优化crm系统的操作和分析技术

《优化crm系统的操作和分析技术》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、优化CRM系统的操作和分析技术

2、第1正如你所看到的，决策树显示了大部分失去的顾客是在40岁以下的，他们的顾客年龄不足三年，对于公司每月纸质杂志的调查持一种不喜欢的态度。决策树是一个非常强大的知识体系。它给了公司关于非忠诚的客户是怎么样子的一个非常清晰的概念。当然，虽然在过去，你非常精通于市场细分，但是有了决策树，市场细分有了大量能够用来预测消费行为的信息。然而，在进行市场细分获得大量特殊数据说明细分是无效的之前，这种细分是低水平的，也是片面的。决策树能预测特殊行为——如说有可能发生购买行为的改变。比如，根据这棵决策树显示的信息来看，该音乐俱乐部能够

3、预测到大部分小于30岁的顾客在将来可能流失。这个发现可能会使俱乐部发展纸制杂志的替代品。也许那些较年轻的顾客会更喜欢电子杂志，也会比较喜欢公司通过邮件方式提醒他们俱乐部每月的精选品和可以获得的折扣。你也可以将决策树看作一种为更加复杂的数据挖掘技术创造输入数据的工具。比如，来自决策树的新发现的信息能够传入神经网络，形成更加先进的、功能更加强大的预测模型。这样，有关非忠诚顾客的数据资料成为开发更广泛、更复杂的客户行为模型的数据之一。这种更复杂的模型能够使用人工智能神经网络。神经网络人的大脑通过神经网络学习，神经网络由神经元、轴突、树枝状结晶和神经键组成

4、。大脑接受输入信息，分析它们，然后输出特征或模式的识别信息。最近几年，许多研究都已经开始深入探究创造人工神经网络。目前能使用的人工神经网络由许多种，但是我想有两种人工神经网络是最具潜力的，它们是反向传播神经网络（或多层前馈神经网络，简称BPN）和Kohonen特征映射网络。但是在这两种人工神经网络中，BPN类型的神经网络使用的更加广泛，所以，这边我重点讨论一下这种类型的神经网络是怎样运作的，它能做什么。反向传播神经网络一个BNP包括三个层次：输入节点，该节点能接受来自各种顾客接触点的数据。这些数据形成BPN的经验数据组。分析层，该层经常被认为是“隐

5、藏层”，因为它对于输入和输出节点使用者来说是透明的。分析层使用输入节点数据通过识别行为模式和解释信息来评价经验数据组。输出节点，该节点通知使用者通过分析曾获得的模式和行为信息，同时利这信息形成预测模型。之所以将其称之为反向传播网络，主要是因为它能反馈来自输出节点的错误。在输出节点上，错误信息比较容易被发现。金融机构可以使用的BPN简单的模型，可以参考图三。假设该集团的数据组包括了100000个现有和潜在的顾客。数据组中所有成员至少满足一个列示于每个输出节点边上的特征条件，比如说，他们的年龄小于35岁或者是在3540之间，男性或者女性，房东或者租借人

6、。BPN从所有的输入节点中获得数据，并且以此编译一个预测型模型。这个简单的模型告诉使用者，年龄在3540岁之间的男性房东最有可能购买共同基金和金融市场产品。这是BNP能预测的信息。然而，这种分析不是自然而然得出的。使用BPN（或者神经网络技术）的局限性是BPN——像人的大脑——一定要接受练习以识别正确的模式并进行准确的信息翻译。这个练习的过程往往需要花费大量的时间。同时，整个练习过程的完成需要向BNP提出一系列知道成果的问题和额外的输入价值，也需要使用数学运算法则改变和再运用那些基于众多BPN提供的正确或者不正确的答案的重点。练习阶段会一直继续，直

7、到BPN提供的答案能够和使用者希望的答案基本吻合。当练习输出符合期望输出时，然后BPN将被认为是成熟的，而且能够被用来分析、解释、预测未知结果的输入数据。Kohonen特征映射网络Kohonen特征映射网络也是一种令人激动的神经网络技术。Kohonen映射技术比BPN技术出现的时间更短，但是这种技术非常有潜力。不像反向神经传播网络，Kohonen映射网络没有隐藏的分析层。相反，网络的输出层做了所有的工作。网络使用极其复杂的数学运算法则组织和分析输入数据。比如，假定一个输入的信息有X个特征，并且在模式的Z空间由矢量Y代表。Kohonen网络使用运算法

8、则将输入数据组映射至输出摸式之中。输出节点能自我组织，在大量数据组练习之下，产生了正确的特征映射。用简洁、清晰的语言表达，这意味着网络产生了基于输入特征的客户行为模式图。在既定的数据组环境下，网络逐字学习，使用户能预测客户可以做什么。但是，Kohonen映射网络存在和BPN一样的局限性。练习时间相对较长，数据组一定要很大。优势：从充分利用你拥有的大部分信息即使练习过程相对较长，但是一个强大的成熟的神经网络——或者是BPN或者是Kohonen特征映射网络——在客户价值（或者至少在收入增长方面）是物有所值的。神经网络能被用来改善和提高各种数据挖掘任务的

9、有效性，诸如：市场细分：通过由认识模式和群集技术发现的信息进行市场细分。图三中的BPN例子利用了模式识别，发现在3540岁