数据挖掘推动客户价值管理
||2009-04-07
p>
p>
随着新一轮电信行业的重组以及3G牌照的发放,中国电信运营商之间将展开更加激烈的竞争。同时随着加入WTO后,我国电信市场的逐步对外开放,一些世界级的电信巨头将通过多种手段逐步渗透到中国电信市场。国内电信运营商正面对一个全新的、更加激烈的市场竞争环境。客户是电信企业生存和发展的根基,电信运营商的竞争归根结底是对价值客户的竞争,因此客户价值管理越来越受到各大运营商的关注。在这种背景下,人们对客户价值的管理也在不断深入。
客户价值管理提升企业竞争力
学界关注客户价值管理
不同的研究者对客户价值管理的含义、内容和运作方式等相关内容有不同的界定,下面是一些具有代表性的观点:
Gale(1994年)提出了自己的客户价值管理思想,即客户价值管理就是以卓越的客户价值的认识和创造来驱动企业战略决策与运营以达到卓越绩效及市场领导地位的管理方法和体系。在Gale的客户价值管理体系中,客户价值分析占有重要地位。
IBM的Harvey Thompson(2001年)负责开发出了IBM的客户价值管理框架,但他并没有给出一个明确的客户价值管理的定义,他将那些为了成为客户导向型企业以及客户心目中理想的供应者而采取的所有方法都称为客户价值管理。
Fincentric Corporation(2001年)认为,客户价值管理是一个完整综合的方案,它以一种综合的方法对待客户,将他们看作富有活力的个体,而不只是与产品相联系的数据。为有效进行客户价值管理,企业必须集中于为客户和企业双方都创造价值的战略。这一战略由客户体验管理、客户生命周期管理、客户网络管理和客户伙伴合作管理这四个关键部分组成。
Barry Grushkin(2001年)认为,客户价值管理是一套观念的整合,围绕最大化潜在客户价值,它涉及6个关键方面:基于客户的盈利观,持续的客户认识观,全方位的客户认识观,企业的各个部门高度协同运作的流程观,组织学习观和全方位的客户回应观。
Ray Kordupleski 和Janice Simpson(2001年)在Mastering Customer Value Management: The Art and Science of Creating Competitive Advantage一书中,从客户价值管理过程、客户价值管理系统和客户价值管理工具这三个运用角度阐述了客户价值管理的内容。
Phil Allen(2002年)认为,客户价值管理就是一个企业与客户通过开发互利双方的可持续的市场机会而创造价值的营销过程。这一过程要求企业与客户之间进行经常性的互动。他把这一过程分为五个步骤:理解客户,承诺客户,创造客户价值,取得客户反馈,衡量和改进。
虽然不同的研究者对客户价值管理的含义、内容和运作方式等相关内容有不同的界定,但客户价值管理的根本目标是一致的,即牢固树立价值最大化经营理念,在科学分析评估现有客户关系的基础上,重新审视市场定位、客户结构、产品设计与渠道建设,构建以客户为中心的市场营销和服务体系,提高对目标市场与优质客户的营销能力,逐步建立起以价值为导向、以客户为中心、以信息技术为基础,资源配置合理,服务效能提升,市场反应速度敏捷的经营机制。
电信客户价值管理特色鲜明
电信作为国民经济和社会发展的基础设施在国民经济中占有重要地位,电信运营企业作为经营电信业务的服务商有其独特的市场特性和客户特性。首先,电信产品只是提供一种服务而不具有实物形态,且电信产品具有不可存储性,其生产和消费在时间上具有同一性。其次,电信服务产品具有很强的替代性,市场竞争激烈,客户选择电信服务的随机性强且忠诚度低。再次,电信企业的客户具有多元性,从党政机关到社会团体,从各类企业到居民个人,都是电信企业的客户。客户的多元性从而亦决定了客户需求的多样性,不同类型的客户对电信服务具有不同层次的、个性化的需求。由于电信业具有上述特点,电信业的客户价值管理也相应地具有自身的特色,且其重要性随着竞争的加剧日亦显现,而数据挖掘作为一种有效的客户价值管理工具已广泛地运用到电信业的研究中。
数据挖掘力助商业决策
数据挖掘是指从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中,提取隐含在其中的、人们事先不知道的但又是潜在有用的信息和知识的过程。从商业角度来看,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。
人们已经证明,数据发掘技术能够发现和跟踪数据集合中潜在的模式,因此,有人认为,在数据库中,在处理隐藏的知识、不可意料的模式和新规则的发现的所有方法中,数据挖掘是最有效的。如果没有数据挖掘技术,许多数据就很可能停留在未使用的阶段。正是数据挖掘能够为企业提供全面、深入的分析和了解客户及其行为特征的重要助臂;也正是由于其创造客户价值的能力,数据挖掘技术已经被愈来愈多的企业作为一个重要的竞争工具使用。
数据挖掘功力不凡
数据挖掘在电信客户价值管理中,主要是对在与客户有关的数据库中的大量业务数据进行信息抽取、转换、分析和其他模型化处理,从中提取辅助经营决策的关键性数据,其功能主要有以下五类:
自动预测趋势和行为。数据挖掘自动在大型数据库中寻找预测性信息,以往需要进行大量手工分析的问题如今可以迅速直接由数据本身得出结论。一个典型的例子是市场预测问题,数据挖掘使用过去有关促销的数据来寻找未来投资中回报最大的用户。
关联分析。数据关联是数据库中存在的一类重要的可被发现的知识。若两个或多个变量的取值之间存在某种规律性,就称为关联。关联可分为简单关联、时序关联、因果关联。关联分析的目的是找出数据库中隐藏的关联网。有时并不知道数据库中数据的关联函数,即使知道也是不确定的,因此关联分析生成的规则带有可信度。
聚类。上世纪80年代初,Mchalksi提出了概念聚类技术,其要点是在划分对象时不仅考虑对象之间的距离,还要求划分出的类具有某种内涵描述,从而避免了传统技术的某些片面性。数据库中的记录可被化分为一系列有意义的子集,即聚类。聚类增强了人们对客观现实的认识,是概念描述和偏差分析的先决条件。聚类技术主要包括传统的模式识别方法和数学分类学。
概念描述。概念描述就是对某类对象的内涵进行描述,并概括这类对象的有关特征。概念描述分为特征性描述和区别性描述,前者描述某类对象的共同特征,后者描述不同类对象之间的区别。生成一个类的特征性描述只涉及该类对象中所有对象的共性。生成区别性描述的方法很多,如决策树方法、遗传算法等。
偏差检测。数据库中的数据常有一些异常记录,从数据库中检测这些偏差很有意义。偏差包括很多潜在的知识,如分类中的反常实例、不满足规则的特例、观测结果与模型预测值的偏差、量值随时间的变化等。偏差检测的基本方法是,寻找观测结果与参照值之间有意义的差别。
数据挖掘循序渐进
数据挖掘的基本过程和主要步骤如下:
确定业务对象,清晰地定义出业务问题。认清数据挖掘的目的是数据挖掘的重要一步, 挖掘的最后结构不可预测,但要探索的问题应该是有预见的,为了数据挖掘而挖掘则带有盲目性,是不会成功的。
数据准备。A.数据选择。搜索所有与业务对象有关的内部和外部数据信息,并从中选择出适用于数据挖掘应用的数据。B.数据预处理。研究数据的质量,进行数据的集成、变换、归约、压缩等,为进一步的分析作准备,并确定将要进行的挖掘操作的类型。C.数据转换。将数据转换成一个分析模型,这个分析模型是针对挖掘算法建立的,这是数据挖掘成功的关键。
数据挖掘。对所得到的经过转换的数据进行挖掘。除了完善和选择合适的挖掘算法外,其余一切工作都能由数据挖掘软件自动完成。
结果分析。解释并评估结果。其使用的分析方法一般应视挖掘操作而定,通常会用到可视化技术。
知识同化。将分析所得到的知识集成到业务信息系统的组织结构中去。
电信行业引入数据挖掘
目前,数据挖掘技术在电信客户价值管理中的应用有以下几个方面。
客户价值分析:通过从用户的服务消费记录中发现一些行为模式和行为习惯,并参照预先设定的计算用户价值的方法和标准来评测用户价值的高低,进而对不同的用户采取不同的营销策略。这一过程具体可以采用数据挖掘的概念描述与特征化功能(包括一些OLAP 操作)来实现。
客户获取:对电信运营公司来说,企业的增长需要不断地获得新的客户。新客户可能是那些对公司业务还不了解的用户,也可能是公司竞争对手以前的用户。在各种情况下,数据挖掘技术都可以帮助公司对潜在用户群进行细分,增加市场推广活动的反馈率和响应度。
交叉营销:通常,电信运营公司是在一套基础网络之上开发多种不同的应用,提供多种不同的服务(包括基础服务和增值服务),而且随着信息技术的突飞猛进和电信竞争的不断加剧, 各公司不断地推出新业务和新服务,所以说电信公司向运营市场提供多种业务, 同时也希望用户使用多种业务。利用数据挖掘技术进行交叉营销的分析一般是从分析现有用户的消费记录数据开始,得出现有用户消费习惯的数据,然后用预测模型对数据进行评估和优化,最后得出结论,提高交叉销售的成功率。
客户保持:据调查显示,发展一个新客户的成本是挽留一个老客户成本的6倍,因此在电信市场激烈的竞争中,保持原有客户越来越重要。利用数据挖掘技术可以建立一个有关客户流失的预测模型,判定和预测哪些用户有转移的高风险,分析出主要有哪些因素导致他们想要离开, 并可以有针对性地推出一些策略(因为用户从一个运营商转到另一个运营商不过是为了求得更低的费用以及另一个运营商为新用户提供的额外优惠条件),挽留那些有离开倾向的用户。
客户细分:预测细分(predictive segmentations)和聚类是细分中常用的两大方法。预测细分可以用来对分类标记已知的各种缺失数据作出预测或映射,如在知道某位用户的分类属性的情况下,预测其月平均电话账单。决策树方法和聚类可以帮助公司根据用户的某项特征(如每位用户的盈利能力) 来对某项业务市场进行细分。
盗用模式分析和异常模式识别:确定潜在的盗用者和他们的使用模式,检测想侵入用户账户的企图以及发现需要引起注意的异常模式,都是非常重要的。通过多维分析、聚类分析和孤立点分析,可以发现许多这类模式。
将数据挖掘技术运用到电信业客户价值管理中,能够充分利用数据分析结果为企业的经营决策提供支持,增强企业的竞争优势,提高企业的盈利能力。在今后的研究中,正确运用数据挖掘技术会使电信客户价值管理发挥更大的作用, 真正成为提高电信运营企业核心竞争力的有力武器。
(本文作者单位为南京邮电大学)
转载请注明来源:数据挖掘推动客户价值管理
噢!评论已关闭。