浅议客户关系管理中客户需求预测与识别的研究与实现

周 勇

（洛阳电光设备研究所，河南 洛阳 471023）

客户关系管理是一种以客户为核心形成的数据分析工具。随着国家经济体制的全面变革，市场营销行业的竞争压力逐渐增加，加强企业和客户之间的互动，能够及时了解客户的需求。因此，企业借助相关数据和技术，建立客户需求预测模型，能够推动企业和客户之间建立良好的关系，继而有利于开展刺激客户需求的营销活动，从而带动行业经济的发展。

1 客户关系管理的任务和主要内容

1.1 客户关系管理的任务以及客户关系管理中的数据挖掘

客户关系管理是企业为了了解客户行为，提高客户忠诚度的一种有效互动。如果将这种互动和信息系统等信息技术相互结合，能够进一步完善企业和客户之间的交互行为，而客户关系管理中可以运用的信息技术主要包括数据挖掘技术和数据库营销技术。要想有效开展这种交互活动，企业就要保证所有部门建立起协调合作的关系，并收集客户在销售过程中的全部信息，继而为企业进行客户关系管理工作提供准确的数据。企业在进行客户关系管理工作中，还要针对不同客户的不同需求，为客户提供更具有个性化和人性化的服务。单一地衡量客户的价值不能满足客户的全部要求，企业必须要有针对性地建立相应的客户集，选择合适的时间和地点，有目标地选择活动渠道，将符合客户需求和偏好的产品提供给客户，继而最大程度地吸引新客户。而实际上，客户关系管理是一个综合的循环系统，又是一个数据挖掘的过程，可以分为四个步骤。第一，收集整理客户数据。第二，分析客户数据。第三，在充分了解客户的信息后，利用数据挖掘技术，将现有的数据变成可以参考依靠的信息。第四，建立定制化的销售互动，互动结束后，通过客户的反馈对下一次的商业活动内容进行调整。

1.2 客户关系管理中的预测分析

预测分析就是一种数据挖掘技术，是客户关系管理的重要内容。这种技术利用收集到的数据进行建模，继而对企业各个阶段的数据进行预测，通过这种预测能够最大程度地对即将开展的营销活动进行优化，进而达到吸引客户的目的，从而避免出现客户流失。传统的客户关系管理在分析问题的过程中，需要市场营销人员构建相应的统计模型。虽然利用统计学理论能够建立统计模型，但仍然存在一定的局限性，因为市场营销人员在建模的过程中，往往需要进行相应的假设，这些假设虽然在一定程度上简化了建模量，但在假设过程中也会忽略一些关键性的问题。随后人工神经网络模型和支持向量机模型也逐渐发展起来，这两者相比较而言，机器学习预测方法能够更加准确地得到相应的预测结果。因此，本文在建立预测模型中，选择支持向量机模型，和人工神经网络形成的数学模型不同，支持向量计算法应用的核心思想是统计学理论和对偶理论，利用支持向量机进行客户需求预测，能够更加准确、灵活地识别客户需求模式。

1.3 客户关系管理中的客户聚类和细分

客户聚类和细分也是客户关系管理的重要内容。由于数据挖掘技术在实际应用的过程中也会存在一定的问题，面对一些较为复杂的数据时，数据挖掘技术也无法很好地发挥作用，因此，企业需要提炼客户的信息，再结合数据挖掘技术进行全面分析。客户聚类和细分就是一种针对复杂数据结构的提炼方法，对客户进行聚类后，数据挖掘技术能够更容易发现其中存在的问题。现阶段常见的聚类分析算法包括划分法、层次法、基于密度、基于网络、基于模型的五种方法。

1.4 客户关系管理中的个性化推荐系统

除此之外，随着国民经济水平的提升，个性化推荐系统作为另一种数据挖掘系统，也逐渐得到相关企业的重视，也是客户关系管理的重要内容。个性化推荐系统通过为客户提供个性化的信息与服务，能够提高服务质量和客户满意程度，让客户获得最好的销售体验。

2 建立客户需求销售预测模型

2.1 集合营销中的销售预测模型

销售预测直接关系着企业能否在复杂的经济环境下做出正确的决策，而这一决策需要大量历史信息和未来预测数据支持，而人工神经网络模型、支持向量机模型均可用于集合营销中的销售预测，这主要是由于二者均具备学习能力。两种模型的建模思路如下所示。①人工神经网络模型。图1为典型的销售预测中的人工神经网络模型，结合该图不难发现人工神经网络模型的隐藏层数目不宜过多，且其输出函数y（x）可以表示为：

图1 典型的销售预测中的人工神经网络模型

2.2 稳定波动性模式下的销售预测模型

稳定波动性模式主要是为了通过了解客户需要进行销售预测，该预测在营销活动策划、企业战略决策中发挥着数据支持的作用，而基于稳定波动性模式与支持向量机的混合预测模型，便能较好地服务于稳定波动性模式下的销售预测。其所取得的预测数据值精度较高，不过一些客户需求季节波动特性较强的行业并不太适用于该模型，这点需要引起业界人士的重视。2.3 营销活动频繁环境下的销售预测模型

营销活动频繁环境中的销售数据多存在时效性等特征，围绕该特征便可以开展精准度较高的销售预测，而支持向量机模型便能较好地服务于该环境下的销售预测。不过笔者经过深入研究发现，营销活动频繁环境提供的特征向量越多，并不代表销售预测的精准度越高，多数情况下4个特征向量的支持向量机模型能够取得最优的销售预测结果。本文认为出现这种现象主要是由于数据特征之间含有隐含关联性，为了设法提升向量机模型的应用精度，业界人士必须重视这种影响。

3 不同集合层次上的客户细分

3.1 不同结合层次上的客户细分内容

虽然基于集合营销而建立的销售预测，对企业进行规划、生产、销售开展具有明显的帮助和成效，但想要进一步地了解客户，和客户建立更加深入的行为和需求管理，就要对不同层次上的客户信息进行学习。客户细分是在客户关系管理中的一项极为重要的营销技巧。通过客户的收入水平、受教育程度以及其他信息对客户进行细分，对不同层次上的客户开展具有针对性的商业活动。而随着时代的发展进步，越来越多的市场营销行业开展了一对一的营销活动，而数据挖掘领域也开始进行个性化营销系统的研究。虽然一对一营销进一步深化了企业和客户之间的关系，但实际上应用一对一营销和集合营销的情况较少。因此，企业应该根据客户的细分程度，在不同水平上建立对应的学习模型。本文分为三种水平，分别为集合营销、细分营销和一对一营销。其中，集合营销是对企业内所有客户群进行分析，建立唯一的预测模型对客户群体进行分析管理；细分营销则是把相似客户归集到同一个类中，结合交易记录等信息即可分别建立预测模型；而一对一营销则是基于单个客户，由此实现个性化营销。总的来说，一对一营销能够实现更高质量的客户需求识别与预测，而这里的识别与预测开展需要得到优秀的聚类算法支持。

3.2 一对一营销的个性化推荐系统

结合上文内容，本文建议在进行客户细分时应结合一对一营销实现个性化推荐系统。这一推荐系统需要应用客户评价过的物品集合、给过隐性反馈的物品集合、相似兴趣集合、相似物品集合，而由此构建推荐系统基准模型，并结合基于邻域的算法、基于用户的协同过滤算法、基于物品的协同过滤算法、隐语义模型，便能够真正完成一对一营销的个性化推荐系统构建。值得注意的是，考虑企业盈利的推荐系统同样属于一对一营销的个性化推荐系统范畴，这一系统需要结合客户偏好与企业盈利，由此便可以建立个性化盈利推荐系统。

4 结 语

虽然数据挖掘技术在客户关系管理中的运用已经有了较为完善的理论，但由于客户关系管理长期以来没有得到重视，数据挖掘技术也就不能充分发挥作用。随着信息时代的到来，商业系统的智能化和信息化的水平逐渐提高，客户关系管理的重要性也逐渐凸现。近年来，社交网络平台上的营销行业也在发展，也为客户关系管理提供了全新的思路，客户关系管理还需要进一步深入研究，并进行不断完善。

［1］张嫣.数据挖掘技术在银行客户关系管理中的研究和应用［D］.武汉：中南民族大学,2008.

［2］杨涛.客户关系管理在DLHC国际货运代理公司的应用研究［D］.武汉：华中农业大学,2013.

［3］王浩.数据挖掘在客户价值管理中的应用研究［D］.武汉：华中师范大学,2007.