確的決策樹。用ID3算法構(gòu)造的決策樹是從頂向下歸納，最后形成了一組類似IF……THEN的規(guī)則。其最原始的程序只是用來區(qū)分象棋中的走步，所以區(qū)分的類別只有兩種，即真或假，其屬性值也是一些離散有限的值。現(xiàn)在ID3算法己發(fā)展到允許多于兩個(gè)類別，而其屬性值可以是整數(shù)或?qū)崝?shù)，這里僅僅采用了它最原始的原則，提供一條基本分析思路。這種算法利用了互信息(信息增益)的概念，算法的基礎(chǔ)理論清晰，使得算法較簡(jiǎn)單。該算法的計(jì)算時(shí)間是例子個(gè)數(shù)、特征個(gè)數(shù)、結(jié)點(diǎn)個(gè)數(shù)之積的線性函數(shù)。而且搜索空間是完全的假設(shè)空間，目標(biāo)函數(shù)必在搜索空間中，不存在無解的危險(xiǎn)�？梢岳萌坑�(xùn)練例的統(tǒng)計(jì)性質(zhì)進(jìn)行決策，從而抵抗噪音。

　　但用信息增益作為特征選擇量存在一個(gè)假設(shè)，即訓(xùn)練例子集中的正、反例的比例應(yīng)與實(shí)際問題領(lǐng)域里正反例比例相同。但一般實(shí)際情況并不能保證相同，因而計(jì)算訓(xùn)練集的信息增益就有偏差。ID3在建樹時(shí)，每個(gè)節(jié)點(diǎn)僅含有一個(gè)特征，是一種單變?cè)乃惴�，特征間的相關(guān)性強(qiáng)調(diào)不夠。雖然將多個(gè)特征用一棵樹連在一起，但聯(lián)系還是松散的。

　　正因?yàn)槿绱�，我們�(cè)诰唧w的客戶關(guān)系數(shù)據(jù)處理中，目前仍處于一種摸索的階段。但上述方法的探討，仍值得借鑒或進(jìn)一步深人研究。

　　4 結(jié)語

　　本文試圖將數(shù)據(jù)挖掘技術(shù)中有最代表性的系統(tǒng)聚類分析法和決策樹ID3算法思路應(yīng)用于制造企業(yè)的客戶流失分析，為基于制造行業(yè)的CRM的客戶流失分析做一初步的探討。對(duì)于數(shù)據(jù)挖掘遇到的個(gè)體行為數(shù)據(jù)，分別運(yùn)用兩種較有代表性的數(shù)據(jù)挖掘方法進(jìn)行具體實(shí)驗(yàn)和理論方法分析比較。嘗試應(yīng)用聚類分析和決策樹這兩種有代表的數(shù)據(jù)挖掘方法融入到制造業(yè)客戶流失管理的信息處理中，為制造企業(yè)針對(duì)不同客戶群體提供個(gè)性化服務(wù)提供一個(gè)分析思路，為未來企業(yè)信息化競(jìng)爭(zhēng)創(chuàng)建一個(gè)良好的平臺(tái)。

CIO時(shí)代


相關(guān)鏈接:
CRM的九大好處詳解 2009-09-14
從咨詢角度做CRM 2009-09-14
客戶管理的三種境界：讓客戶口碑傳播是最高境界 2009-09-11
四步驟讓CRM重生不再成神話 2009-09-11
SaaS規(guī)�；l(fā)展需要標(biāo)準(zhǔn)化產(chǎn)品和服務(wù) 2009-09-11