如何以客戶為中心進行資料挖掘與分析

如何以客戶為中心進行資料挖掘與分析

資料挖掘與分析可以說是資訊領域發展最快的技術，很多不同領域的專家都從中獲得了發展的空間，使得資料挖掘成為企業界讨論的熱門話題。

随着資訊技術的發展，人們采集資料的手段越來越豐富，由此積累的資料日益膨脹，資料量達到GB甚至TB級，而且高位資料也成為了主流，于是資料挖掘這一融合多種分析手段，從大量資料中發現有用知識的方法就應運而生了，它的出現為商業決策提供了有價值的知識，讓企業獲得了利潤，在客戶内在需求管理中，資料挖掘正在起着導向的作用。

一、以客戶為中心的資料分析架構思想

資訊時代到今天已經發生了三個變遷，從80年代的硬體時代，到90年代的軟體時代，到2000年開始的客戶為中心的資訊時代。

我們也在這個階段看到了服務業的競争也發生了翻天覆地的變化——從以服務内容取勝，到服務管道取勝，到現階段的客戶體驗取勝。

1、從客戶視角建構業務架構

從宏觀視角看，業務戰略方向逐漸深入以客戶為中心的思想，從微觀視角看，在客戶為中心的思想驅動下，企業需要進行一整套的機制流程改變，包括客戶為中心的資料挖掘與分析，客戶為中心的業務規劃，客戶為中心的營銷規劃，客戶為中心的設計，客戶為中心的績效體系建構等。

傳統業務規劃我們通常隻考慮業務之間的邏輯關系，較小的考慮客戶操作視角中形成的一連串的心理反映、行為特征、價值取向等等，而在客戶為中心的業務規劃中，客戶的每個操作都需要詳細分析，記錄在案，通過行為軌迹綜合分析客戶心理特征，是以能夠更有效的促進客戶完成業務，以下為傳統業務規劃和客戶為中心的業務規劃的兩個對比：

（1）、傳統業務規劃

①、大腦風暴建構業務流程，從業務規劃者角度而非客戶角度出發。

②、我們不知道客戶需要什麼，更糟糕的是客戶可能也不知道。

③、每個環節都存在客戶流失，而我們不知道發生了什麼。

④、客戶每次點選都是營銷機會，但是我們錯過了每一次機會。

⑤、客戶在每一個環節都錯過了本來他可能會購買的商品。

⑥、當客戶離開時我們永久的失去了該客戶，沒有留下有價值的資訊。

（2）、從客戶視角建構業務架構

①、以客戶為中心的思維方式建構業務架構。

②、系統需要滿足不同類型的客戶的個性化需求，其核心為資料挖掘和應用。

③、系統需要協助客戶達成實作客戶期望，并幫助客戶發現并實作潛在需求。

④、系統需要智能尋找最佳的幫助時機，智能的進行客戶協助。

⑤、系統建設需要考慮未來系統的發展方向，其核心為客戶需求挖掘。

2、業務及營銷為中心的資料體系建設

今天的營銷正在發生巨大的轉變，客戶需要更大的參與度，與企業更多的互動，特别在電子管道中互動營銷正在成為主角。

客戶對企業的要求越來越高，對應的行為也在發生變化，而傳統以推送方式為主體的營銷方式不僅僅效率低下，而且使客戶越來越厭惡，這充分展現在了營銷轉化率低下，客戶拒絕率提升，滿意度下降等資料上。

如果我們細心觀察今天的廣告價格，您可以發現今天的營銷行為已經不再是把廣告投放到“新媒體”那麼簡單，今天的營銷人員必須找到出路，努力在多種高度互動的營銷管道中展開進階個性化和相關溝通，創造良好的客戶體驗，努力提升營銷效率。

以購買為例，我們經過客戶研究發現幾個行為特征，消費者首先對産品開始感興趣，此時銷售人員雖然可以幫助客戶，但是不宜直接對話，最佳方式通過系統智能的與消費者進行互動，幫助消費者決策，而當消費者産生了真正購買的沖動之後，消費者更願意主動通過IM方式與客服溝通形成購買行為（具體可檢視馬海祥部落格《收集客戶關系管理資料的政策和需求分析》的相關介紹）。

是以，營銷人員必須對整個每個營銷時機有提前預估，這就要求我們在資料體系建構時，必須能夠幫助營銷人員統計客戶變化情況，并且需要滿足營銷人員針對客戶每時每刻不斷變化的需求進行個性化營銷定制的需求，協助營銷人員展開精準營銷活動。

①、資料架構建設必須以業務及營銷為中心

②、資料架構建設需要滿足現有的業務需求，并且需要盡可能滿足未來業務發展的需求

③、資料架構建設重點在于實作智能互動

④、資料需要能夠用于分析，判斷，決策，使用

⑤、資料架構建設需要能夠反應出資料的變化趨勢，協助業務的分析判斷

二、資料分析架構的主要事件

主要事件事件描述分類根據業務的需要進行必要的分類，比如對客戶評級的分類，AA等級或AAA等級估計根據業務資料判斷的需要定義需要估計的資料和資料區間值，對業務進行補充和協助。

例如根據客戶儲蓄和投資行為估計客戶投資風格預測根據資料的變化趨勢預測資料的發展方向；例如根據曆史投資資料幫助客戶預測投資行情等資料分組根據業務需要對資料進行分組；例如購買A類的客戶通常也會購買B類，購買A的客戶後有一個B周期會産生C行為聚類資料集合的邏輯關系，比如同時擁有A特征和B特征的資料，可以推斷出其也擁有C特征描述描述性資料有助于提取關鍵要素進行資料歸納；例如從資料關鍵詞中進行近似業務營銷，備忘錄等複雜資料挖掘例如Video，Audio，圖形圖像等等。

1、分類（Classification）

在業務建構中，最重要的分類一般是對客戶資料的分類，主要用于精準營銷。

通常分類資料最大的問題在于分類區間的規劃，例如分類區間的顆粒度以及分類區間的區間界限等，分類區間的規劃需要根據業務流來設定，而業務流的設計必須以客戶需要為核心，是以，馬海祥覺得分類的核心思想在于能夠完成滿足客戶需要的業務。

由于市場需求是變化的，分類通常也是變化的，例如銀行業務中VIP客戶的儲蓄區間。

2、估計（Estimation）

通常資料估計是互動營銷的基礎，基于客戶行為進行資料估計為基礎進行互動營銷已經被證明具有較高的業務轉化率，銀行業中通常通過客戶資料估計客戶對金融産品的偏好，電信業務和網際網路業務則通常通過客戶資料估計客戶需要的相關服務或者估計客戶的生命周期。

馬海祥覺得資料估計必須基于資料的細分和資料邏輯關聯性，資料估計需要有較高的資料挖掘和資料分析水準。

3、預測（Prediction）

根據資料變化趨勢進行未來預測通常是非常有力的産品推廣方式，例如證券業通常會推薦走勢良好的股票，銀行會根據客戶的資本情況協助客戶投資理财以達到某個未來預期，電信行業通常以服務使用的增長來判斷業務擴張和收縮以及營銷等。

資料預測通常是多個變量的共同結果，每組變量之間一般會存在某個互相聯系的數值，我們根據每個變量的關系通常可以計算出資料預測值，并以此作為業務決策的依據展開後續行動。

4、資料分組（Affinity Grouping）

資料分組是精準營銷的基礎，當資料分組以客戶特征為主要次元時，通常可以用于估計下一次行為的基礎，例如通過客戶使用的服務特征的需要來營銷配套服務和工具，購買了A類産品的客戶一般會有B行為等等（具體可檢視馬海祥部落格《如何通過資料來分析使用者與産品的關系》的相關介紹）。

在馬海祥看來，資料分組的難點在于分組次元的合理性，通常其精确性取決于分組邏輯是否與客戶行為特征一緻。

5、聚類（Clustering）

資料聚類是資料分析的重點項目之一，例如在健康管理系統中通過症狀組合可以大緻估計病人的疾病，在電信行業産品創新中客戶使用的業務組合通常是構成服務套餐的重要依據，在銀行業産品創新中客戶投資行為聚合也是其金融産品創新的重要依據。

馬海祥提醒大家一點：資料聚類的要點在于聚類次元選取的正确性，需要不斷的實踐來驗證其可行性。

6、描述（Description）

描述性資料的最大效用在于可以對事件進行詳細歸納，通常很多細微的機會發現和靈感啟迪來自于一些描述性的客戶建議，同時客戶更願意通過描述性的方法來查詢搜尋等，這時就需要技術上通過較好的資料關聯方法來協助客戶。

描述性資料的使用難點在于大資料量下資料要素提取和歸類，其核心在于要素提取規則以及歸類方法，要素提取和歸類是其能夠被使用的基礎。

7、複雜資料挖掘

複雜資料挖掘比如Video，Audio等，其要素目前依然難以通過技術手段提取，但也可以從上下文與語境中提取一些要素幫助聚類，例如重要客戶标記了高度重要性的Video一般優先權重也應該較高。

複雜資料的挖掘目前處理的方式一般通過資料錄入的标準化來解決，核心在于資料錄入标準體系的規劃，馬海祥建議為了整理的友善，初期規劃是盡可能考慮完善，不僅僅适用現在，而且可以适用于未來。

三、從客戶需求到業務

針對不同客戶群體的特點和需求，我們也應有針對性的資料挖掘和分析，用個性化的服務赢得了廣大客戶。

1、客戶為中心的業務規劃思想

客戶為中心的業務規劃大緻有三個環節：從客戶研究到需求挖掘，從需求資訊到資料化的需求管理，從需求文檔到業務規劃與設計。

客戶為中心的業務規劃不僅僅需要考慮業務需求是否能夠滿足需求的問題，還需要考慮到業務的變化趨勢，業務的營銷重點。

2、資料挖掘技術

對于客戶資料的挖掘，我們可以通過以下幾種方法來擷取：

（1）、Clickstream Data點選流資料

①、直接通路數量

②、訪客來源

③、訪客地理位置

④、點選流跟蹤

（2）、Outcomes Data結果型資料

①、訪客（初次通路數，通路總數，平均回訪數，關注點）

②、頁面浏覽（平均浏覽數，總PV ，通路超過一頁的訪客比）

③、時間（全局，人均）

④、關鍵行為（如：注冊，購買）

⑤、轉化率

（3）、Research Data研究性資料

①、客戶研究

②、啟發式評估，客戶體驗測試

③、客戶屬性（資料庫分析）

④、客戶期望分析（從資料到服務）

（4）、Competitive Data 競争性資料

①、“面”資料測量（大衆分析）

②、網絡服務資料測量（行業分析）

③、搜尋引擎測量（輿情分析）

3、資料分析技術

對于資料分析技術，我們有可以分為初級資料分析和進階資料分析2種：

（1）、初級資料分析

①、Click Density Analysis  點選密度分析

②、Visitor Primary Purpose  訪客首要目的

③、Task Completion Rates  任務完成率

④、Segmented Visitor Trends  客戶分層

⑤、Multichannel Impact Analysis  管道分析

（2）、進階資料分析

①、客戶價值組屬性

②、客戶特征組屬性

③、資料估計值組合

④、資料預期值組合

⑤、聚類組合分析

⑥、客戶深層次研究

4、跨管道的資料互動思想

①、跨管道資料互動一般服務或者營銷為目的。

②、跨管道資料互動必須客戶為中心。

③、跨管道資料互動能夠給客戶立體式體驗，有效提升品牌體驗。

5、基于資料的互動式業務規劃

①、基于資料互動的業務規劃對象一般是一個系列産品或服務鍊條，通常廣泛應用于通信業，銀行業，保險業，零售業等。

②、基于資料互動的業務規劃必須以客戶為中心，分析客戶出現需求的各種時機，并智能比對以産品或服務，其實作以資料挖掘為核心。

6、基于資料的互動式營銷規劃

基于資料的互動式營銷主要指互動營銷，核心思想為分析客戶的特定時機需求，并根據該需求推薦相關産品或服務滿足客戶需要，廣泛應用于各種行業。

基于資料互動的業務規劃同樣必須以客戶為中心，分析客戶出現需求的各種時機，并智能比對以産品或服務，其實作同樣以資料挖掘為核心。

7、資料預測

資料分析：對照A服務和B服務的使用記錄，使用A服務的客戶在1個月收益小于B服務，而3個月會産生收益大于B服務。