數(shù)據(jù)挖掘在商務智能決策與CRM中的應用

數(shù)據(jù)挖掘在商務智能決策與 CRM中的應用 北京科技大學 楊炳儒 教授 數(shù)據(jù)挖掘（知識發(fā)現(xiàn)）新進展 數(shù)據(jù)挖掘在商務智能決策中的應用 數(shù)據(jù)挖掘在 CRM中的應用 第一部分數(shù)據(jù)挖掘（知識發(fā)現(xiàn)）新進展 五、研究動態(tài)與趨向 一、數(shù)據(jù)挖掘 (知識發(fā)現(xiàn) )概念內涵與外延的發(fā)展 二、挖掘知識類型的擴展 三、挖掘技術方法的擴展 四、應用的擴展 一、數(shù)據(jù)挖掘 (知識發(fā)現(xiàn) )概念內涵與外延的發(fā)展 結構化數(shù)據(jù)挖掘 DM(KDD) 多媒體數(shù)據(jù)構成的大型異質異構數(shù)據(jù)庫，稱為復雜數(shù)據(jù)類型挖掘 CDM 動態(tài) (在線 )-分布式 -并行系統(tǒng) Web: 1、以文本為主的頁面內容挖掘 2、以客戶訪問信息為主 3、以 Web結構為主 多媒體：音頻、視頻、圖像、圖形、時序、空間等 基于知識庫的知識發(fā)現(xiàn)KDK 知識發(fā)現(xiàn)的新定義： 在現(xiàn)實世界中，針對客觀存在的具有海量性、不確定性、不完全性的量的、質的、復雜形態(tài)的知識源，挖掘其中潛在的、先前未知的、用戶感興趣的、最終可被用戶理解的模式的非平凡提取過程。 二、挖掘知識類型的擴展 擴展 擴展 關聯(lián)規(guī)則、分類、聚類、相似模式、 混沌模式、時序模式、預測等 文本、客戶訪問路徑、音頻、視頻 生物信息挖掘、游戲信息挖掘、 XML文檔、多語言文本挖掘、 圖表數(shù)據(jù)庫、分子結構數(shù)據(jù)庫等 三、挖掘技術方法的擴展 擴展 統(tǒng)計學（數(shù)理統(tǒng)計）、證據(jù)理論、 機器學習、神經網(wǎng)絡、粗糙集、 近似推理、小波、分形、概念格、 概念樹提升、決策樹等 Hilbert空間、信息融合與 神經網(wǎng)絡結合、距離測度函數(shù)、 數(shù)據(jù)立方體、隱馬爾可夫模型、信息熵、 主觀 Bayes方法、信息擴散等 四、應用的擴展 金融、醫(yī)療保健、市場業(yè)、零售業(yè)、 制造業(yè)、工程與科學、經紀業(yè)和安全交易、 證券交易、瑕疵分析、政府和防衛(wèi)、電信、 司法、企業(yè)經營管理等等 應用領域擴展 Internet、農業(yè)、氣象、遠程教育、 天文學、生物信息、地理信息等等 Marksman、 Think Machine、 DataMind、 Intelligent Miner、 KnowledgeSEEKER、等等 實例和軟件的擴展 MSMiner、 KDD*、 KDK*、 KD(D&K)等等 五、研究動態(tài)與趨向 目前國際上 KDD的研究主要是以知識發(fā)現(xiàn)的任務描述 、 知識評價與知識表示為主線 ， 有效的知識發(fā)現(xiàn)算法為中心 。 這是在相當長的一段時間內保持的主流 與基調。 國外研究動態(tài) 2003年 8月 27日在華盛頓召開了第九屆知識發(fā)現(xiàn)與數(shù)據(jù)挖掘國際會議，參與討論的專家一致認為： 數(shù)據(jù)挖掘正面臨著巨大的機遇和挑戰(zhàn)。 其中 U. Fayyad認為 從科學發(fā)展的長遠來看 ,最大的絆腳石是基礎理論的缺乏以及所面臨的問題和挑戰(zhàn)的清晰明白的闡述。 他認為對于我們要做什么，幾乎沒有理論甚至工程實踐來指導：在今天它仍然是” 不為人知的藝術”。 我們需要理論來指導我們要做什么以及要如何作。這些理論能夠促使工程解決方法的出現(xiàn)，這樣我們也可以將我們的 “手藝”更有效的教給其他人。而這種形勢與從業(yè)者以及對應用感興趣的人們的巨大的熱情同時存在，這些人來自不同的領域，但是沒有科學根基以及持續(xù)的學術發(fā)展，本領域不可能得到發(fā)展與鞏固。 R.Uthurusamy認為 WEB的使用和生產廠家的大肆宣傳等都會在短期內影響本領域的發(fā)展，它們會使得我們將更多的精力投向數(shù)據(jù)庫營銷、 CRM和OLAP等方面，而不是致力于使 KDD從根本上或科學上有大的進步。 KDD的基礎研究界必須消除這些干擾而去努力解決 KDD的真正的根本的問題。 國內研究動態(tài) 我們編制了了軟件對中國期刊網(wǎng)上 1994年至今的論文進行了分類與統(tǒng)計。 1、歷年發(fā)表文章數(shù)分類匯總圖示如下 (含所有的類別共 11707篇 ) 0500100015002000250030001994年 1995年 1996年 1997年 1998年 1999年 2000年 2001年 2002年 2003年 2004年 2、按照數(shù)據(jù)挖掘、決策支持系統(tǒng)、專家系統(tǒng)方面的文章統(tǒng)計圖示如下： (評價 ) 02004006008001994年 1995年 1996年 1997年 1998年 1999年 2000年 2001年 2002年 2003年 2004年發(fā)展的基本特征 （ 1）原有理論方法的深化與拓展 如： 1）網(wǎng)絡數(shù)據(jù)挖掘；流數(shù)據(jù) ;混合數(shù)據(jù)。 2）基于神經網(wǎng)絡的的時序數(shù)據(jù)、相似序列、快速挖掘算法的研究等 。 3）粗糙集與支持向量機模型與方法的擴展。 4）凸分析與數(shù)據(jù)包絡分析方法的運用。 5）增強（強化）學習模型與方法的運用。 （ 2）復雜類型（系統(tǒng)）數(shù)據(jù)挖掘成為熱點 如： 1） 生物信息挖掘。 Knowledge Discovery for Promoter Structure Analysis Study of Motif Correlation in Proteins by Data Mining （用數(shù)據(jù)挖掘技術進行蛋白質中啟動子的結構分析） 2）半結構化、非結構化等復雜類型數(shù)據(jù)挖掘。 A Method for Mining Data of Sequential Images- Rebuilding of Gray (Position) time Function on Arbitrary Direction Lines （基于圖表數(shù)據(jù)庫知識發(fā)現(xiàn)系統(tǒng)的概念等級聚類 ） 3）分布式數(shù)據(jù)挖掘系統(tǒng)。 4）動態(tài)、在線數(shù)據(jù)挖掘系統(tǒng)。 5）流數(shù)據(jù)、混合數(shù)據(jù)與不完備數(shù)據(jù)挖掘系統(tǒng)。 （ 3）新技術與方法的引入（其它學科領域的滲透） 如：人工免疫系統(tǒng)方法；協(xié)同驗算方法 ;模擬退火算法；保角變換方法；黎曼幾何方法等。 （ 4）理論融合交叉性研究 如：基于 RoughSet的證據(jù)推理算法；模糊關系數(shù)據(jù)模型與粗集結合算法等。認知心理學、認知物理學、認知生物學等。 （ 5）基礎理論研究 內在機理研究；自主知識發(fā)現(xiàn)框架； DM=數(shù)據(jù)集 +似然關系 +挖掘算法等。 第二部分 數(shù)據(jù)挖掘在商務智能決策中的應用 一、基于信息挖掘的新型智能決策支持系統(tǒng) 二、商務部國際商務中心項目簡介 三、軟件系統(tǒng)實現(xiàn)整體說明 一、基于信息挖掘的新型智能決策支持系統(tǒng) 自從美國麻省理工學院的 Michael S.S.Morton和 Peter G.W.Keen于 20世紀 70年代首次提出決策支持系統(tǒng)（ DSS）以來，其發(fā)展迅速，不斷取得顯著的成果，并成為許多行業(yè)經營管理中一個不可缺少的現(xiàn)代化決策支持工具。現(xiàn)在正逐步形成新一代的 DSS：群決策支持系統(tǒng)（ GDSS），分布式決策支持系統(tǒng)（ DDSS），戰(zhàn)略決策支持系統(tǒng)等，尤其是智能決策支持系統(tǒng)（ IDSS）的出現(xiàn)，將人工智能的知識推理等技術引入 DSS，使 DSS的發(fā)展進入了一個新的階段。近年來，又相繼出現(xiàn)了基于數(shù)據(jù)倉庫與基于 WEB的智能決策支持系統(tǒng)，大大推進了 IDSS的發(fā)展。 但是，傳統(tǒng)的決策支持系統(tǒng)尚存在著推理技術單調，自學習能力較差，形成知識庫中的知識不足夠豐富這一新的 “ 瓶頸 ”現(xiàn)象。近年來 Internet迅速發(fā)展，網(wǎng)上信息極大豐富而知識卻相對缺乏，并且這些信息和以往決策支持系統(tǒng)所處理的信息不同，是非結構化的，這就使其處理方式也必然有所不同。所以新一代決策支持系統(tǒng)的發(fā)展方向是高度智能化，以多種知識表示、自組織協(xié)同工作、自動知識獲取和自適應能力較強等為特征。 為此，我們提出了基于信息挖掘的智能決策支持系統(tǒng) IDSSIM，這里的信息挖掘區(qū)別于通常的數(shù)據(jù)挖掘，是從結構化數(shù)據(jù)或復雜類型數(shù)據(jù)（文本、日志、音頻、視頻、圖像等）中提取新穎、潛在有用知識的非平凡抽取過程。所形成的 IDSSIM結構模型可廣泛應用于各行各業(yè)在管理信息系統(tǒng)的基礎上所提升的輔助決策支持系統(tǒng)中。 IDSSIM的總體結構模型如下圖所示： 在線幫助子系統(tǒng) 決策者 用戶接口 問題解釋子系統(tǒng) 自檢子系統(tǒng) （指令與測試指標傳輸） 模型定位子系統(tǒng) 分級診斷子系統(tǒng) 綜合知識庫 （問答集， K D D * 知識，推理知識） W E B 知識庫 基于推理機制的 知識發(fā)現(xiàn)子系統(tǒng) 基于雙庫協(xié)同機制 的知識發(fā)現(xiàn)子系統(tǒng) 基于 W E B 挖掘 的知識發(fā)現(xiàn)子系統(tǒng) 知識庫 數(shù)據(jù)庫 方法庫 模型庫 文本庫 日志庫 多庫管理子系統(tǒng) 知識獲取子系統(tǒng) 專家知識 書本知識 I n t e r n e t I D S S I M 總體結構模型 其理論基礎是我們提出的基于雙庫協(xié)同機制的知識發(fā)現(xiàn)系統(tǒng)KDD*和 WEB數(shù)據(jù)挖掘過程，它以多個知識源的知識融合、多抽象級與不同知識層次的結構，以及使數(shù)據(jù)庫、知識庫、方法庫、模型庫、文本庫、日志庫六庫協(xié)同運作為特征，形成了極其豐富的動態(tài)知識庫系統(tǒng)與相應的集成推理機制，為解決決策系統(tǒng)構造中的核心技術提供了一條有效的途徑，也從根本上提高了決策支持系統(tǒng)的實用化程度。 系統(tǒng)的核心是 “ 源于信息的知識發(fā)現(xiàn) KDBI”（ Knowledge Discovery Based on Information），它在模塊實現(xiàn)上主要包含三個部分：基于雙庫協(xié)同機制的知識發(fā)現(xiàn)子系統(tǒng)（ KDD*）、基于推理機制的知識發(fā)現(xiàn)子系統(tǒng)（ KDRM）和基于WEB挖掘的知識發(fā)現(xiàn)子系統(tǒng)（ KDWM）?？纱致缘乇硎緸椋篕DBI KDD*+KDRM+KDWM。 首先，六庫（數(shù)據(jù)庫、知識庫、方法庫、模型庫、文本庫、日志庫）在多庫管理子系統(tǒng)的管理下協(xié)同運作。知識獲取子系統(tǒng)可以從領域專家那里獲取知識，也可以獲取書本中的知識，并將這些知識存儲在知識庫中?；谛畔⑼诰虻男滦椭悄軟Q策支持系統(tǒng)。 其次，知識庫中的知識可以直接納入綜合知識庫，也可以被基于雙庫協(xié)同機制的知識發(fā)現(xiàn)（ KDD*）子系統(tǒng)利用，在以屬性為基礎的知識庫建庫原則下，通過搜索知識庫中知識結點的不關聯(lián)態(tài)，產生 “ 創(chuàng)見意向 ” ，發(fā)現(xiàn)短缺知識。 再次，基于推理機制的知識發(fā)現(xiàn)子系統(tǒng)（ KDRM） ,包括用一種或多種知識表示方法描述的已知問題及其解法的描述集合的知識庫和需要求解的問題集；通過 Fuzzy推理、演繹推理、廣義綜合歸納推理和基于案例的推理等，構造規(guī)則集和發(fā)現(xiàn)新知識。來自 WEB的信息首先被存儲在文本庫和日志庫中，并由基于 WEB的知識發(fā)現(xiàn)子系統(tǒng)挖掘關于訪問信息、文本和結構方面的知識，并將挖掘結果存入 WEB知識庫。 二、 商務部國際商務中心項目簡介 在與國家商務部國際商務中心的合作中，構造了基于我們專利技術的“面向加工貿易基于競爭情報的智能決策支持系統(tǒng)” 。針對外貿加工中國內采購與供應鏈系統(tǒng)進行深入分析，通過數(shù)據(jù)挖掘、 WEB挖掘、案例推理與 OLAP等技術，挖掘出一些平時很難靠直觀或憑借經驗發(fā)現(xiàn)的規(guī)則，發(fā)現(xiàn)了若干新的知識。對領導戰(zhàn)略決策與企業(yè)經營決策管理有一定的參考價值。 利用商務部國際商務中心長期積累的對外加工貿易的數(shù)據(jù)，充分運用我們的創(chuàng)新性信息處理技術和數(shù)據(jù)挖掘技術，開展研發(fā)工作。目前已通過驗收，并將對國家的對外貿易和商務活動產生較大影響。概括起來有如下幾點： 1）為對外貿易企業(yè)“請進來，走出去”提供決策支持 ； 2）為領導關注的熱點問題，提供決策支持； 3）為外商投資提供咨詢指導； 4）為國家和地方招商引資提供科學的建議。 項目主頁應用窗口 三、軟件系統(tǒng)實現(xiàn)整體說明 1、 OLAP 問題域 運行環(huán)境與開發(fā)工具 OLAP問題域 1、經營企業(yè)信息分析 2、國產料件分析 3、進口料件分析 4、加工行業(yè)分析 5、外商分析 6、進出口幣種分析 7、工繳費分析 8、口岸與海關分析 9、出口成品分析 OLAP運行環(huán)境與工具 服務器端： 硬件：性能較好的服務器、網(wǎng)絡鏈接 軟件： ORACLE數(shù)據(jù)庫服務器及數(shù)據(jù)、 BRIO INTELLIGENCE SERVER、 BRIO CLIENT DESIGNER 客戶端： 硬件：普通 PC、網(wǎng)卡、 INTERNET 網(wǎng)絡鏈接 軟件： BRIO CLIENT EXPLORER、通用瀏覽器 2. KDD* 問題域 計算模式與開發(fā)工具 總體設計流程圖 KDD*問題域說明 預 想： 就采購價值鏈方面內容，展開數(shù)據(jù)挖掘，重點 對國內采購現(xiàn)狀，抽取相關關聯(lián)規(guī)則，提供領 導決策信息。 方法特征： 智能系統(tǒng)內在的使用了人工智能方法與軟 計算方法，知識發(fā)現(xiàn)方法 尋求新穎的知識 類型，因而所發(fā)現(xiàn)的知識與數(shù)據(jù)狀況密切 相關。在未作實際挖掘前難以確定其明確 主題。 將提交結果： 就目前挖掘情況看，領導決策方面與企業(yè)經 營決策方面的內容都可能發(fā)現(xiàn)較有價值得知 識。因而，須在實際研發(fā)過程中，逐步篩選、 調試、聚焦。 KDD*計算模式與開發(fā)工具 計算模式：客戶機 /服務器模式 運行環(huán)境與開發(fā)工具 客戶端： windows平臺， DELPH， ODBC 服務器端：商務部現(xiàn)有環(huán)境和 ORACLE數(shù)據(jù)庫 系統(tǒng) KDD*總體設計流程圖 數(shù)據(jù)清洗主題管理知識庫管理構建知識庫屬性離散化用戶自定義挖掘 啟發(fā)式數(shù)據(jù)挖掘中斷評價對數(shù)據(jù)進行離散化形成挖掘數(shù)據(jù)庫，為挖掘做準備形成基礎知識庫為下面的 啟發(fā)式數(shù)據(jù)挖掘做準備知識庫管理知識的展示總體設計流程圖 數(shù)據(jù)清理：主要完成數(shù)據(jù)源的選取 、 數(shù)據(jù)清洗 、去噪聲以及填補空缺數(shù)據(jù)等等 ， 也就是要為挖掘準為數(shù)據(jù) ， 確切的說就是為數(shù)據(jù)離散做準備 。 主題管理：主要是針對挖掘的目標不同而設立不同的主題 ， 這部分主要實現(xiàn)主題的定義 、 修改 、 刪除以及主題的選擇等功能 ， 在主題的定義中要完成與該主題相關的數(shù)據(jù) ， 也就是要在這里確定挖掘的方向 。 屬性值離散化：建立主題以后根據(jù)所選擇的數(shù)據(jù)確定語言變量以及所對應的語言變量值 ， 同時對所選定的數(shù)據(jù)根據(jù)語言變量和語言變量值進行離散形成挖掘數(shù)據(jù)庫 ， 為下面的挖掘工作做準備 。 知識庫管理：分為基礎知識庫管理和衍生知識庫管理兩個部分 ， 其中基礎知識庫包括基礎知識的錄入 、 修改 、 刪除等基本的維護工作；衍生知識庫包括挖掘出的知識的輸入 ， 只是的展示等工作 ， 這部分涉及到挖掘及知識的展示 。 數(shù)據(jù)挖掘：根據(jù)數(shù)據(jù)產生規(guī)則 ， 分為兩個部分用戶子定義挖掘和系統(tǒng)自動挖掘 （ 啟發(fā)式協(xié)調器 ） 。 用戶子定義挖掘是根據(jù)用戶感興趣的內容進行聚焦挖掘 ， 啟發(fā)式挖掘是根據(jù)基礎知識庫 ， 針對短缺知識進行挖掘 。 知識評價：對挖掘出的規(guī)則進行評價決定是否存入到衍生知識庫中 ， 首先是通過中斷協(xié)調器進行評價然后再經過領域專家進行評價來決定是否存入衍生知識庫 。 附：與此相應的，我們還研發(fā)了用于智能決策的“分布式數(shù)據(jù)資源集成系統(tǒng)”，給出了統(tǒng)一數(shù)據(jù)訪問接口、快速全文檢索、文本分類、文本數(shù)字化、個性化信息推送和信息發(fā)布等一攬子整體解決方案。 第三部分 數(shù)據(jù)挖掘在 CRM中的應用 一、數(shù)據(jù)挖掘對 CRM的影響 二、在 CRM中數(shù)據(jù)挖掘常用技術 三、解決實際商業(yè)問題 四、建立解決方案的關鍵 一、數(shù)據(jù)挖掘對 CRM的影響 21世紀的商業(yè)競爭不僅取決于對市場的反應速度，還取決于對本行業(yè)新知識的獲取、積累和有效利用的能力。實際上效率不再是商場上取勝的唯一關鍵。在這個新的啟用 web的電子商務經濟時代，靈活性和敏感性也是在競爭中取勝的重要因素。能夠提供客戶資源及相關數(shù)據(jù)分析的客戶關系管理系統(tǒng)（ Customer Relationship Management， CRM）就成為焦點。作為專門管理企業(yè)前臺的客戶關系管理為企業(yè)提供了一個收集、分析和利用各種客戶信息的系統(tǒng)，幫助企業(yè)充分利用其客戶管理資源，也為企業(yè)在電子商務時代從容自如地面對客戶提供了科學手段和方法。 客戶關系管理 (CRM)指的是企業(yè)與其客戶的交流方式，它實施于企業(yè)的市場營銷、銷售、服務與技術支持等與客戶有關的領域。 它 是一種管理理念，又是一種旨在改善企業(yè)與客戶之間關系的新型管理機制 ， 也是一種管理軟件和技術，它將最佳的商業(yè)實踐與數(shù)據(jù)挖掘、數(shù)據(jù)倉庫、一對一營銷、銷售自動化以及其它信息技術緊密結合在一起，為企業(yè)的銷售、客戶服務和決策支持等領域提供了一個業(yè)務自動化的解決方案，使企業(yè)有了一個基于電子商務的面對客戶的前沿，從而順利實現(xiàn)由傳統(tǒng)企業(yè)模式到以電子商務為基礎的現(xiàn)代企業(yè)模式的轉化。 CRM的特征 一對一營銷 高度集成的交流渠道 統(tǒng)一共享的信息資源 商業(yè)智能化的數(shù)據(jù)分析和處理 對基于 Web的功能的支持 CRM體系結構圖如下所示： 業(yè)務規(guī)則和元數(shù)據(jù)管理 工作流管理 聯(lián)系歷史 交易歷史 客戶和帳務數(shù)據(jù)倉庫 外部數(shù)據(jù) ETL工具 （ 抽取轉換裝載工具 ） 行銷數(shù)據(jù)集市 活動管理 分析數(shù)據(jù)集市 報表數(shù)據(jù)集市 活動管理 數(shù)據(jù)挖掘分析 數(shù)據(jù)源 行銷數(shù)據(jù)存儲 決策支持應用 特別查詢和報表 直接郵寄（廣告） 聯(lián)系管理 呼叫中心 銷售力量 客服中心 Internet 電子郵件 其他 信息渠道 CRM體系結構圖 在這個體系結構圖中，有很多用于產生和使用信息的客戶接觸點和發(fā)送渠道。經過集成和分析信息，可以完整、正確地得出客戶的大概情況 -他們的喜好、需求、抱怨、和使他們成為公司產品和服務網(wǎng)的終身會員的特性。最后數(shù)據(jù)倉庫環(huán)境下所有的部件都將被部署到適當?shù)奈恢茫⑻峁┒喾N用于集成和分析的重要功能。 從較高的層次看， CRM系統(tǒng)的體系結構很像一 棟房子： 客戶接觸點是根基 數(shù)據(jù)倉庫是地基 客戶利益性是隅石 數(shù)據(jù)挖掘是藍圖 Web應用是頂石 這些技術結合在一起便構成了完整的 CRM系統(tǒng)。 二、在 CRM中數(shù)據(jù)挖掘常用技術 比較典型的數(shù)據(jù)挖掘方法 關聯(lián)分析 序列模式分析 分類分析 聚類分析 決策樹 神經元網(wǎng)絡 規(guī)則歸納 三、解決實際商業(yè)問題 客戶盈利分析 新客戶的獲取 交叉營銷 客戶的保持 客戶的細分 客戶盈利分析 客戶盈利能力分析是數(shù)據(jù)挖掘的基礎，也是數(shù)據(jù)挖掘是否用于正確方向的一個指標。 一般情況下，在顧客身上的花費越多，他們保持更高的忠誠度和購買更多產品的可能性越大。保持客戶的忠誠度將對客戶盈利能力產生極深的影響。 數(shù)據(jù)挖掘技術可以用來預測在不同市場活動情況下的客戶盈利能力；可以預測未來的盈利能力；預測客戶盈利能力的變化。 新客戶的獲取 在大多數(shù)商業(yè)領域中，業(yè)務發(fā)展的主要指標里包括新客戶的獲取能力。新客戶的獲取包括發(fā)現(xiàn)那些對你的產品不了解的客戶，也包括以前接受你的競爭對手服務的顧客。數(shù)據(jù)挖掘技術可以幫助我們對潛在客戶群進行分析，并增加市場推廣活動產生的反饋率。 交叉營銷 交叉營銷是指你向現(xiàn)有的客戶提供新的產品和服務的營銷過程。公司與其客戶之間的商業(yè)關系是一種持續(xù)的不斷發(fā)展的關系，在這種關系建立起來以后，可以有很多種方法來不斷改善這種關系。雙方的目標是達到雙贏的結果，客戶獲益是由于他們得到了更好更貼切的服務質量，商家則因為增加銷售量獲利。 客戶的保持 隨著行業(yè)的競爭越來越激烈和獲得一個新客戶的開支愈來愈大，保持原有客戶的工作愈來愈有價值。使用數(shù)據(jù)挖掘技術可以用來預測哪些客戶具有高風險轉移的可能性。例如使用分類回歸樹 (CART)來生成各種預測模型，可以對客戶流失原因有深入的了解。 客戶的細分 細分是指將一個大的消費群體劃分成一個個細分群的動作，同屬于一個細分群的消費者彼此相似，而隸屬于不同細分群的消費者被視為不同。