❶ 基于数据挖掘客户细分具有哪些优点

优点：

1、能够客观反映客户群体内在的特性，基于数据挖掘的分类是一种客观的分类，而不依赖主观的变量和分段的选择。它只与客户群体内在的特性和状态有关。通过了解个数有限的客户组的特点，可对客户群体组成有深刻的了解，并制定针对一个客户组或几个客户组的针对性营销方案。

2、综合反映对客户多方面特征的认识，基于数据挖掘的客户分类是考虑了客户的几十个因素而进行的分类，而非一两个变量的统计分析，所以这样的分类不是只基于客户的一两个侧面，而是基于客户的多方面特性，这样能全面把握客户，使得相应的营销方案具有针对性的效果。

3、有利于营销人员更加深入细致地了解客户价值：通过分析各组人群在ARPU值上的表现，可以更深地了解VIP客户的组成和其行为上的特征，以帮助营销人员针对性地培养和发展优质客户，也可以使客户经理在维护客户时加以参考，工作更加有效。

4、使营销工作有的放矢。由于这种细分方法在客户细分的过程中就对每个客户的多个变量进行了计算，因而，营销工作者既可以方便的得到每一个客户分组中的具体的客户名单，也可以方便地获得每个客户或更小一群客户的各个变量上的具体统计指标。

同时，也非常易于在客户行为细分的基础上基于其他变量对客户进行二次细分或多次细分，不会影响行为细分本身的客观性及有效性。

5、便于实现对客户的动态跟踪和维护。这种客户细分方法不仅可以在某一时点对客户进行细分，而且可以很方便的动态跟踪客户的变化情况。因为移动通信市场是一个变化迅速的市场，因而对市场的动态跟踪显得非常重要。能够及时发现客户的异常变化，从而进行预警分析和跟踪，对于保网工作而言非常有效。

利用数据挖掘技术对客户进行细分，可以产生几个到十几个不同的客户群体，分别表现为：国内、国际长途拨打较多、IP使用量大、短信发送量高、夜间话务量大、业务繁忙、本地繁忙等等，通过详细了解各个客户群体的特征，

既可以避免我们将同一ARPU值的客户需求等同于相似的客户，而且同样可以避免我们将行为相似的客户群体等同于同一贡献度的客户群体。

业务繁忙组与本地繁忙组客户的月平均通话次数大致相等，也就是说这两类客户通话次数都很多，都很繁忙，在客户服务时，他们对时间的要求更高，往往都是易于失去耐心的客户群体。

但是在客户贡献上，两者由于通话结构上的差异决定了两者的ARPU值差异。如果简单以ARPU值决定客户服务水平，那么本地繁忙组的客户极有可能认为客户服务不周而产生不满——而这部分客户又是非常有价值的客户，他们的不满也极有可能影响他人。

但是，如果我们以客户的通话繁忙程度这一单一变量来看客户，那么显然又难以在两者的价值上实现区分，因而有效的营销资源配置就失去方向。

基于客户行为细分基础上，可以实现行为细分与心理细分、行为细分与网龄细分、年龄细分、性别细分等紧密结合的综合细分方法，产生明确的目标客户列表，指导制定营销方案，实行精确营销。

(1)数据挖掘客户扩展阅读：

发展趋势

当前已出现的商业化数据挖掘软件进一步推动了数据挖掘技术的普及和发展，但在实际应用中仍存在不少问题和需要继续研究改进之处，当前主要的研究方向和发展趋势包括以下几个方面：

（1）增强可视化和交互性。一个具有良好的可视化和交互功能的数据挖掘系统可以使用户直观地看和理解数据挖掘任务的定义和执行过程，减少用户挖掘知识的盲目性和挖掘过程中大量无关模式的产生，提高系统的挖掘效率及用户对挖掘结果的满意度和可信度。

（2）提高可可扩展性。由于用户的应用环境是不断变化的，因此可扩展性对于数据挖掘系统来说非常重要，系统应该支持多种数据源的挖掘以及挖掘算法的可扩展性，允许用户根据需要加入新的算法。

（3）与特定行业应用相结合。随着应用环境的发展，通用的数据挖掘系统已越来越不能满足用户的需要，用户如果不了解挖掘算法的特性就很难得出好的模型，因此数据挖掘系统应该和特定的应用紧密结合起来，为该应用领域提供一个完整的解决方案。

（4）遵循统一标准。尽管目前数据挖掘还没有形成一套完整的业界标准，但已出现了一些标准，如数据挖掘过程标准CRISPDM、预言模型交换标准PMML和Microsoft的OLEDBforDM。遵循统一标准的数据挖掘系统间可以方便地实现挖掘算法和模型的共享。

（5）支持移动环境。目前将数据挖掘和移动计算相结合是一个新的研究领域，因此能够挖掘移动系统、嵌入式系统和普遍存在的计算设备所产生数据的数据挖掘系统是未来的一个新的发展趋势。

网络——数据挖掘系统

❷ 如何将数据挖掘技术应用到客户内在需求管理

客户内在需求管理是以客户为中心（而不是以产品为中心）、以企业与外部的业务交流为主导（而不是局限于企业内部的事务）、以企业的前端业务应用为主（而不是以企业的后端业务处理为主）的管理模式。
一、客户内在需求管理需要数据挖掘
当今社会，客户的价值已经越来越多地影响着企业的价值，客户内在需求管理（CRM）正是通过建立长期而系统的客户内在需求来提升单个客户价值的战略，其要旨在于帮助企业通过运用适合的技术以及合理的人力资源洞察客户的行为和他们的价值，以便企业能够迅速有效地对客户的需求进行回应。
客户内在需求管理（CRM）的核心是“了解客户，倾听客户”，客户内在需求管理的目标可以概括为“吸引潜在客户进入，提高现有客户满意度和忠诚度，降低客户流失”，总之一切的最终目的都是为了提高收益。
在企业关注客户内在需求管理的同时，信息技术的飞速发展为客户内在需求管理（CRM）的高效实施提供了技术保证，通过数据挖掘技术对客户内在需求进行深入分析可以满足企业对个体细分市场的客户内在需求管理需求（具体可查看马海祥博客《如何以客户为中心进行数据挖掘与分析》的相关介绍）。
数据挖掘主要是找寻隐藏在数据中的信息，例如发现趋势、特征及相关性的过程，也就是从数据中发掘出信息或知识。
二、数据挖掘技术及常用方法
数据挖掘（Data Mining）是从大量的、不完全的、有噪声的、模糊的、随机的数据集中识别有效的、新颖的、潜在有用的，以及最终可理解的模式的非平凡过程。
它是一门涉及面很广的交叉学科，包括机器学习、数理统计、神经网络、数据库、模式识别、粗糙集、模糊数学等相关技术，数据挖掘技术是客户内在需求管理的关键技术。
常用的数据挖掘技术包括关联分析、序列分析、分类分析、聚类分析、预测、孤立点分析等。
事实上，解决一个已给的业务问题时，数据挖掘一般混合使用两种及两种以上的技术类别。
1、关联分析
关联分析主要用于发现不同事件之间的关联性，即一个事件发生的同时，另一个事件也经常发生，关联分析的重点在于快速发现那些有实用价值的、关联发生的事件。
2、序列分析
序列分析技术主要用于发现一定时间间隔内接连发生的事件，这些事件构成一个序列，发现的序列应该具有普遍意义，其依据除了统计上的概率之外，还要加上时间的约束。
3、分类分析
分类分析通过分析具有类别的样本的特点，得到决定样本属于各种类别的规则或方法，利用这些规则和方法对未知类别的样本分类时应该具有一定的准确度，其主要方法有基于统计学的贝叶斯方法、神经网络方法、决策树方法以及support vector machines等。
在马海祥看来，利用分类技术，可以根据顾客的消费水平和基本特征对顾客进行分类，找出对商家有较大利益贡献的重要客户的特征，通过对其进行个性化服务，提高他们的忠诚度。
4、聚类分析
聚类分析是根据物以类聚的原理，将本身没有类别的样本聚集成不同的组，并对每一个这样的组进行描述的过程，其主要依据是聚到同一个组中的样本应该彼此相似，而属于不同组的样本应该足够不相似（具体可查看马海祥博客《聚类分析的方法及应用》的相关介绍）。
5、预测
预测与分类类似，但预测是根据样本的已知特征估算某个连续类型的变量的取值的过程，而分类则只是用于判别样本所属的离散类别而己。
马海祥认为预测模型可以使用较为传统的统计回归技术，也可以使用新的分类技术，目前最通用的是决策树归纳技术。
6、孤立点分析
数据库中可能包含一些数据对象，它们与数据的一般行为或模型不一致，这些数据对象称为孤立点，对这些数据的挖掘分析可以用于处理一些罕见事件，比如信用卡欺诈等。
三、数据挖掘技术在客户内在需求管理中的应用
一般来说，在企业管理客户生命周期的各个阶段都会用到数据挖掘技术，数据挖掘能够帮助企业确定客户的特点，从而可以为客户提供有针对性的服务。
企业通过数据挖掘，可以发现使用某一业务的客户的特征，从而可以向那些也同样具有这些特征却没有使用该业务的客户进行有目的的推销，还可以找到流失的客户特征，在那些具体相似特征的客户还未流失之前，采用针对性的措施。
目前，数据挖掘技术在客户内在需求管理关系中的应用有以下几个方面：
1、客户盈利能力
计算客户盈利能力有助于挖掘有价值客户，公司各个部门之间对客户盈利能力可能有不同理解，分析顾客的忠诚度，可以利用数据挖掘来挖掘忠诚度高的客户；可以通过数据挖掘技术可以有效计算客户盈利能力；还可以利用数据挖掘预测未来的客户盈利能力。
在马海祥看来，利用数据挖掘技术来预测客户盈利能力需要的两个因素：
①、记录潜在客户行为特征和发展成为客户行为特征的历史数据。
②、计量客户盈利能力的标准。
使用数据挖掘技术后可以增加客户盈利能力，增加客户盈利能力指客户在获得提升后，增加的盈利能力，如：客户得到某种优惠促销而增加部分开支去销售，则增加部分的开支给公司带来的利润即增加的客户盈利能力。
2、客户的保持和流失
企业的增长和发展壮大需要不断获得新的客户并维持老的客户，不论企业希望得到的是哪类客户，数据挖掘都能帮助识别出这些潜在的客户群，并提高市场活动的回应率，做到有的放矢。
现在各个行业的竞争都越来越激烈，企业获得新客户的成本正在不断上升，因此建立客户流失预测模型，得出即将流失的客户，对他们采取有效措施进行挽留，从而有效减少客户流失就显得越来越重要，数据挖掘可以帮助发现打算离开的客户，以使企业采取适当的措施挽留这些客户。
3、客户获得
在没有利用数据挖掘技术时，客户获取的传统方法就是选出一些感兴趣的人口调查其属性，获取这些人口的特征即可，但随着数据量的增大，传统的方法具有不可实现性。
利用数据挖掘在扩展客户市场活动时，利用数据挖掘技术挖掘出潜在的客户名单，在客户名单上列出可能对某些产品感兴趣的客户信息，便可更方便的获取更多的客户。
4、客户细分
客户市场细分指的是将客户划分成互不相交的类别，客户作为企业宝贵的资源，每一次与客户接触既是了解客户的过程，也是客户体验企业的机会。
因此，真正关心客户，为每位客户提供与客户内在需求一致的、个性化的服务，才能让客户体会到企业的价值。
近年来，一对一营销正在被众多的企业所青睐，一对一营销是指了解每一个客户，并同其建立起持久的关系。
数据挖掘可以把大量的客户分成不同的类，在每一个类里的客户具有相似的属性，而不同类里的客户的属性也不同，像聚类分析这样的数据挖掘技术，可以辅助企业进行客户细分（具体可查看马海祥博客《收集客户关系管理数据的策略和需求分析》的相关介绍）。
例如，化装品企业的客户分为：少儿、青年、中年和老年或者按性别分为男、女，通过数据挖掘可以了解其不同客户的爱好，通过提供有针对性的产品和服务，来提高不同类客户对企业和产品的满意度。
5、交叉营销
交叉营销是指在向现有客户提供新的产品和服务的营销过程，如那些购买了婴儿尿布的客户会对你的其他婴儿产品感兴趣。
交叉营销的升级形式为：升级营销，指向客户提供与他们已购买的服务相关的新服务。
数据挖掘技术在交叉营销中的应用首先表现为，分析现有客户的购买行为数据，进行交叉营销分析，具体数据挖掘过程包含三个独立步骤，即对个体行为进行建模；用预测模型对数据进行评分；对得分矩阵进行最优化处理。
然后进行建模阶段，利用上述建模的方法。
接下来就是评分阶段，对所建立的模型进行评定。
最后一个阶段就是优化阶段，通常有四种方法：质朴的方法、平均效益方法、个人效益方法、有约束条件的优化方法。
6、客户欺诈风险分析
在客户内在需求管理中，客户的信用分析和诈骗识别是非常重要的，因为一旦发生信用风险和欺诈行为，企业将面临管理活动的失败、市场份额的丧失和营销活动的失败，导致企业失去市场、顾客、竞争力和信誉。
根据马海祥博客收集的统计资料表明，企业间的欺诈行为是非常普遍的，而且一旦发生，给企业带来的损失是巨大的，如何准确、及时、有效地预测到企业可能发生的欺诈风险是非常有意义的，数据挖掘技术能够很好地解决此问题。
可以利用数据挖掘中的意外规则的挖掘方法、神经网络方法和聚类方法，对客户数据仓库中的数据进行分析和处理，分析欺诈为什么会发生？哪些因素容易导致欺诈？欺诈风险主要来自于何处？如何预测到可能发生的欺诈？采取何种措施可以减少欺诈的发生？以便分析和评价欺诈风险的严重性和发生的可能性，准确、及时地对各种欺诈风险进行监视、评价、预警和管理，进而采取有效的回避和监督措施，在欺诈风险发生之前对其进行预警和控制。
7、市场策略分析
利用数据挖掘技术可以对市场进行如下几种分析：预测客户生命期的价值；预测客户潜在价值；预测客户潜在生命期价值。
根据数据挖掘得出的结果，进行市场策略分析，充分发挥客户的现有价值和他的潜在价值。
对现有价值和潜在价值进行策略分析时，当客户的现有价值与潜在价值一样，则维持的最低费用，当客户的潜在价值高于现有价值，则发挥其潜在价值的最低费用。
在此，马海祥还要提醒大家一点：如果利用数据挖掘不能增加的客户现有价值或潜在的价值，则应停止推销等活动，否则，就要加大或继续。
8、客户忠诚度
客户忠诚被认为是企业取得盛器利润增长的途径，客户内在需求管理需要培养和选择忠诚客户，使之与公司保持长期关系，但不是所有客户都愿意与公司保持联系，一些客户的购买决策只受价格、方便等因素的影响。
不论公司如何以诚相对，提供高的顾客让渡价值，客户一旦发现其他公司有更低价格的商品，便马上离开转向该公司，也有一些顾客更关心商品的质量、价值、服务、节约时间等，当他用本公司的产品感到满意以后，就会成为公司的忠诚顾客。
通过对许多客户资料进行分析表明，公司80%的利润来自20%的客户。
因此，忠诚客户对公司所带来的利润是巨大的，数据挖掘技术，可以通过对数据库中的大量数据进行分析，以确定消费者的购买习惯、购买数星和购买频率，分析客户对某个产品的忠诚程度、持久性、变动情况等，以确定忠诚客户，并为他们提供“一对一”的个性化服务，增强客户的忠诚度，最大限度地挖掘客户对企业的终生价值，为企业创造更大的利润。
数据挖掘中的差异性分析可用于发现客户的欺诈行为，分析客户的诚信度，从而获得诚信较好的客户。
转载