基于数据挖掘的传统制造企业网络客户资源开发

（二）基于数据挖掘的传统制造企业网络客户资源开发

在电子商务背景下，企业可以建立数据挖掘系统，并通过它收集和研究市场、销售、服务和各类信息资源，对客户进行全方位分析，从而理顺企业资源与客户需求之间的内在联系，提高客户满意度并减少客户流失率。同时，通过获取并分析与客户交流数据，从整体角度认识客户，达到精准销售目的，从而增加获利能力。如传统制造企业客户服务人员对待同一客户时可能是不同的工作人员，但通过网络客户服务系统，服务人员在接听电话之前可自动迅速调用客户服务记录作为参考，充分掌握客户信息，尽量用同一工作人员面对客户，从而实现对客户的关怀和个性化服务，提高客户的满意度。

数据挖掘（Data Mining，简称DM），简单地讲就是从大量数据中挖掘或抽取出知识。数据挖掘在学术界有不同的界定方法。一般认为数据挖掘就是指从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中提取人们感兴趣的知识，这些知识一般是隐讳的、事先未知的、潜在有用的信息。数据挖掘是企业电子商务客户资源开发的重要方法之一。

常用的数据挖掘方法有五种。第一种是关联分析法。即从给定的数据集中发现频繁出现的项集模式知识。例如，某商场通过关联分析，可以找出若干个客户在本商场购买商品时，哪些商品销售率较高，进而可以发现数据库中不同商品的联系，进而反映客户的购买习惯。第二种是序列模式分析法。它与关联分析相似，其目的也是为了控制挖掘出的数据间的联系。但序列模式分析的侧重点在于分析数据间的前后（因果）关系。例如，可以通过分析客户在购买A商品后，必定（或大部分情况下）随着购买B商品，可用来发现客户潜在的购买倾向。第三种是分类分析法。即找出一组能够描述数据集合典型特征的模型，以便能够分类识别未知数据的归属或类别。例如，银行可以根据客户的债务水平、收入水平和工作情况，对给定用户进行准确的信用风险分析。第四种是聚类分析法。即从给定的数据集中搜索数据对象之间所存在的有价值联系。在商业上，聚类可以通过顾客数据将顾客信息分组，并对顾客的购买模式进行描述，找出他们的特征，制定针对性的营销方案。第五种是孤立点分析法。孤立点是数据库中与数据的一般模式不一致的数据对象，它可能是收集数据的设备出现故障、人为输入时的输入错误等。孤立点分析就是专门挖掘这些特殊信息的方法。例如，银行可以利用孤立点分析发现信用卡诈骗，电信部门可以利用孤立点分析发现电话盗用等。

1.基于数据挖掘的传统制造企业网络客户资源挖掘步骤

传统制造企业电子商务客户资源挖掘通常包括以下几个步骤。

（1）需求分析

只有确定需求，才有分析和预测的目标，然后才能提取数据、选择方法。因此，需求分析是数据挖掘的首要步骤。数据挖掘的实施过程也是围绕着这个目标进行的。在确定网络客户的需求后，应该明确所要解决的问题属于哪种应用类型，是属于关联分析、分类、聚类及预测，还是其他应用。应对现有网络客户资源如已有的历史数据进行评估，确定是否能够通过数据挖掘技术来解决网络客户的需求，然后进一步确定数据挖掘的目标和制定数据挖掘的计划。

（2）建立数据库

这是数据挖掘中非常重要也非常复杂的一步。首先，要进行数据收集和集成；其次，要对数据进行描述和整合。一般的数据主要有四个方面的来源：网络客户信息、网络客户行为、生产系统和其他相关数据。这些数据通过抽取、转换和装载，形成数据仓库，并通过OLAP和报表，将网络客户的整体行为结果分析等数据传递给数据库用户。

（3）选择合适的数据挖掘工具

如果从上一步的分析中发现，所要解决的问题能用数据挖掘比较好地完成，那么需要做的第三步就是选择合适的数据挖掘技术与方法。将所要解决的问题转化成一系列数据挖掘的任务。数据挖掘主要有五种技术：分类、估值预测、关联规则、聚集、描述。前三种属于直接的数据挖掘。在直接的数据挖掘中，目标是应用可得到的数据建立模型，用其他可得到的数据来描述感兴趣的变量。后两种属于间接的数据挖掘。在间接的数据挖掘中，没有单一的目标变量，目标是在所有变量中发现某些联系。

（4）建立模型

建立模型阶段的主要任务是选择合适的方法和算法对数据进行分析，得到一个数据挖掘模型的过程。一个好的模型没必要与已有数据完全相符，但模型对未来的数据应有较好的预测。需要仔细考察不同的模型以判断哪个模型对所需解决的问题最有用。如决策树模型、聚类模型都是分类模型，它们将一个事件或对象归类。回归是通过具有已知值的变量来预测其他变量的值。时间序列是用变量过去的值来预测未来的值。这一步是数据挖掘的核心环节。建立模型是一个反复进行的过程，它需要不断地改进或更换算法以寻找对目标分析作用最明显的模型，最后得到一个最合理、最适用的模型。

（5）模型评估

在模型评估阶段，为了验证模型的有效性、可信性和可用性，需要选择最优的模型，以便对模型进行评估。可以将数据中的一部分用于模型评估，来测试模型的准确性、模型是否容易被理解、模型的运行速度、输出结果的速度、实现代价、复杂度等。模型的建立和检验是一个反复的过程，通过这个阶段的工作，能使数据以用户能理解的方式出现，直至找到最优或较优的模型。

（6）部署和应用

这个阶段的任务是将数据挖掘的知识归档和报告给需要的群体，根据数据挖掘发现的知识采取必要的行动，以及消除与先前知识可能存在的冲突，并将挖掘的知识应用于应用系统。在模型的应用过程中，也需要不断地对模型进行评估和检验，并做出适当的调整，以使模型适应不断变化的环境。

2.基于数据挖掘的传统制造企业网络客户资源开发方法及实现

应用数据挖掘技术，可以对传统制造企业网络客户资源进行有效开发。

（1）网络客户数据搜集与存储

网络客户资源开发的第一步工作是搜集网络潜在客户数据。实现潜在客户数据的有效挖掘的基本条件是将搜集到的客户数据以一致的模式存储，建立网络客户数据仓库。重点做好两个方面的工作：一是网络客户数据搜集。所搜集的网络客户数据按类型可以分为客户信息数据、客户需求数据、客户行为数据和客户反馈数据。通过电子商务的注册和服务过程不断积累。二是构建数据仓库。数据挖掘在集成、一致、经过清理的数据上才能更好的实现，因此要进行数据清理、变换、集成、装入等处理，以建立一个整合的、结构化的数据仓库。

（2）客户特征和群体分类

在网络客户数据收集与存储基础上，积极进行网络客户特征分析。其中心是针对数据仓库中的网络客户数据，采用多种数据分析和挖掘方法，如关联分析、序列分析等，对传统制造企业电子商务客户特征进行分析，挖掘网络客户的隐形信息需求，获得对网络客户与电子商务交互活动所必需的关键性特征，并预测网络客户的未来行为。网络客户的特征主要包括客户的身份特征、客户的需求特征、客户的行为特征等。通过网络客户特征的分析和提取，传统制造企业可以与网络客户建立一种一对一的、差异化的、个性化的学习型关系。即根据网络客户行为不断加深对其的了解，针对其特殊需求相应调整网站的访问模式和结构，以及自己的经营策略和行为。

然后，对网络客户群体进行精细分类。对网络客户的特征进行分析的主要目标还在于对具有相似特征的网络客户建立模型，进行网络客户的有效分类和聚类，建立层次结构，为不同类型的网络客户提供不同的服务方案。网络客户的分类还便于分类识别或预测未知客户的归属。

（3）面向网络客户生命周期的数据挖掘

客户的生命周期一般包括三个阶段：客户的获取、客户的保持和客户的流失。由于网络的虚拟特殊性，网络客户的保持、流失和注册的数量有很大差异，网络客户放弃该网站并不一定注销客户，所以更应该注重网站的访问信息。网络客户资源管理的主要目标是要最大限度地延长网络客户的生命周期，防止客户的流失。

如何做好网络客户的获取工作呢？电子商务网站要在竞争日益激烈的环境中生存发展就要不断获得新客户，维持老客户，而当客户数量不断增加，客户数据信息不断增多时，就要依靠数据挖掘。利用数据挖掘揭示新客户的行为习惯，生成预测模型，预测发现一些在不同情况下有相似行为的网络客户，进行分析，筛选出可能的潜在网络客户，并据此有效增加服务推广效应，把潜在网络客户和这些客户感兴趣的资源和服务系统地结合起来，为每一个网络客户提供主动化、个性化的服务，把潜在网络客户转化为正式客户。

如何做好网络客户保持并防止流失呢？网络客户流失的主要原因是服务不到位，包括自身的缺陷和其他网站提供新服务的影响。一般来说，网络客户的保持涉及三个过程：首先，利用数据仓库中的信息和数据挖掘技术识别、分析和评价网络客户为什么流失？哪些因素导致网络客户流失？网络客户流失的风险在何处？从而明确潜在的流失客户群体。其次，识别其中有价值的网络客户，如消费频率较高的客户。最后，分析网络客户的行为模式，如付费历史等，有针对性地采取相应的服务措施，如奖励等，提高网络客户的忠诚度，保持网络客户。