数据挖掘在客户关系管理中的应用研究

论文摘要

随着传统经营理念的改变,企业的重心从“产品”转移到了“客户”,客户资源已成为企业最重要的资产,CRM系统成为帮助企业了解客户和把握市场的重要工具。目前我国CRM软件以运营型CRM为主,用于实现企业中各部门业务流程的信息化、集成化。随着运营型CRM的使用,企业会累积越来越多的客户信息,对这些信息进行整合、挖掘和知识发现成为一种必然需求。数据挖掘是一种新的商业信息处理技术,其主要特点是对商业数据库中的大量业务数据进行抽取、转换、分析和其他模型化处理,从中提取辅助商业决策的关键性数据。现代企业的竞争是基于服务和信息的竞争,数据挖掘技术可以有效地从大量的客户数据中挖掘有用的信息和知识,进而可以有效提升客户关系管理的质量,达到提高企业竞争力的目的。本文从CRM的基本理念出发,研究了客户关系管理系统的结构和组成以及数据挖掘技术在其中的应用。在此基础上,提出了一种基于决策树算法的客户流失分析模型,并对经典的C4.5算法进行了改进。在建模前,对数据进行清洗、转换、修正是必要的,也只有这样,才能真正发挥算法的威力。本文针对缺失值,根据字段的重要性和缺失值情况,采用多种处理方式,使得数据更加合理,提高了挖掘的质量。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 研究背景
• 1.2 国内外概况
• 1.2.1 数据挖掘技术国内外概况
• 1.2.2 国内外数据挖掘技术的应用情况与发展趋势
• 1.3 论文主要工作
• 1.4 论文的结构
• 2 客户关系管理简介
• 2.1 客户关系管理概述
• 2.1.1 客户关系管理的基本概念
• 2.1.2 客户关系管理系统的结构及组成
• 2.2 CRM应用系统的分类
• 2.2.1 操作型CRM应用
• 2.2.2 分析型CRM应用
• 2.2.3 协作型CRM应用
• 2.3 客户关系管理系统的发展趋势
• 3 数据挖掘技术
• 3.1 提出数据挖掘技术的背景
• 3.2 数据挖掘技术的发展过程
• 3.3 数据挖掘的定义
• 3.4 数据挖掘的功能
• 3.4.1 概念描述
• 3.4.2 关联分析
• 3.4.3 分类与预测
• 3.4.4 聚类分析
• 3.4.5 异类分析
• 3.4.6 演化分析
• 3.5 数据挖掘中的常用技术
• 3.5.1 人工神经网络
• 3.5.2 决策树
• 3.5.3 遗传算法
• 3.5.4 最近邻算法
• 3.5.5 关联规则
• 3.5.6 数据管道
• 3.5.7 粗集理论
• 3.5.8 贝叶斯网络
• 3.6 数据挖掘过程模型
• 3.6.1 挖掘过程模型Fayyad
• 3.6.2 挖掘过程模型CRISP-DM
• 3.7 数据挖掘在CRM中的应用
• 4 CRM中的客户流失分析
• 4.1 客户流失的概念
• 4.2 数据挖掘的目标
• 4.3 数据准备
• 4.3.1 数据收集
• 4.3.2 数据预处理
• 5 建立客户流失分析模型
• 5.1 需求描述
• 5.2 改进的C4.5算法
• 5.3 模型评估
• 5.4 选择挖掘工具
• 5.5 模型对客户流失的指导意义
• 6 数据挖掘在商业银行客户流失预测中的应用
• 6.1 商业理解
• 6.1.1 财务原因主动流失
• 6.1.2 非财务原因主动流失
• 6.1.3 非财务原因被动流失
• 6.1.4 分析模型要解决的商业问题
• 6.2 数据理解
• 6.2.1 确定相关数据
• 6.2.2 数据描述
• 6.2.3 数据清洗及探索
• 6.3 数据准备
• 6.3.1 数据选择
• 6.3.2 数据聚合
• 6.3.3 数据抽样
• 6.4 数据修正
• 6.5 模型的建立
• 6.6 模型评估检验
• 6.6.1 测试数据集的选择
• 6.6.2 评估模型质量的标准
• 6.6.3 模型评估
• 结论
• 参考文献
• 致谢
• 作者简介及读研期间主要科研成果