数据挖掘技术客户端毕业设计(3)

第二章 客户关系管理概述

2.4 CRM的发展趋势及前景

随着市场环境日益成熟，竞争日趋激烈，客户资源日显重要。现代企业管理的重心随之从传统的生产、物流、财务等内部管理转向全面的客户关系管理，CRM系统因而成为企业的重点。应用需求和信息技术的发展是推动CRM系统发展方向的重要因素，目前CRM的发展呈现以下趋势：CRM系统将全面采用B/S技术和全面集成各种信息交流技术，除此之外，更重要的是：CRM系统将更多的采用数据仓库和数据挖掘技术。

作为管理客户资源这一企业核心资源的信息系统，CRM系统必须具备强大的数据分析和挖掘功能，为管理者作出正确的决策提供及时而准确的依据。数据仓库(Data Warehouse )、数据挖掘(Data Mining)和OLAP技术己成为CRM系统提供决策支持的关键技术。CRM系统可以利用这些技术为企业建立完善的、量化的客户价值评估体系，以销售额、利润等原始数据为指标建立评估模型，找出对企业最有价值的客户群体并分析其特征，帮助企业制定更合理的经营策略。通过应用数据仓库和挖掘技术，一个CRM系统还能够透视企业销售、市场和服务等各个业务环节，按照组织机构、时间、产品线和客户群体特征等各种维度进行多维数据分析和数据挖掘，从而帮助企业及时发现市场环境的细微变化和自身业务流程中的潜在问题，迅速采取相应的应对措施。

2.5本章小结

本章主要介绍了客户关系管理的基本概念，阐述了在企业中进行客户关系管理的重要作用，以及从收集资料、信息分析到实现企业战略决策的整个实现客户关系管理得过程。最后从客户关系管理系统、数据仓库和挖掘技术简单介绍了客户关系管理的发展趋势及前景。由此章可以知道，客户关系管理对于企业的生存发展至关重要，而且随着科学技术的发展，客户关系管理将会融入更多的先进技术，而且其功能和作用也会日益完善。

- 7 -

第三章 数据挖掘的基本理论

第三章 数据挖掘的基本理论

3.1数据挖掘的概念

数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们事先不知道的、但又潜在、有用的信息和知识的过程。还有很多和这一术语相近似的术语，如从数据库中发现知识、数据分析、数据融合以及决策支持等。如人们把原始数据看作是形成知识的源泉，就像从矿石中采矿一样。原始数据可以是结构化的，如关系数据库中的数据，也可以是半结构化的，如文本、图形、图像数据，甚至是分布在网络上的异构数据。发现知识的方法可以是数学的，也可以是非数学的，可以使演绎的，也可以是归纳的。发现了的知识可以被用于信息管理、查询优化、决策支持、过程控制等，还可以用于数据自身的维护。因此，数据挖掘是一门交叉学科，它汇集了不同领域的知识，尤其是数据库、人工智能、数理统计、可视化、等方面。

数据挖掘的概念具体如图3.1，源数据继承得到数据，数据经过选择得到目标数据，目标数据经过处理后得到预处理后数据。后数据经过挖掘得到各种模

式的数据，各种模式的数据经过解释就是知识[4,5]。

? 结果解释 ?

数据挖掘 知识 模式数据 预处理 后数据 数据选择 数据集成 目标数据 数据

源数据 准备 挖掘 表达解释 图3.1 数据挖掘技术的概念 - 8 -

第三章 数据挖掘的基本理论

3.2 数据挖掘的任务

数据挖掘任务一般可分为两类：描述和预测。描述性挖掘任务刻画数据库中数据的一般特性。预测性挖掘任务在当前数据上进行推断，以进行预测。具体任务分为： 1、总结规则挖掘

从客户指定的数据中从不同的角度或不同的层次上挖掘出平均值/极小值/极大值、总和、百分比等。挖掘结果运用特征规则和统计的曲线图表等表示。 2、关联规则挖掘

从客户指令的数据库中挖掘出满足一定条件的依赖性关系。 3、分类规则挖掘

找出描述并区分数据类或概念的模型，以便使用此模型预测类标记未知的对象类。它通常使用类标记己知的数据对象作为训练数据集，通过对该数据集的分析，导出数据的分类模型，然后使用模型预测未知数据。 4、聚类

聚类与分类不同，它没有类标记作为指导，类标记由它本身产生。对象根据最大化类内的相似性、最小化类间的相似性的原则进行聚类和分组。[9] 5、预测分析

用于描述行为随时间变化的对象的规律或趋势，并对其建模。

所有用来进行分类及估计的技术都可以经过修正之后，通过已知变量数值的训练组数据来得到。其中历史性数据是一个很好的来源。历史性数据可以用来建立模型，以检查近年来观察值的变化，若运用最新数据作为输入值，可以获得未来变化的预测值。

3.3数据挖掘的技术

最常用的数据挖掘技术有：[12,14,15]

- 9 -

第三章 数据挖掘的基本理论

1、人工神经网络(Artificial Neural Network)：它从结构上模仿生物神经网络，是一种通过训练来学习的非线性预测模型，可以完成分类、聚类、特征挖掘等多种数据挖掘任务。

2、决策树(Decision Tree)：用树形结构来表示决策集合，这些决策集合通过数据集的分类产生规则。典型的决策方法有分类回归树(CART )，一般用于分类规则的挖掘。

3、遗传算法(Genetic Algorithm)：基于生物进化的概念设计一系列的过程来达到优化的目的。这些过程有基因组合、交叉、变异和自然选择。为了应用遗传算法，需要把数据挖掘任务表达为一种搜索问题而发挥遗传算法的优化搜索能力。

4、最近邻技术(Nearest Neighbor)：通过k个最与之相近的历史记录的组合来辨别新的记录，有时也称这种技术为k-最近邻方法。这种技术可以用作聚类、偏差分析等挖掘任务。

5、规则归纳(Rule Induction)：通过统计方法归纳、提取有价值的if—then规则。规则归纳技术在数据挖掘中广泛使用，例如关联规则的挖掘。

6、可视化(Visualization)：采用直观的图形方式将信息模式、数据关联或趋势呈现给决策者，决策者可以通过可视化技术直观地分析数据关系。

3.4数据挖掘的功能及作用

数据挖掘是整个客户关系管理中最重要的组成部分，是客户关系管理创造商业价值的关键。

许多企业有数以百万计的历史数据，要经过传统的统计分析方法分析相当困难，容易错失企业应有的商机。数据挖掘则利用高级统计工具和人工智能技术，对数据库或其它电子文档提供的庞杂数据进行筛选、推导与模型构造等操作，充分了解客户购物信息，有效地和客户建立亲密关系，找出恰当的营销模式，正确掌握未来经营动态，有效地提供营销、销售和服务的决策支持，让企

- 10 -

第三章 数据挖掘的基本理论

业得到充分的信息而展开行动。并于最恰当的时间、最恰当的地点，给最恰当的客户提供最恰当的一对一的产品和服务。

有了数据挖掘，可以更深层次地了解客户，与客户深交，更有效地进行营销，从而为企业扩大原有商机。

有了数据挖掘，可揭露隐含在数据与模式中的闪光点，从原始数据获取崭新知识，从而为企业创造 …… 此处隐藏：1807字，全部文档内容请下载后查看。喜欢就下载吧 ……