论文部分内容阅读
[摘 要]超市作为服务大众的单位，为了提供更好的服务，需要与客户维持良好的关系，而这种关系的维护需要管理的加强和管理系统的建设。在系统建设中一项重要的内容就是数据的应用。在大数据背景下，大范围的收集与超市客户有关的数据信息是全面加强客户关系管理的关键。就目前的研究来看，要获取更多的数据信息，就必须使用数据挖掘技术。为了探讨数据挖掘技术的具体价值，分析数据挖掘技术在超市客户关系管理系统中的应用是必要的，其能进一步为超市客户关系管理系统的构建提供帮助。
[关键词]数据挖掘技术；超市；客户关系；管理系统
doi：10.3969/j.issn.1673 - 0194.2017.20.033
[中图分类号]TP311.13 [文献标识码]A [文章编号]1673-0194（2017）20-00-02
超市在目前的社会便民服务当中发挥着重要的作用，人们对于超市的依赖和信赖度也在普遍提升。就目前的超市发展来看，超市的利润提升与客户量的多少有着重要的联系，所以超市要获得更多的利润，必须维护好与客户的关系，这样才能吸引更多的客户在超市中进行消费。在现代化企业管理理念的影响下，超市的现代化管理在不断加快，而为了提升超市客户关系管理的科学性和有效性，超市也在积极地进行管理系统的建设。从系统的完善性出发，要想使系统在各方面的参考价值都能够提升，就需要搜集更多的相关数据，而数据挖掘技术就是很好的获取数据的手段，所以在超市客户关系管理系统建设的过程中应用数据挖掘技术便有了积极的意义。基于此，深入分析数据挖掘技术在超市客户关系管理系统中的应用便具备了重要的现实意义。
1 数据挖掘的概念和主要分析方法
1.1 数据挖掘的概念
数据挖掘是大数据背景下数据利用的一种重要手段，指的是从大量的数据中，对有效的、新颖的和具有潜在作用的数据进行抽取，并对可以理解的知识以及模型、规则等进行利用的过程。数据挖掘在近年来的利用中越来越普遍，在不断的完善和发展中，成为一门具有广泛涉及面的交叉学科，不仅在内容上融合了人工智能、数理统计、数据库等多方面的技术，还在金融、保险、零售及电信等多个领域中发挥着重要的作用。
1.2 数据挖掘的分析方法
数据挖掘在目前的各个领域当中有着重要的利用价值，其发展空间也十分巨大。就目前的具体研究来看，对数据挖掘进行分析，需要的方法有关联规则、分类、聚类、序列模式等。其中，对于关联规则分析法的研究，其目的是希望在事务数据库中发现经常共同出现的项目，从而推断出隐藏在项目背后的某种互相关联的规则。分类法指的是按照一定的特征对数据对象进行划分的过程，在利用分类法时，要求有已知样本分类作为训练集。聚类指的是利用聚類技术进行数据对象内在规律的识别，通过聚类法分析，相似的类可以得到聚合，数据的分布规律也可以导出。
2 基于数据挖掘技术的分析型CRM
2.1 CRM产品的分类
由于数据挖掘技术在其应用领域中展现出重要价值，因此基于数据挖掘技术会产生众多的产品，分析型CRM就是其中的突出代表。就目前的CRM产品来看，主要按照功能分为三类。第一类是操作性CRM。此类产品强调的是通过技术手段实现企业内部与客户相关的销售、服务以及支持和市场业务等方面的自动化。第二类是协作性CRM。此类产品的应用目的是通过自动化的手段集成，管理企业所有的与客户交互的渠道，从而改进客户服务。第三类是分析型CRM。此类产品的利用目的是要在数据挖掘和数据仓库技术的支持下，通过对海量数据进行分析，从而理解客户的分类、价值以及忠诚度和消费行为等。可见，以上三类产品在使用中都有其独特的性能和价值。其中，分析型CRM在超市客户关系管理中的应用价值更加显著。
2.2 数据挖掘技术在分析型CRM当中的应用
在超市客户关系管理系统的建设中，分析型CRM运用数据挖掘技术相对较为普遍，同时更能贴近市场和满足管理的需要。数据挖掘技术在分析型CRM当中的应用主要体现在3方面。第一，客户群体的细分。利用分析型CRM，可以将客户的性别、收入、交易行为等方面的特征进行具体总结，根据这些细小行为特征，企业可以将客户群体进行进一步分类。第二，交叉营销。交叉营销指的是向已购买商品的客户推荐其他的产品和服务。这种策略和客户的兴趣爱好以及购物倾向等有密切关系，所以也需要分析型CRM进行。第三，客户流失分析。利用分析型CRM可以将客户流失的原因以及易流失客户的具体特征进行掌握，这对于超市客户流失管理而言意义重大。
2.3 基于数据挖掘的分析型CRM系统的框架结构
在超市客户关系管理系统的构建中，数据挖掘技术需要得到重点运用，而分析型CRM产品使用了数据挖掘技术，并对系统建立产生了重要的影响，所以研究分析型CRM产品的系统结构也就具有了重要价值。就目前的具体分析来看，分析型CRM系统的框架结构主要包括5个基本模块：第一，总控程序；第二，图形用户界面；第三，任务组件模块；第四，挖掘殷勤及数据挖掘算法函数库；第五，数据准备模块。这5个模块构成了完整的分析型CRM系统框架结构，并使得分析型CRM产品具有巨大的应用价值。
3 数据挖掘技术在客户流失分析中的运用
超市作为服务性的企业，避免客户流失是其经营过程中需要重点考虑的问题。客户关系管理系统的建立，有助于超市了解客户的流失情况，进而采取有效的避免措施，所以在建立客户关系管理系统时，积极地使用数据挖掘技术进行数据分析，能获得良好的效果。
3.1 需求理解和模型选择
客户流失分析实际上是超市希望能够在基于数据挖掘技术的基础上，建立客户流失的预测模型，从而详细地掌握对客户流失率有重大影响的因素，并从这些因素出发进行相应的控制。从具体的利用来看，分类和聚类两种方法都可以用来进行客户流失的分析。从具体的方法利用来看，分类和聚类存在较大的区别，而两种方法最大的差异在于对已标定样本的需要。因为在具体的分析中发现可以获取以往客户是否流失的数据训练样本，所以在具体的方法选择上，使用分类的优势更明显一些。 3.2 数据准备
在进行数据挖掘时，数据准备是一个必要的阶段，因为数据准备的充分性对于挖掘算法的效率及正确性有着非常显著的影响。从具体的应用实践来看，数据准备阶段的时间利用占据整个数据挖掘进程的60%，可见数据准备的重要性。从工作实践性方面进行分析，可以发现数据准备工作需要进行数据清理、数据集成、数据变换和数据归纳等工作。
3.3 核心算法
核心算法指的是在数据准备完成后，挖掘数据引擎调用相应的算法进行的数据挖掘分析。超市数据挖掘利用分类法的优势更加显著，所以要利用分类决策树方法进行客户流失分析。在确定好核心算法之后，对已经准备好的数据进行测试，就可以根据该客户的属性以及交易行为历史对该客户是否流失进行决策树判断。
3.4 决策树算法
在超市管理活动中，存在众多的经营决策实例，这为数据挖掘技术在决策树算法中的应用提供了归纳学习算法的基础，保障了决策树算法较高的分类准确率。决策树作为一种预测模型的算法，它需要通过数据挖掘技术获得大量数据，并进行有目的的分类。在运用中，决策树算法的执行结果是一棵能够表明哪些因素影响客户流失的决策树结构图，某个条件下的一个记录集用树的一个叶节点进行代表，树的分支根据记录字段的不同来取值建立。以此类推，在每个分支子集中重复建立下层节点和分支。当然，结合实际的市场价值和超市的经营情况，对生成的决策树需要进行修剪，剔除效率较低的分支，从中得到具有商业价值的信息。运用决策树算法时，系统可以利用图形可视化的方式辅以文本及报表等展示结果，以方便决策人员进行分析。
3.5 模型評估
客户流失分析的准确性不仅依赖于数据挖掘技术所获得的全面的、可靠的数据，同时对分析模型的合理性和科学性提出挑战。例如：对于决策树算法的运用就要准确根据市场的实际情况选取建树参数。当然，分析结果的正确与否以及可利用价值大小和分析模型的关系也十分密切，所以需要对模型进行价值评估。
主要参考文献
[1]屈松川.数据挖掘技术在网上银行客户关系管理系统中的应用[J].福建电脑，2013（11）.
[2]宫新军.基于数据挖掘技术的客户关系管理系统研究[J].山东广播电视大学学报，2013（1）.
[3]陈东.数据仓库及数据挖掘技术在证券客户关系管理系统中的应用研究[J].数字技术与应用，2013（8）.
[4]冯志刚.房地产客户关系管理系统中数据挖掘技术的应用研究[J].民营科技，2014（10）.
[5]胡彬.基于数据挖掘的移动通信公司客户关系管理系统的分析设计[J].山东工业技术，2015（9）.
[6]王欣，薛雯，魏源彤.数据挖掘在客户关系管理系统中的应用研究[J].东北电力大学学报，2015（4）.
[关键词]数据挖掘技术；超市；客户关系；管理系统
doi：10.3969/j.issn.1673 - 0194.2017.20.033
[中图分类号]TP311.13 [文献标识码]A [文章编号]1673-0194（2017）20-00-02
超市在目前的社会便民服务当中发挥着重要的作用，人们对于超市的依赖和信赖度也在普遍提升。就目前的超市发展来看，超市的利润提升与客户量的多少有着重要的联系，所以超市要获得更多的利润，必须维护好与客户的关系，这样才能吸引更多的客户在超市中进行消费。在现代化企业管理理念的影响下，超市的现代化管理在不断加快，而为了提升超市客户关系管理的科学性和有效性，超市也在积极地进行管理系统的建设。从系统的完善性出发，要想使系统在各方面的参考价值都能够提升，就需要搜集更多的相关数据，而数据挖掘技术就是很好的获取数据的手段，所以在超市客户关系管理系统建设的过程中应用数据挖掘技术便有了积极的意义。基于此，深入分析数据挖掘技术在超市客户关系管理系统中的应用便具备了重要的现实意义。
1 数据挖掘的概念和主要分析方法
1.1 数据挖掘的概念
数据挖掘是大数据背景下数据利用的一种重要手段，指的是从大量的数据中，对有效的、新颖的和具有潜在作用的数据进行抽取，并对可以理解的知识以及模型、规则等进行利用的过程。数据挖掘在近年来的利用中越来越普遍，在不断的完善和发展中，成为一门具有广泛涉及面的交叉学科，不仅在内容上融合了人工智能、数理统计、数据库等多方面的技术，还在金融、保险、零售及电信等多个领域中发挥着重要的作用。
1.2 数据挖掘的分析方法
数据挖掘在目前的各个领域当中有着重要的利用价值，其发展空间也十分巨大。就目前的具体研究来看，对数据挖掘进行分析，需要的方法有关联规则、分类、聚类、序列模式等。其中，对于关联规则分析法的研究，其目的是希望在事务数据库中发现经常共同出现的项目，从而推断出隐藏在项目背后的某种互相关联的规则。分类法指的是按照一定的特征对数据对象进行划分的过程，在利用分类法时，要求有已知样本分类作为训练集。聚类指的是利用聚類技术进行数据对象内在规律的识别，通过聚类法分析，相似的类可以得到聚合，数据的分布规律也可以导出。
2 基于数据挖掘技术的分析型CRM
2.1 CRM产品的分类
由于数据挖掘技术在其应用领域中展现出重要价值，因此基于数据挖掘技术会产生众多的产品，分析型CRM就是其中的突出代表。就目前的CRM产品来看，主要按照功能分为三类。第一类是操作性CRM。此类产品强调的是通过技术手段实现企业内部与客户相关的销售、服务以及支持和市场业务等方面的自动化。第二类是协作性CRM。此类产品的应用目的是通过自动化的手段集成，管理企业所有的与客户交互的渠道，从而改进客户服务。第三类是分析型CRM。此类产品的利用目的是要在数据挖掘和数据仓库技术的支持下，通过对海量数据进行分析，从而理解客户的分类、价值以及忠诚度和消费行为等。可见，以上三类产品在使用中都有其独特的性能和价值。其中，分析型CRM在超市客户关系管理中的应用价值更加显著。
2.2 数据挖掘技术在分析型CRM当中的应用
在超市客户关系管理系统的建设中，分析型CRM运用数据挖掘技术相对较为普遍，同时更能贴近市场和满足管理的需要。数据挖掘技术在分析型CRM当中的应用主要体现在3方面。第一，客户群体的细分。利用分析型CRM，可以将客户的性别、收入、交易行为等方面的特征进行具体总结，根据这些细小行为特征，企业可以将客户群体进行进一步分类。第二，交叉营销。交叉营销指的是向已购买商品的客户推荐其他的产品和服务。这种策略和客户的兴趣爱好以及购物倾向等有密切关系，所以也需要分析型CRM进行。第三，客户流失分析。利用分析型CRM可以将客户流失的原因以及易流失客户的具体特征进行掌握，这对于超市客户流失管理而言意义重大。
2.3 基于数据挖掘的分析型CRM系统的框架结构
在超市客户关系管理系统的构建中，数据挖掘技术需要得到重点运用，而分析型CRM产品使用了数据挖掘技术，并对系统建立产生了重要的影响，所以研究分析型CRM产品的系统结构也就具有了重要价值。就目前的具体分析来看，分析型CRM系统的框架结构主要包括5个基本模块：第一，总控程序；第二，图形用户界面；第三，任务组件模块；第四，挖掘殷勤及数据挖掘算法函数库；第五，数据准备模块。这5个模块构成了完整的分析型CRM系统框架结构，并使得分析型CRM产品具有巨大的应用价值。
3 数据挖掘技术在客户流失分析中的运用
超市作为服务性的企业，避免客户流失是其经营过程中需要重点考虑的问题。客户关系管理系统的建立，有助于超市了解客户的流失情况，进而采取有效的避免措施，所以在建立客户关系管理系统时，积极地使用数据挖掘技术进行数据分析，能获得良好的效果。
3.1 需求理解和模型选择
客户流失分析实际上是超市希望能够在基于数据挖掘技术的基础上，建立客户流失的预测模型，从而详细地掌握对客户流失率有重大影响的因素，并从这些因素出发进行相应的控制。从具体的利用来看，分类和聚类两种方法都可以用来进行客户流失的分析。从具体的方法利用来看，分类和聚类存在较大的区别，而两种方法最大的差异在于对已标定样本的需要。因为在具体的分析中发现可以获取以往客户是否流失的数据训练样本，所以在具体的方法选择上，使用分类的优势更明显一些。 3.2 数据准备
在进行数据挖掘时，数据准备是一个必要的阶段，因为数据准备的充分性对于挖掘算法的效率及正确性有着非常显著的影响。从具体的应用实践来看，数据准备阶段的时间利用占据整个数据挖掘进程的60%，可见数据准备的重要性。从工作实践性方面进行分析，可以发现数据准备工作需要进行数据清理、数据集成、数据变换和数据归纳等工作。
3.3 核心算法
核心算法指的是在数据准备完成后，挖掘数据引擎调用相应的算法进行的数据挖掘分析。超市数据挖掘利用分类法的优势更加显著，所以要利用分类决策树方法进行客户流失分析。在确定好核心算法之后，对已经准备好的数据进行测试，就可以根据该客户的属性以及交易行为历史对该客户是否流失进行决策树判断。
3.4 决策树算法
在超市管理活动中，存在众多的经营决策实例，这为数据挖掘技术在决策树算法中的应用提供了归纳学习算法的基础，保障了决策树算法较高的分类准确率。决策树作为一种预测模型的算法，它需要通过数据挖掘技术获得大量数据，并进行有目的的分类。在运用中，决策树算法的执行结果是一棵能够表明哪些因素影响客户流失的决策树结构图，某个条件下的一个记录集用树的一个叶节点进行代表，树的分支根据记录字段的不同来取值建立。以此类推，在每个分支子集中重复建立下层节点和分支。当然，结合实际的市场价值和超市的经营情况，对生成的决策树需要进行修剪，剔除效率较低的分支，从中得到具有商业价值的信息。运用决策树算法时，系统可以利用图形可视化的方式辅以文本及报表等展示结果，以方便决策人员进行分析。
3.5 模型評估
客户流失分析的准确性不仅依赖于数据挖掘技术所获得的全面的、可靠的数据，同时对分析模型的合理性和科学性提出挑战。例如：对于决策树算法的运用就要准确根据市场的实际情况选取建树参数。当然，分析结果的正确与否以及可利用价值大小和分析模型的关系也十分密切，所以需要对模型进行价值评估。
主要参考文献
[1]屈松川.数据挖掘技术在网上银行客户关系管理系统中的应用[J].福建电脑，2013（11）.
[2]宫新军.基于数据挖掘技术的客户关系管理系统研究[J].山东广播电视大学学报，2013（1）.
[3]陈东.数据仓库及数据挖掘技术在证券客户关系管理系统中的应用研究[J].数字技术与应用，2013（8）.
[4]冯志刚.房地产客户关系管理系统中数据挖掘技术的应用研究[J].民营科技，2014（10）.
[5]胡彬.基于数据挖掘的移动通信公司客户关系管理系统的分析设计[J].山东工业技术，2015（9）.
[6]王欣，薛雯，魏源彤.数据挖掘在客户关系管理系统中的应用研究[J].东北电力大学学报，2015（4）.