如何以客户为中心进行数据挖掘与分析

时间：2022-05-24 06:39:01 | 来源：网络营销

时间：2022-05-24 06:39:01 来源：网络营销

数据挖掘与分析可以说是信息领域发展最快的技术，很多不同领域的专家都从中获得了发展的空间，使得数据挖掘成为企业界讨论的热门话题。

随着信息技术的发展，人们采集数据的手段越来越丰富，由此积累的数据日益膨胀，数据量达到GB甚至TB级，而且高位数据也成为了主流，于是数据挖掘这一融合多种分析手段，从大量数据中发现有用知识的方法就应运而生了，它的出现为商业决策提供了有价值的知识，让企业获得了利润，在客户内在需求管理中，数据挖掘正在起着导向的作用。

一、以客户为中心的数据分析框架思想

信息时代到今天已经发生了三个变迁，从80年代的硬件时代，到90年代的软件时代，到2000年开始的客户为中心的信息时代。

我们也在这个阶段看到了服务业的竞争也发生了翻天覆地的变化——从以服务内容取胜，到服务渠道取胜，到现阶段的客户体验取胜。

1、从客户视角构建业务框架

从宏观视角看，业务战略方向逐渐深入以客户为中心的思想，从微观视角看，在客户为中心的思想驱动下，企业需要进行一整套的机制流程改变，包括客户为中心的数据挖掘与分析，客户为中心的业务规划，客户为中心的营销规划，客户为中心的设计，客户为中心的绩效体系构建等（具体可查看亿企邦《数据分析的流程及分析方法》的相关介绍）。

传统业务规划我们通常只考虑业务之间的逻辑关系，较小的考虑客户操作视角中形成的一连串的心理反映、行为特征、价值取向等等，而在客户为中心的业务规划中，客户的每个操作都需要详细分析，记录在案，通过行为轨迹综合分析客户心理特征，所以能够更有效的促进客户完成业务，以下为传统业务规划和客户为中心的业务规划的两个对比：

（1）、传统业务规划

①、大脑风暴构建业务流程，从业务规划者角度而非客户角度出发。

②、我们不知道客户需要什么，更糟糕的是客户可能也不知道。

③、每个环节都存在客户流失，而我们不知道发生了什么。

④、客户每次点击都是营销机会，但是我们错过了每一次机会。

⑤、客户在每一个环节都错过了本来他可能会购买的商品。

⑥、当客户离开时我们永久的失去了该客户，没有留下有价值的信息。

（2）、从客户视角构建业务框架

①、以客户为中心的思维方式构建业务框架。

②、系统需要满足不同类型的客户的个性化需求，其核心为数据挖掘和应用。

③、系统需要协助客户达成实现客户期望，并帮助客户发现并实现潜在需求。

④、系统需要智能寻找最佳的帮助时机，智能的进行客户协助。

⑤、系统建设需要考虑未来系统的发展方向，其核心为客户需求挖掘。

2、业务及营销为中心的数据体系建设

今天的营销正在发生巨大的转变，客户需要更大的参与度，与企业更多的互动，特别在电子渠道中互动营销正在成为主角。

客户对企业的要求越来越高，对应的行为也在发生变化，而传统以推送方式为主体的营销方式不仅仅效率低下，而且使客户越来越厌恶，这充分体现在了营销转化率低下，客户拒绝率提升，满意度下降等数据上。

如果我们细心观察今天的广告价格，您可以发现今天的营销行为已经不再是把广告投放到“新媒体”那么简单，今天的营销人员必须找到出路，努力在多种高度互动的营销渠道中展开高级个性化和相关沟通，创造良好的客户体验，努力提升营销效率。

以购买为例，我们经过客户研究发现几个行为特征，消费者首先对产品开始感兴趣，此时销售人员虽然可以帮助客户，但是不宜直接对话，最佳方式通过系统智能的与消费者进行互动，帮助消费者决策，而当消费者产生了真正购买的冲动之后，消费者更愿意主动通过IM方式与客服沟通形成购买行为（具体可查看亿企邦《收集客户关系管理数据的策略和需求分析》的相关介绍）。

所以，营销人员必须对整个每个营销时机有提前预估，这就要求我们在数据体系构建时，必须能够帮助营销人员统计客户变化情况，并且需要满足营销人员针对客户每时每刻不断变化的需求进行个性化营销定制的需求，协助营销人员展开精准营销活动。

①、数据框架建设必须以业务及营销为中心

②、数据框架建设需要满足现有的业务需求，并且需要尽可能满足未来业务发展的需求

③、数据框架建设重点在于实现智能交互

④、数据需要能够用于分析，判断，决策，使用

⑤、数据框架建设需要能够反应出数据的变化趋势，协助业务的分析判断

二、数据分析框架的主要事件

主要事件事件描述分类根据业务的需要进行必要的分类，比如对客户评级的分类，AA等级或AAA等级估计根据业务数据判断的需要定义需要估计的数据和数据区间值，对业务进行补充和协助。

例如根据客户储蓄和投资行为估计客户投资风格预测根据数据的变化趋势预测数据的发展方向；例如根据历史投资数据帮助客户预测投资行情等数据分组根据业务需要对数据进行分组；例如购买A类的客户通常也会购买B类，购买A的客户后有一个B周期会产生C行为聚类数据集合的逻辑关系，比如同时拥有A特征和B特征的数据，可以推断出其也拥有C特征描述描述性数据有助于提取关键要素进行数据归纳；例如从数据关键词中进行近似业务营销，备忘录等复杂数据挖掘例如Video，Audio，图形图像等等。

1、分类（Classification）

在业务构建中，最重要的分类一般是对客户数据的分类，主要用于精准营销。

通常分类数据最大的问题在于分类区间的规划，例如分类区间的颗粒度以及分类区间的区间界限等，分类区间的规划需要根据业务流来设定，而业务流的设计必须以客户需要为核心，因此，亿企邦觉得分类的核心思想在于能够完成满足客户需要的业务。

由于市场需求是变化的，分类通常也是变化的，例如银行业务中VIP客户的储蓄区间。

2、估计（Estimation）

通常数据估计是互动营销的基础，基于客户行为进行数据估计为基础进行互动营销已经被证实具有较高的业务转化率，银行业中通常通过客户数据估计客户对金融产品的偏好，电信业务和互联网业务则通常通过客户数据估计客户需要的相关服务或者估计客户的生命周期。

亿企邦觉得数据估计必须基于数据的细分和数据逻辑关联性，数据估计需要有较高的数据挖掘和数据分析水平。

3、预测（Prediction）

根据数据变化趋势进行未来预测通常是非常有力的产品推广方式，例如证券业通常会推荐走势良好的股票，银行会根据客户的资本情况协助客户投资理财以达到某个未来预期，电信行业通常以服务使用的增长来判断业务扩张和收缩以及营销等。

数据预测通常是多个变量的共同结果，每组变量之间一般会存在某个相互联系的数值，我们根据每个变量的关系通常可以计算出数据预测值，并以此作为业务决策的依据展开后续行动。

4、数据分组（Affinity Grouping）

数据分组是精准营销的基础，当数据分组以客户特征为主要维度时，通常可以用于估计下一次行为的基础，例如通过客户使用的服务特征的需要来营销配套服务和工具，购买了A类产品的客户一般会有B行为等等（具体可查看亿企邦《如何通过数据来分析用户与产品的关系》的相关介绍）。

在亿企邦看来，数据分组的难点在于分组维度的合理性，通常其精确性取决于分组逻辑是否与客户行为特征一致。

5、聚类（Clustering）

数据聚类是数据分析的重点项目之一，例如在健康管理系统中通过症状组合可以大致估计病人的疾病，在电信行业产品创新中客户使用的业务组合通常是构成服务套餐的重要依据，在银行业产品创新中客户投资行为聚合也是其金融产品创新的重要依据。

亿企邦提醒大家一点：数据聚类的要点在于聚类维度选取的正确性，需要不断的实践来验证其可行性。

6、描述（Description）

描述性数据的最大效用在于可以对事件进行详细归纳，通常很多细微的机会发现和灵感启迪来自于一些描述性的客户建议，同时客户更愿意通过描述性的方法来查询搜索等，这时就需要技术上通过较好的数据关联方法来协助客户。

描述性数据的使用难点在于大数据量下数据要素提取和归类，其核心在于要素提取规则以及归类方法，要素提取和归类是其能够被使用的基础。

7、复杂数据挖掘

复杂数据挖掘比如Video，Audio等，其要素目前依然难以通过技术手段提取，但也可以从上下文与语境中提取一些要素帮助聚类，例如重要客户标记了高度重要性的Video一般优先权重也应该较高。

复杂数据的挖掘目前处理的方式一般通过数据录入的标准化来解决，核心在于数据录入标准体系的规划，亿企邦建议为了整理的方便，初期规划是尽可能考虑完善，不仅仅适用现在，而且可以适用于未来。

三、从客户需求到业务

针对不同客户群体的特点和需求，我们也应有针对性的数据挖掘和分析，用个性化的服务赢得了广大客户。

1、客户为中心的业务规划思想

客户为中心的业务规划大致有三个环节：从客户研究到需求挖掘，从需求信息到数据化的需求管理，从需求文档到业务规划与设计。

客户为中心的业务规划不仅仅需要考虑业务需求是否能够满足需求的问题，还需要考虑到业务的变化趋势，业务的营销重点。

2、数据挖掘技术

对于客户数据的挖掘，我们可以通过以下几种方法来获取：

（1）、Clickstream Data点击流数据

①、直接访问数量

②、访客来源

③、访客地理位置

④、点击流跟踪

（2）、Outcomes Data结果型数据

①、访客（初次访问数，访问总数，平均回访数，关注点）

②、页面浏览（平均浏览数，总PV ，访问超过一页的访客比）

③、时间（全局，人均）

④、关键行为（如：注册，购买）

⑤、转化率

（3）、Research Data研究性数据

①、客户研究

②、启发式评估，客户体验测试

③、客户属性（数据库分析）

④、客户期望分析（从数据到服务）

（4）、Competitive Data 竞争性数据

①、“面”数据测量（大众分析）

②、网络服务数据测量（行业分析）

③、搜索引擎测量（舆情分析）

3、数据分析技术

对于数据分析技术，我们有可以分为初级数据分析和高级数据分析2种：

（1）、初级数据分析

①、Click Density Analysis 点击密度分析

②、Visitor Primary Purpose 访客首要目的

③、Task Completion Rates 任务完成率

④、Segmented Visitor Trends 客户分层

⑤、Multichannel Impact Analysis 渠道分析

（2）、高级数据分析

①、客户价值组属性

②、客户特征组属性

③、数据估计值组合

④、数据预期值组合

⑤、聚类组合分析

⑥、客户深层次研究

4、跨渠道的数据交互思想

①、跨渠道数据交互一般服务或者营销为目的。

②、跨渠道数据交互必须客户为中心。

③、跨渠道数据交互能够给客户立体式体验，有效提升品牌体验。

5、基于数据的互动式业务规划

①、基于数据交互的业务规划对象一般是一个系列产品或服务链条，通常广泛应用于通信业，银行业，保险业，零售业等。

②、基于数据交互的业务规划必须以客户为中心，分析客户出现需求的各种时机，并智能匹配以产品或服务，其实现以数据挖掘为核心。

6、基于数据的互动式营销规划

基于数据的交互式营销主要指互动营销，核心思想为分析客户的特定时机需求，并根据该需求推荐相关产品或服务满足客户需要，广泛应用于各种行业。

基于数据交互的业务规划同样必须以客户为中心，分析客户出现需求的各种时机，并智能匹配以产品或服务，其实现同样以数据挖掘为核心。

7、数据预测

数据分析：对照A服务和B服务的使用记录，使用A服务的客户在1个月收益小于B服务，而3个月会产生收益大于B服务。

互动营销：建议需要1个月服务的客户使用B服务，建议需要3个月的客户使用A服务。

业务创新：面向需要两个月服务的客户开发非A非B的C类型服务。

亿企邦点评：

数据挖掘不是为了替代传统的统计分析技术，相反，他是统计分析方法学的延伸和扩展，大多数的统计分析技术都基于完善的数学理论和高超的技巧，预测的准确度还是令人满意的，但对使用者的要求很高，随着计算机计算能力的不断增强，我们有可能利用计算机强大的计算能力只通过相对简单和固定的方法完成同样的功能。