数据挖掘在客户关系管理中的应用

对A购物广场的客户进行分类需要选择一个目标变量。营销理论表明，顾客购买力是非常重要的，它对商场营销策略的制定有很大的影响。因此，目标变量是顾客购买力。消费者的购买力分为三种类型：高购买力、一般购买力和低购买力。我们将客户按照年龄、性别、职业、经济状况等属性来定义，从而对应客户购买力。按序排列的客户信息表如表1所示。

表1 客户信息表

客户ID 性别年龄经济状况职业类别购买力

ID802621 18 F 一般 1 Low

ID802622 29 M 良好 3 High

ID802623 35 M 良好 3 High

ID802624 23 F 一般 3 High

ID802625 21 F 差 3 Low

ID802626 19 F 一般 2 Low

根据客户信息表中的每个字段建立不同的属性列表并预先排序。例如，在年龄属性列表中，它按年龄从大到小排序。然后找出决策树中每个节点的最佳分割点。首先创建根节点，然后选择候选分割点15,23,29，计算它们的Gini值，选择最小的作为属性列表的最佳分割点。最佳分割点为29，年龄属性列表分为两部分。将决策树分为两个分支，左分支的数据记录小于29年。右分支是年龄大于或等于29岁的数据记录。然后基于根节点创建一个哈希表，并记录每个数据所属的子节点。然后继续使用上述方法为创建的两个分支计算最佳分割点。当属性列表中的数据类型相同或数据数量较小时，它将停止。此时获得的节点为叶子结点，然后使用MDL算法对决策树进行修剪，从而生成相对准确的决策树，如图3所示。

图3 客户分类决策树

2.交叉销售数据挖掘算法

在购物广场的营销活动中，经常会用到交叉销售。交叉销售指的是客户购买一种产品时往往会购买相关产品。购物中心需要了解这些产品之间的关系，以及如何为交叉销售做出最佳的产品组合。通过数据挖掘技术，能够在客户关系管理系统中实现交叉销售，增加销量。

根据客户的购买行为，建立客户交易数据数据库，分析哪些产品通常是与购买配对的。例如，如果你选择在购物中心购买超过5种商品，每个交易记录包括交易编号、购买时间和购买的商品。这些客户的交易数据如表2所示。

表2 客户交易记录

交易号购买时间购买产品编号

0000000001 2019-9-15 G012,F118,C151,D027,G055,I328,M045,P147

0000000002 2019-9-15 A003,B203,O057,A005,B003,F028,M102

0000000003 2019-9-16 A003,,C151,F118,L122,M045

0000000004 2019-9-16 B023,C151,E086,L122,P147

0000000005 2019-9-16 A003,0018,B021,K026,S005,P147,M045,N011

0000000006 2019-9-16 F051,F027,G055,H028,L025

0000000007 2019-9-16 F033,F006,L012,F145,E245,FI18,C151,

...... ...... ......

0000001000 2019-9-18 F118,A150,B013,B023,F118,H025,J015,O057

A购物广场交易数据库中的数据量较大，客户在每一次购物中，有许多种类的物品可以购买。数据挖掘在很大程度上能够帮助我们了解客户购买商品的一致性，以获得最好的交叉销售组合。在关联规则算法中，经典的Apriori算法是基于客户关系数据库中元素集之间的关联规则算法。但将Apriori经典算法用于A购物广场的客户关系管理系统的交叉销售中，可能产生的侯选集很大，导致系统不能正常工作。因此，采用FP-growth算法。这一算法是不需要侯选集的关联规则算法。

FP-growth算法：

（1）根据数据库建立FPtree

输入：

一个最小支持度α一个交易数据库DB

输出：FPtree

Procedure FPtree(DB,α)

{

创建FPtree记为T，并且标记为“NULL”。

for DB

{

for each I i∈Ti

{

if(i∈S)

then加入集合S’

else删去

}

依据S中顺序排出S’中的频繁1-项记为[p|P]。

Insert_tree([p|P],T)

}

Procedure Insert_tree([p|P],T)

{

For T的子结点N

{

If N.itemname = P.itemname

Then N.count++;flag = true;break;

}

If(!flag)

Then

{

创建T的新子结点N N.count=1

使N.node_link指向具有相同item_name域的结点。

}

If P非空

Then Insert_tree(P,N)

}

（2）产生频繁集

输入：

上面建立的FPtree，一个最小支持度α

输出：频集

Procedure FPgrowth(FPtree, α)

{ if FPtree仅有一条路径P

then

{

P中节点的组合 β 产生的频集β∪α。

指定频集支持度为 β 中节点的最小支持度。

}

else

{for FPTree头表的每个表项c从后往前处理

{产生频集β=c∪α

频集的支持度为表项c的支持度

建 β的条件模式库和条件树FPTree2

if FPTree2不为空

then FPgrowth(FPTree2, β)

}

三、结论

本文以一个实际企业，即A购物广场作为研究对象，设计了数据挖掘的应用流程以及数据挖掘算法。针对A购物广场客户关系管理中的客户分类与交叉销售进行了算法设计。其中，客户分类数据挖掘采用SPRINT分类算法，以提高客户分类准确性；交叉销售数据挖掘中，采用了不需要候选集的关联规则算法FP-growth，以保证系统的实用性。

参考文献

[1]信筱桐.探讨数据挖掘技术及其在电子商务中的应用[J].中小企业管理与科技(中旬刊),2020(08):174-175.

[2]郭翔,龙长贵,张辉,张卫,周宇洋.基于数据挖掘的营销客户关系管理研究[J].电力设备管理,2020(01):99-100+108.

[3]张华,彭习锋.基于数据挖掘的农商行客户关系管理[J].金融纵横,2019(12):88-95.

[4]齐堃,陈荔.基于Python的航空公司客户关系管理系统的构建与研究[J].包头职业技术学院学报,2019,20(04):9-14.

[5]朱涤尘,张亚成,庞祖儿.数据挖掘在企业信息化的应用分析[J].知识经济,2019(36):59-60.

[6]赵巍巍.基于数据挖掘的通信客户行为分析与营销[J].数字通信世界,2019(11):157.

[7]张绍明.大数据时代数据挖掘在银行的应用[J].计算机产品与流通,2019(10):119.

[8]刘柱建.数据挖掘技术在电子商务营销中的应用[J].今日财富,2019(16):101.

[9]郭竑晖,钟智慧.电信客户关系管理中应用数据挖掘技术的研究[J].电脑知识与技术,2019,15(22):5-7.

[10]杨瑞,王萍,索瑞霞,银艳艳.数据挖掘技术在CRM中的应用研究——基于决策树算法[J].中国管理信息化,2019,22(15):53-55.

[11]周敏,许菱.大数据背景下企业客户关系管理研究[J].经营与管理,2019(07):44-46.

首页上一页 1 2 下一页尾页 2/2/2

数据挖掘在客户关系管理中的应用(二)