查看: 2634|回复: 1

数据挖掘解析(By Rhonda Delmater & Monte Hancock) 翻译

[复制链接]
论坛徽章:
0
发表于 2007-7-13 16:20 | 显示全部楼层 |阅读模式
第二章:数据挖掘怎样改善你的服务和产品
有些公司只提供服务不提供产品,但一个公司不可能只提供产品不提供服务。即使是日用品的采购商都不能不在质量等问题上,面对与客户的交流。数据挖掘对于提高公司的销售,改善客户关系管理的流程,提高产品的供应都很有用。此章节将讨论支持这些客户关系管理功能的一系列的计算机应用,并重点描述客户分类(Customer Profiling); 客户交户中心(Customer Interaction Center);产品的改善等。
2.1 改善销售和服务
数据挖掘可以通过辨别关键情景和重要趋势来改善许多销售和服务功能。许多组织维持多种应用系统来维护客户信息。这些公司可能使用以下某种系统:
        合同管理系统(Contract Management System)和潜在客户管理系统 (Lead Management System)
        Sales Force Automation (SFA)
        客户服务自动化系统(Customer Service Automation), 又称客户关爱系统(Customer Care), 帮助中心(Help Desk),呼叫中心(Call Center),客户信息中心(Customer Information Center, CIC);
        订单系统(Order Fullfillment)
        Field Force Automation
        Marketing Automation, 包括客户关系营销(Relationship Marketing)或数据库营销(Database Marketing)
        电子商务(Electronic Commerce)
客户交户中心 (The Customer Interaction Center),或者是它的前身帮助中心(help desk), 一直以来被很多组织认为是CRM的焦点。客户满意度是维持市场份额的根本。有效的客户关爱的结果是非常满意的客户-尤其是那些很少体验恒久服务的客户。如果公司能礼貌,专业,迅速的对待客户,那么这些客户会很感激你所提供的服务。在今天竞争激烈的市场环境下,即使是日用品公司都需提供有效的客户关爱。不论公司的客户是另一些公司,或是消费者,或其他类型的客户,管理客户关系都是相当关键的。
“Fire and Forget” 销售方式的日子已经结束了。供应商不能因为自己没有准备好,便期待自己的客户不下订单。客户期待能够拿起电话,发个传真,或发个电子邮件,或访问供应商的网页来提交信息或服务邀请。他们期待快速,及时,一致,正确的访问到有关供应商业务,产品和服务的信息。他们也期待访问到自己的账户信息(包括订单状态等)。在我们进入新千年的时候,许多人看到CRM 的使命是能提供所有客户交互的一个全面的视图。这些交互包括网络,电话,支持,销售等等。不能和市场或客户服务继承的独立的销售系统明显已经非常不足。今天出现的全面的企业CRM 系统意在保存所有的客户交互纪录,包括每个公司代表与客户的联系。这些公司代表可能是销售,支持人员,培训,客户交互中心,或其他人,甚至是一些机械自动工具。
即使CRM人力能做到的话,手工的提供这样一些功能也需要很大的人力投入。CRM是一个“一星期7天,一天24小时”的工作,因为业务可能从地理上涉及很大范围,覆盖各个时区。服务国际市场加大了CRM的复杂性,增加了对人和系统自动化的需求,比如必须引进各种语言,物流的要求也增大了,适应各种文化的需求也增加了。
许多组织开始从人员配备,人员技能,以及其他自动化问题上着手,因为这些因素导致了语音交互系统(Interactive Voice Response System, IVR)实施的好坏。一些语音交互系统会被客户抱怨,因为它们在失望的客户和冷漠的业务中间建了一堵墙,这堵墙加剧了客户对服务的不满意。在现在竞争的环境下,这种无效的客户交互系统终将被这个网络市场所淘汰。所以为解决这样的问题,厂商们会再客户服务系统中提供智能自动化,换句话说,就是客户服务系统中嵌入了人工智能。
我们曾描述过一些昂贵而全面的CRM系统,相对来说他们并不成熟。一些大的企业软件供应商把ERP和CRM融合起来,成为更复杂完整的系统,这样所有的交易,不论是企业的前端还是后端,都可以共享相同的信息来源(数据和流程)。这样一个数据容器不仅可以加速数据挖掘,数据挖掘也可以使这个数据容器提速。
我们第一章讨论的,客户关系管理,对任何业务都是关键因素,不论这类业务是不是引入了CRM这样的概念。CRM覆盖了客户关系完整的生命周期,从潜在客户的开发( Lead Generation),到持续服务,支持,到客户的成长。每个组织都有“客户”,虽然他们可能被称为“病人”,“成员”,“伙伴”等,这个名字取决于这个组织所处的市场。
我们会在第二章进一步解释数据挖掘技术。这门技术可以应用于整个客户关系生命周期。下下面这个表提供了一些例子:
CRM 生命周期阶段        行为        数据挖掘例子
发现阶段(Finding)        潜在客户开发(Lead Generation)                客户获得分类(Customer Acquisition Profiling)
        潜在客户的网络挖掘
        目标市场
接触阶段(Reaching)        市场活动(Marketing Programs)                客户获得分类(Customer Acquisition Profiling)
销售(Selling)        销售(Selling)                客户获得分类(Customer Acquisition Profiling)
        在线商店(Online Shopping)
        情景提示(Scenarios Notification)
        以客户为中心的销售(Customer-Centric Selling)
客户满意度(Satisfying)        产品表现(Production Performance)
服务表现(Service Performance)
客户服务(Customer Service)                客户维持分类(Customer Retention Profiling)
        情景提示(Scenarios Notification
        职工安置预计(Staffing Level Prediction)
        查询线路(Inquiry Routing)
客户维持(Retaining)        客户维持 (Customer Retention)                客户维持分类(Customer Retention Profiling)
        情景提示(Scenarios Notification)
        个体客户特征(Individual Customer Profiles)
在建立以下这些例子,提高CRM业绩方面,数据挖掘的能力是很有用的,包括:
        了解客户行为模式,这样可以建立迅速适合的客户查询路径;
        了解客户购买习惯,来建议可能的兴趣产品;
        按照关注点来给客户分类(比如,预防或预测)(Categorizing customers for focused attention)
        对客户事件作自动智能回应(查询,购买,churn)
        提供预测模型,减少成本允许更有竞争力的价格
        在选择客户为中心的库存中帮助购买人选择(Assisting Buyers in the selection of customer-centric inventory).
2.2 客户分类(Customer Profiling)
客户分类(Customer Profiling)是指在客户后潜在客户中识别连续行为模式的一个过程。这个连续的行为模式可以帮助公司制定公司决策,并采取正确的行动。比如,客户分类(Customer Profiling)可以用来分辨征对某种类型的销售活动或销售意图哪些方面最有可能采取好的回应。这是一项很有用的技术,可以应用于CRM生命周期的各个方面。客户分类(Customer Profiling)可以使用高级的数据挖掘,或不是很复杂的挖掘方法。举Amazon.com为例,像在第一章中描述的那样,提供了一个用于交叉销售的客户分类(Customer Profiling)的例子。客户分类也可以支持商业活动管理和其他的销售目的。
高级的客户分类(Customer Profiling)的应用使用强大的数据挖掘技术,以客户的共同特征为基础,来建立预测模型。这种方法需要充分的历史数据,我们会书里进一步讨论这种方法。简单的讲,为了获得足够的数据,必须有一个充分的标本尺寸来支持数学模型的发展。数据必须有足够预测的突出性来支持应用。很典型的,我们只使用关键属性来用于客户分类(Customer Profiling)模型。这些属性对于在不用客户类型组之间识别不同点会很有效。一个属性是一个具有值的信息元素,这个值用来描述和测量一个实体或一个对象的属性。一个属性可能被称为数据栏位,元素,特性,特征,栏位,或是单元。一旦描述了特征,这些特征就可以依据他们最普遍的结果来识别。这些信息可以储存在一个容器里,比如一个电脑文件,一个报表,或是合并到一个自动的流程里。这个信息可以被储存到一个企业应用系统里,比如支持CRM的系统。
客户获得分类(Customer Acquisition Profiling)使用预测模式(Predictive Patten)来识别哪些客户最有可能采取哪种模式的采购。这对识别最好的潜在客户是很有用的(一些人认为这是开发潜在客户的一个方面)。这对于决策采用哪种市场活动对某些特定特征的客户最有效也是有用的。举个例子,一个金融服务提供商可以征对市场渗入定位于一个特定的市场或地理区域,比如向位于克利夫兰(Cleveland, 美国俄亥俄州东北部的一座城市)的成千上万小公司提供采购商贷款流程服务。这个市场的大小决定了,为了控制在一个合理的成本上,必须排除一些有效,复杂,一对一的营销。 最令人满意的结果是,最有可能将他们业务转到这家金融服务提供商的潜在客户可能已经用这些已有的指标识别出来了,之后市场就可以专注于这些能得到最好回报的投资了。
客户购买分类(Customer Purchase Profiling)与客户获得分类(Customer Acquisition Profiling)相似,因为购买模式是用来识别对已经处于购买模式的客户或潜在客户还有哪些其他的销售机会。相似的特征可以用来识别或优化交叉销售的机会或流程。
客户维持分类(Customer Retention Profiling)和客户购买分类(Customer Purchase Profiling)相似,因为预测模式(Predictive Patten)是用来识别哪些客户可能对公司保持忠诚,哪些不能。所有的公司每年都会预期经历一些客户周转。许多正在离开的客户并不能解释离开的原因,这使公司很难征对这些不能对公司保持忠诚的客户采取任何措施来维持他们的忠诚。如果那些可能将离开的客户在他们做出离开决策之前,就已经被公司识别,那公司就有更大的机会采取措施来维持他们的业务。同客户获得分类(Customer Acquisition Profiling)类似,可以构造出数据挖掘技术来决定维持的可能性的指标;并识别通过维持分类(Retention Profile)识别有较大忠诚度风险的客户。客户模型将会在书中讨论到。
某一天,CRM数据挖掘的应用可能发展到某点,个别的客户特征可能被发展或维护,这样个别的客户行为模式将在CRM系统中识别和应用。比如季节的购买模式,礼物或运动产品的个人市场篮子分析(Individual Market-Basket Analyses of Gifts)在商业促销中会很有用。
市场篮子(Market Basket)分析会识别哪些种类的产品客户更趋向于一起购买。比如,如果Franco在购买细面条,他还需要购买海员式沙司,和葡萄酒。相反的,如果Franco从来都不买调料和酒(他有可能自己做),它可能更愿意在看到购买建议时不包括那些自己不喜欢的产品。这种个人的购买行为模型在电子商务应用中尤其有用。
网络挖掘(Web-Mining)是客户分类(Customer Profiling)另一种应用。比如,一个聪明的经纪人通过搜索公司网页寻找符合供应商购买模型的潜在客户。
客户分类(Customer Profiling)可以用来支持情景提示(Scenario Notification)。情景提示(Scenario Notification)在应用系统中触发了某种数据模式的的信息识别或行为识别(Information or Action-based Recognition)。数据挖掘可以用来识别每种情景的兴趣模式。这样的数据模式可以是客户行为或其他流程的结果。这种情景提示(Scenario Notification)可以是不同的方式。比如Email,或是向客户服务序列提交了行为。这种情景提示(Scenario Notification)在各种销售,服务,和维持客户的活动中都有用。
关于客户分类(Customer Profiling)的其他信息会包括在第四部分的案例分析中。
2.3 客户交互中心
数据挖掘可以通过客户分类(Customer Profiling)技术的应用来驱动客户交互中心的项目。数据挖掘也可以用来支持查询路径和职工安置预计(Staffing Level Prediction)应用。你的“客户关爱中心”(Customer Care Center)可以比任何其他部门更持续的和你的客户保持联系。所以,在你的“客户关爱中心”(Customer Care Center)的员工在决定客户满意度,增加销售,并最终增加客户价值方面,会起到关键作用。客户分类(Customer Profiling)技术可以应用于客户交互中心服务的各个地方。客户模型和上面提到的情景提示,可以用在客户交互中心的各个地方,来改善客户满意并维持客户。
从客户交互中心获取帮助的客户对中心的类选流程(Triage Process)有着共同的抱怨。当人们去医院,他们期望一个知识丰富的专家(类选专家,Triage Officer)迅速地指定合适的医生给他们。遇到产品问题或服务问题的客户的期待是一样的。虽然他们经常和一个自动语音功能的机器说话,这样的机器会告诉他们一些他们并不想要的选择。或者,他们会由一个态度诚恳训练有素的客户代表不断推荐给另一位,最后对这个供应商完全失去兴趣。这样被强迫遵循帮助中心路线(Help Desk Roulette)的客户可能不会打电话给公司或向公司购买任何东西了。
数据挖掘可以为这种类选流程提供智能支持。这种支持对于某些类型的客户路径自动化很有效,可以决定什么时候人的干预是有效的;向客户提供自动的信息服务,并自动的监测整个客户交互中心的流程,以便为分析服务。
作为一种附加的利益,有目的并连续收集的“电话中心”数据为客户交互中心提供了可挖掘的数据来源,比如Churn Prediction。对服务不满意的客户在转向其他公司之前至少会给帮助中心打一次电话。
开发有效的预测模型,可以帮助对客户交互中心最优的人员配备做出决策。最好的模型可以预测每个工作职能人员配备的数量,并预测在一天,一周,一个月,或一年里某个时段需要的人员数量级别。由于新产品和服务可能是零星的推出,所以模型需要按照最近的不同逐步的改善。比如,一个说明季节变化的模型需要反应一个连续期间里数量或人员配备技能所经历的真实变化。这样一个预测模型不仅提供了客户服务的利益,也改善了效率,因此降低了成本。
2.4 数据挖掘可帮助你改善产品
之前我们举了例子,清楚地描述了数据挖掘能够改善销售和客户服务。看起来,用它来改善产品较有挑战性。但是,实际上,在改善产品方面存在着很多机会,比如设计,性能,安全,质保,交付,和包装。
书的作者最近参与了一家公司的客户满意度数据挖掘研究,这个研究的数据基础是工业标准调查数据 (Industry-Standard Survey Data)。这家厂商属于“世界三大汽车制造商”之一。这次研究的目的是识别有哪些汽车的关键零配件和关键性能对于客户满意度最有影响。数据挖掘研究的结果会对对于提高客户满意度的最关键产品的设计和新开发的投资有影响,也会对最好的满意度级别的性能选项组有影响。
延续汽车工业的例子到质保期和安全性能的数据挖掘,可以最终影响产品的设计,研发的投资,最终导致产品的改善。
数据挖掘可以通过优化交付的基础设施来优化产品和服务(比如 自动取款机的配置)。
2.4.1 及时制造 Just In Time (JIT)
Just In Time (JIT)在最后可能的时刻把所有行为的元素集合在一起,来保持低成本,这需要对流程有很深的理解和把握。对所需要时间不准确的估计会导致巨大的损失。所以预测模型在改善估计方面的能力,可以挽回巨大的损失。
数据挖掘为以JIT销售方式的公司,在改善产品供给方面做出了很大的保证,比如那些易腐烂或难于存储的产品的零售数量。这些公司必须根据市场的需求率恰巧的供应市场。汉堡是一个很好的例子。如果让汉堡呆在炉子里太久,那公司的业务会有问题;相反,让客户在收款台等待太久,公司也会出问题。
Just In Time 制造是数据挖掘提高效率的另一应用。能源行业的案例研究(22章)包括了JIT模型的一个很优秀的例子,这个JIT模型精确的预测了“电”这种产品每个小时的需求。
2.4.2 嵌入式智能(Embedded Intelligence)
当系统需要做决策制定功能或适应性功能时,系统能够使这些功能自动化,这样的系统就被称作具有嵌入式智能。这样的机器智能可以有多种方式。最普通的方式是常规规则基础的系统(Conventional Rule-Based System);模糊逻辑系统(Fuzzy Logic System); 和黑盒回归系统(Black Box Regression System);比如神经网络(Neural Networks)。黑盒回归系统模型根据一些没有明确说明的数学规则来运行,这些数学规则的参数来自样本数据。神经网络(Neural Networks)就是这样一个例子,它用来预测一个特定的结果。
使用嵌入式智能这种聪明的系统可以实施一些制定决策的任务,这些任务之前都是需要人的干预的。这样的系统,对于节约成本,维持结果的一致性,提高公司效率都具有很大潜力。“智能行为”对一系列顺序的行为作出反应。这样的智能行为包括行为的模式,也可能是数据挖掘行为的主题。数据挖掘出的行为模式可以提供运算法则和规则,嵌入式智能系统通过这些法则和规则来制定决策。
2.5 小结
数据挖掘对于提高公司服务和产品都是很有用的。它能从本质上使每个商业实体获利。除了支持广泛范围的CRM功能,数据挖掘还能支持客户服务,这一点,将在15章中提到。它也可以支持直接的市场行为,这一点,将在16章中提到。
论坛徽章:
0
 楼主| 发表于 2007-7-13 16:21 | 显示全部楼层

第十六章

零售行业数据挖掘
16.1 零售行业
“是钱在趋势着地球的运转”(“Money makes the world go around”) , 消费者销售渠道产生了大量的钱的流通。根据Hoover’s在线网站的统计,“美国零售业的收银机每年要吸收2.7万亿的钱;其中的四分之一来自日常采购,服饰,家具的销售。”为了达到我们的研究目的,我们定义所有的消费者销售渠道,包括耐用品的销售(比如汽车)为零售。传统的零售渠道包括百货公司,超市,专卖店,邮件定单销售。现在的社会中,电视销售,商业信息片,和网站,比如BottomDollar, Gomez, mySimon, 以及许多其他的网站使“桌面”销售方式或“座椅”销售方式的业绩都有增长。虽然这样的网站现在主要从事家居产品的销售(GAF),人们也已经开始在网络上购买汽车,房子,保险产品和其他产品和服务了。
16.2 零售行业面临的挑战
通常情况下,人们花在购买上的时间越来越少了。那些提供固定场所(“Brick and Mortar”)的零售商正在失去一些市场份额,而那些其他的零售渠道,比如电子商务等,客户群正在急剧增加。
16.3数据挖掘的应用
对于所有类型的零售商而言,理解和预测客户的购买习惯是很关键的。数据挖掘最直接的市场应用是使这些项目都非常省钱。市场篮子分析(Market Basket Analysis)上非常重要,而且从物理角度讲,也处于商店销售的前端,这个我们在第一章Amazon.com的例子中曾提到。
16.4案例分析:目录零售商(Catalog Retailer) 数据库市场项目
在这个案例分析中,Rhonda(本书作者)会见了Randy Erdahl和Tom Ebling. Tom Ebling.是Torrent系统的CEO。Randy Erdahl是Finghut公司研究和分析的集团经理,Finghut公司是美国最大的目录零售商之一,年销售额1609.2百万美金。这个公司提供消费者一系列的专门用品,和一般的产品目录。它渐渐从目录销售,直邮销售扩张到网络销售,并已经成立了多个大的互联网销售网站。写这本书的同时,Finghut公司拥有并运营着八个在线零售网站,而且是一些其他同类网站的股东。Finghut公司直接满足消费者订单的能力(“Direct-To-Market fulfillment capabilities”)是公司一个很大的资产,公司的电子商务业务也因此有很大增长。Finghut公司的股东是联邦百货公司(Federated Department Store),这家百货公司拥有声誉较好的Bloomingdale’s连锁和Macy’s连锁。所以Finghut公司为联邦百货公司的直销提供了很好的增长点。
Finghut公司每天都要发出很大数量的目录,平均每天100万,每年的成本大概是60亿美金。Finghut公司使用巨大的数据仓库,这个数据仓库包括700多万有效客户,每个客户都用高达1400个属性来描述。这些属性信息包括付款偏爱,购买产品,兴趣产品,重要日期等等。数据仓库为支持Finghut公司在商业活动和邮件发送所需的大量的市场数据应用方面,提供了基本的数据来源,因此也为公司的成长,做出了巨大的贡献。
16.4.1 问题定义(第一步)
Finghut最开始依靠一个促销计分系统(PSS, Promotional Scoring System)来给客户的价值打分。这个系统拥有巨大的数据仓库,包括很多信息,并根据记分为每个目录创建分发的清单。 这个系统的缺点是一个家庭会收到大量的目录。正因为此,Finghut公司需要花费大量的直销市场成本(亿万美金),所以Finghut公司需要征对大量的目录优化自己的客户选择。所以,这个问题可以定义为:
为当今的邮件销售识别最适宜的产品目录,分发给最适合的客户。
16.4.2 数据评估(第二步)
Finghut公司在直销市场上,已经拥有670万客户,并拥有大量的数据来支持这个市场流程。另外还有些数据被获取来支持这个新的邮件流优化(MSO, Mail Stream Optimization)流程。这个模型的大部分属性是RFM (Recency, 崭新;Frequency, 频率;Monetary, 货币)行为导向的。
16.4.3 属性的提取和改善(第三步)
有30个属性会用来测量每对目录的共同点。这个在新的MSO应用中很重要。
16.4.4 原型设计/模型开发(第四步)
Finghut公司开发了24个唯一的模型来支持这个MSO项目和120种目录。一些目录应用了唯一性(Unique)的人口特点(比如,婴幼产品,运动产品等)。每个日历和每个客户的表现都会被预测出来,这样就可以将它们组合起来使整个预测利润最大化。回归模型用来比较目录的饱和性(Saturation)。比如,有最高预测利润组合的目录可能不会发给客户,因为如果发给客户一个不同的组合,可能会从总体上带给公司更高的利润。线性优化技术被用来评估所有的目录组合。
16.4.5 模型评估(第五步)
为了评估MSO的业绩,公司在10个不同的控制组里,选择了百分之十的客户,进行了10个月的测试。虽然收入也有所减少,但是这远远小于广告费用的减少。
16.4.6 实施(第六步)
系统的计算机环境包括四个服务器,和一个分布的存储器系统。没有这样一个强大的系统,如果要出一份周报告,系统需要22天来执行。所以只有一次使用四个处理器让这些商业应用都平行运行,才有可能运行整个数据仓库来每周打印报告。然而,商业智能应用被设计成为需要顺序运行的程序。即使是在多处理器的系统上,每次也只使用一个处理器。这时,公司开始寻找解决方法。
Fingerhut最终选择了Torrent 系统公司的Orchestrate系统。这个系统在多个处理器间将数据分区,再使数据载多个平行实例间运行。最初测试用了百分之十的MSO 数据。1998年9月,Fingerhut公司将所有MSO数据放在Orchestrate 上运转。
现在,Fingerhut公司的系统需要检查7百万客户的需要,并需要为这些客户就20-40种目录记分。这个记分流程每周产生7亿多个分数,系统要从1万亿个目录中找到那些最好的方案。这个计分流程耗时12 个小时,仅相当于公司期望的72小时的六分之一。Finghut集团经理Erdahl说,我们现在能处理和控制很大的问题,这些问题以前连想都不敢想。
MSO这个项目大概持续了6个月。
16.4.7 投资回报的评估(第六步)
从系统的全面运转到现在,Erdahl估计系统已经为公司节约了近500万美金(18个月共节约5百万美金,大约每年350万美金)。对于系统未来的用途,Erdahl表示,“我们可以看到还有其他相关方面可以从MSO的这个投资里获得回报。”这些方面包括:开发一些新的房屋出租清单;在多个渠道间进行优化(比如互联网和邮箱);开发一些新品牌;优化联系人联系方式。
Fingerhut的网站甚至吹捧MSO系统会提供“更少但更精确的目录邮件”。系统除了给公司带来财务上的利益,也因为能给客户发送更精确的邮件,使公司在客户关系方面具备了很大优势。
16.5 小结
互联网和电子商务对直销方式有很深远的影响。必须在直邮的费用和与电子供应商的竞争之间进行衡量。所以必须引用一些更有效率的营销方式。看起来Fingerhut已经走在自己正确的轨道上,来实现在多渠道间扩展优化选择的项目。数据挖掘技术在这样的环境中是很有用的。

使用道具 举报

回复

您需要登录后才可以回帖 登录 | 注册

本版积分规则 发表回复

TOP技术积分榜 社区积分榜 徽章 团队 统计 知识索引树 积分竞拍 文本模式 帮助
  ITPUB首页 | ITPUB论坛 | 数据库技术 | 企业信息化 | 开发技术 | 微软技术 | 软件工程与项目管理 | IBM技术园地 | 行业纵向讨论 | IT招聘 | IT文档
  ChinaUnix | ChinaUnix博客 | ChinaUnix论坛
CopyRight 1999-2011 itpub.net All Right Reserved. 北京盛拓优讯信息技术有限公司版权所有 联系我们 未成年人举报专区 
京ICP备16024965号-8  北京市公安局海淀分局网监中心备案编号:11010802021510 广播电视节目制作经营许可证:编号(京)字第1149号
  
快速回复 返回顶部 返回列表