詳解數據挖掘之客戶全生命周期管理

數據挖掘涉及到公司運營的方方面面，這包括對企業部門經營情況的評估、內部員工的管理、生產流程的監管、產品結構優化與新產品開發、財務成本優化、市場結構的分析和客戶關系的管理。其中，關于客戶與市場的數據分析是“重頭戲”。

一、客戶全生命周期管理

首先，以客戶全生命周期管理為例介紹數據分析運用場景和挖掘主題，如下圖所示。

1.發掘潛在客戶(市場細分)

關于這個主題的分析，更多的是基于地區、性別和年齡段等粗粒度的指標，結合產品設計定位和目標客戶群體進行匹配。比如，高檔母嬰產品的潛在客戶應該是新建高檔小區中的住戶。這類分析是運用最早的，在廣告投放、新店尋址等場景下大量使用。

2.客戶獲取

當客戶初次了解我們的產品和服務后，有可能會猶豫不決，拖延很久才可能真正成為我們的客戶，而大部分客戶在這期間會由于興趣逐漸減退而最終流失。比如，信用卡新客戶在填好個人信息，并收到信用卡后卻遲遲沒有開卡。這時就可以運用數據挖掘技術，對營銷人員得到的客戶基本信息進行一個初步篩選，找出購買傾向性較高的客戶進行深度跟蹤營銷。這么做既減少了人工成本，又降低了打擾客戶的次數，從而減少了投訴。同時在與潛在客戶的交流中，也會為其制定更個性化的產品或服務組合。

3.初始信用評分

當客戶最終購買我們的產品時，在涉及賒銷情況的時候，就會用到初始信用評分技術。這是根據客戶的性別、年齡以及居住場所等基本信息對客戶的信用進行預判。這類情況不只在銀行信貸中會遇到，在很多企業中都會遇到。企業的應收賬款就是一種自然的商業信用，建立好優秀的初始信用評分體系，可以使企業在不增大財務風險的情況下快速開拓市場。比如，IBM全球融資部(IGF)是一個為賒購買入IBM產品的小公司提供金融服務的部門，其在上世紀80年代開發的客戶信用評分模型對開拓全球市場功不可沒?，F在這個技術也成為了提高客戶滿意度的一種方式。比如，中國移動的先付費客戶的欠費額度和京東的“打白條”服務。

4.客戶價值預測

為了更好地為客戶提供服務的同時增加企業利潤，需要根據客戶的基本信息進行其價值預測。其中價值既包括以消費水平為代表的直接價值，也包括客戶口碑宣傳的間接價值。

5.客戶細分(市場細分)

根據客戶的基本信息，從人口學、工業統計信息、社會狀態、產品使用行為等方面對客戶進行細致的描述。這對分析客戶類型結構、修正產品定位、滿足細分群體需求開發新產品、提高客戶滿意度和分析客戶需求變化趨勢都是有意義的。

6.交叉銷售

分析產品之間的關聯關系，發現產品銷售中預期不到的模式。比如，“啤酒與尿布”的故事就是從客戶在超市中的購物記錄中獲取的。這種技術目前被廣泛運用在零售業、銀行、保險等領域，大家對京東商場的推薦產品和淘寶的“猜你喜歡”兩個模塊應該有深刻的印象吧，這兩個模塊都是這個主題的運用。

7.產品精準營銷

這是客戶價值提升的重要方面，目的在于擴大客戶消費的范圍。比如，公司開發了一款新產品，希望快速找到目標客戶。這就可以通過分析現有客戶的屬性和產品消費行為，確定響應可能性最大的群體進行營銷。

8.行為信用評分

和初始信用評分的目的是一樣的，這里分析的變量加入了客戶產品消費行為的信息，這使得對客戶信用的評估更為準確。比如，美國AT&T電信公司，其客戶信用風險評級精確度明顯高于一般的信用卡公司，這就是因為掌握了客戶更多的通話、差旅等行為信息。

9.欺詐偵測

也稱為異常偵測。是對客戶(包括內部員工)涉及洗錢、套現、盜用等異常行為進行的偵測，滿足風險監管的需求。

10.客戶保留

有可能隨著時間的變化，客戶需求產生變化，如果不及時發現這種變化趨勢，就會造成客戶流失?？蛻舯Ａ舻哪康脑谟?，及時發現客戶在購買產品方面的行為變化和滿意度情況，從而及時更換產品組合。比如，電信運營商發現客戶的通話特征，從短途居多變為長途居多，而且從客戶流失的模型中發現，有這種情況的客戶流失的可能性很高。這主要是由于客戶不了解電信運營商的套餐類型，只是聽說其他運營商的長途套餐更便宜造成的。那么客服人員就需要了解這類客戶的需求，從而提供更合理的套餐類型。

11.客戶關系網

客戶的親友圈、工作圈和興趣圈的信息對客戶管理、營銷和產品開發有重要的意義。比如，可以很好地定位客戶所處的自然生命周期。如果是婚戀中的人，可以推薦與其品位相似的產品信息。而且通過對客戶關系網絡結構的分析，可以明確網絡中的重要節點，這對關鍵人營銷有重大意義。

12.流失客戶時間判斷

通過對已經流失客戶的存續時間進行分析。一方面可以預判現有客戶流失的高危期，另一方面為提高不同類型客戶的存續時間提供技術支持。

13.流失客戶類型判斷

對流失客戶的細分可以對改進產品和服務起到重要的指導作用。

二、數據挖掘主要方法的選取標準

真實世界的數據挖掘主題豐富多彩，但又有規律可循，比如精準營銷屬于排序模型、欺詐識別屬于決策模型。因此作為數據挖掘工程師，需要十八班兵器樣樣精通，以備需要的時候挑選好趁手的兵器。下圖展示了主流模型的特點與強項。

需要說明的一點是，在商業挖掘項目中，經常遇到有人拿支持向量機(SVM)和邏輯回歸比準確性，這其實是不公平的，衡量排序類模型的優劣指標是ROC曲線下面積或提升度，而不是準確度，因此邏輯回歸表現差是理所應當的。因此希望我們將來可以先明確分析目的，在可選的模型中進行比較，盡量降低跨主題選建模方法的情況。

三、數據挖掘工具的選擇

工具是大腦的延伸，優秀的數據挖掘工程師已經將編程語言融入為身體的一部分，而實務中一專多能是必須的。由于語言由于其主要的受眾不同，因此具有不同的風格。一個成熟的商業數據挖掘工程師要在注意這些差異，揚長避短。