如何對客戶進行數據挖掘與分析

數據挖掘與分析可以說是信息領域發展最快的技術，很多不同領域的專家都從中獲得了發展的空間，使得數據挖掘成為企業界討論的熱門話題。

隨著信息技術的發展，人們採集數據的手段越來越豐富，由此積累的數據日益膨脹，數據量達到GB甚至TB級，而且高位數據也成為了主流，於是數據挖掘這一融合多種分析手段，從大量數據中發現有用知識的方法就應運而生了，它的出現為商業決策提供了有價值的知識，讓企業獲得了利潤，在客戶內在需求管理中，數據挖掘正在起著導向的作用。

一、以客戶為中心的數據分析框架思想

信息時代到今天已經發生了三個變遷，從80年代的硬體時代，到90年代的軟體時代，到2000年開始的客戶為中心的信息時代。

我們也在這個階段看到了服務業的競爭也發生了翻天覆地的變化——從以服務內容取勝，到服務渠道取勝，到現階段的客戶體驗取勝。

1、從客戶視角構建業務框架

從宏觀視角看，業務戰略方向逐漸深入以客戶為中心的思想，從微觀視角看，在客戶為中心的思想驅動下，企業需要進行一整套的機制流程改變，包括客戶為中心的數據挖掘與分析，客戶為中心的業務規劃，客戶為中心的營銷規劃，客戶為中心的設計，客戶為中心的績效體系構建等。

傳統業務規劃我們通常只考慮業務之間的邏輯關係，較小的考慮客戶操作視角中形成的一連串的心理反映、行為特徵、價值取向等等，而在客戶為中心的業務規劃中，客戶的每個操作都需要詳細分析，記錄在案，通過行為軌跡綜合分析客戶心理特徵，所以能夠更有效的促進客戶完成業務，以下為傳統業務規劃和客戶為中心的業務規劃的兩個對比：

（1）傳統業務規劃

①大腦風暴構建業務流程，從業務規劃者角度而非客戶角度出發。

②我們不知道客戶需要什麼，更糟糕的是客戶可能也不知道。

③每個環節都存在客戶流失，而我們不知道發生了什麼。

④客戶每次點擊都是營銷機會，但是我們錯過了每一次機會。

⑤客戶在每一個環節都錯過了本來他可能會購買的商品。

⑥當客戶離開時我們永久的失去了該客戶，沒有留下有價值的信息。

（2）從客戶視角構建業務框架

①以客戶為中心的思維方式構建業務框架。

②系統需要滿足不同類型的客戶的個性化需求，其核心為數據挖掘和應用。

③系統需要協助客戶達成實現客戶期望，並幫助客戶發現並實現潛在需求。

④系統需要智能尋找最佳的幫助時機，智能的進行客戶協助。

⑤系統建設需要考慮未來系統的發展方向，其核心為客戶需求挖掘。

2、業務及營銷為中心的數據體系建設

今天的營銷正在發生巨大的轉變，客戶需要更大的參與度，與企業更多的互動，特別在電子渠道中互動營銷正在成為主角。

客戶對企業的要求越來越高，對應的行為也在發生變化，而傳統以推送方式為主體的營銷方式不僅僅效率低下，而且使客戶越來越厭惡，這充分體現在了營銷轉化率低下，客戶拒絕率提升，滿意度下降等數據上。

如果我們細心觀察今天的廣告價格，您可以發現今天的營銷行為已經不再是把廣告投放到「新媒體」那麼簡單，今天的營銷人員必須找到出路，努力在多種高度互動的營銷渠道中展開高級個性化和相關溝通，創造良好的客戶體驗，努力提升營銷效率。

以購買為例，我們經過客戶研究發現幾個行為特徵，消費者首先對產品開始感興趣，此時銷售人員雖然可以幫助客戶，但是不宜直接對話，最佳方式通過系統智能的與消費者進行互動，幫助消費者決策，而當消費者產生了真正購買的衝動之後，消費者更願意主動通過IM方式與客服溝通形成購買行為。

所以，營銷人員必須對整個每個營銷時機有提前預估，這就要求我們在數據體系構建時，必須能夠幫助營銷人員統計客戶變化情況，並且需要滿足營銷人員針對客戶每時每刻不斷變化的需求進行個性化營銷定製的需求，協助營銷人員展開精準營銷活動。

①數據框架建設必須以業務及營銷為中心

②數據框架建設需要滿足現有的業務需求，並且需要儘可能滿足未來業務發展的需求

③數據框架建設重點在於實現智能交互

④數據需要能夠用於分析，判斷，決策，使用

⑤數據框架建設需要能夠反應出數據的變化趨勢，協助業務的分析判斷

二、數據分析框架的主要事件

主要事件事件描述分類根據業務的需要進行必要的分類，比如對客戶評級的分類，AA等級或AAA等級估計根據業務數據判斷的需要定義需要估計的數據和數據區間值，對業務進行補充和協助。

例如根據客戶儲蓄和投資行為估計客戶投資風格預測根據數據的變化趨勢預測數據的發展方向；例如根據歷史投資數據幫助客戶預測投資行情等數據分組根據業務需要對數據進行分組；例如購買A類的客戶通常也會購買B類，購買A的客戶後有一個B周期會產生C行為聚類數據集合的邏輯關係，比如同時擁有A特徵和B特徵的數據，可以推斷出其也擁有C特徵描述描述性數據有助於提取關鍵要素進行數據歸納；例如從數據關鍵詞中進行近似業務營銷，備忘錄等複雜數據挖掘例如Video，Audio，圖形圖像等等。

1、分類（Classification）

在業務構建中，最重要的分類一般是對客戶數據的分類，主要用於精準營銷。

通常分類數據最大的問題在於分類區間的規劃，例如分類區間的顆粒度以及分類區間的區間界限等，分類區間的規劃需要根據業務流來設定，而業務流的設計必須以客戶需要為核心，因此，分類的核心思想在於能夠完成滿足客戶需要的業務。

由於市場需求是變化的，分類通常也是變化的，例如銀行業務中VIP客戶的儲蓄區間。

2、估計（Estimation）

通常數據估計是互動營銷的基礎，基於客戶行為進行數據估計為基礎進行互動營銷已經被證實具有較高的業務轉化率，銀行業中通常通過客戶數據估計客戶對金融產品的偏好，電信業務和互聯網業務則通常通過客戶數據估計客戶需要的相關服務或者估計客戶的生命周期。

數據估計必須基於數據的細分和數據邏輯關聯性，數據估計需要有較高的數據挖掘和數據分析水平。

3、預測（Prediction）

根據數據變化趨勢進行未來預測通常是非常有力的產品推廣方式，例如證券業通常會推薦走勢良好的股票，銀行會根據客戶的資本情況協助客戶投資理財以達到某個未來預期，電信行業通常以服務使用的增長來判斷業務擴張和收縮以及營銷等。

數據預測通常是多個變數的共同結果，每組變數之間一般會存在某個相互聯繫的數值，我們根據每個變數的關係通常可以計算出數據預測值，並以此作為業務決策的依據展開後續行動。

4、數據分組（Affinity Grouping）

數據分組是精準營銷的基礎，當數據分組以客戶特徵為主要維度時，通常可以用於估計下一次行為的基礎，例如通過客戶使用的服務特徵的需要來營銷配套服務和工具，購買了A類產品的客戶一般會有B行為等等。

數據分組的難點在於分組維度的合理性，通常其精確性取決於分組邏輯是否與客戶行為特徵一致。

5、聚類（Clustering）

數據聚類是數據分析的重點項目之一，例如在健康管理系統中通過癥狀組合可以大致估計病人的疾病，在電信行業產品創新中客戶使用的業務組合通常是構成服務套餐的重要依據，在銀行業產品創新中客戶投資行為聚合也是其金融產品創新的重要依據。

數據聚類的要點在於聚類維度選取的正確性，需要不斷的實踐來驗證其可行性。

6、描述（Description）

描述性數據的最大效用在於可以對事件進行詳細歸納，通常很多細微的機會發現和靈感啟迪來自於一些描述性的客戶建議，同時客戶更願意通過描述性的方法來查詢搜索等，這時就需要技術上通過較好的數據關聯方法來協助客戶。

描述性數據的使用難點在於大數據量下數據要素提取和歸類，其核心在於要素提取規則以及歸類方法，要素提取和歸類是其能夠被使用的基礎。

7、複雜數據挖掘

複雜數據挖掘比如Video，Audio等，其要素目前依然難以通過技術手段提取，但也可以從上下文與語境中提取一些要素幫助聚類，例如重要客戶標記了高度重要性的Video一般優先權重也應該較高。

複雜數據的挖掘目前處理的方式一般通過數據錄入的標準化來解決，核心在於數據錄入標準體系的規劃，馬海祥建議為了整理的方便，初期規劃是儘可能考慮完善，不僅僅適用現在，而且可以適用於未來。

三、從客戶需求到業務

針對不同客戶群體的特點和需求，我們也應有針對性的數據挖掘和分析，用個性化的服務贏得了廣大客戶。

1、客戶為中心的業務規劃思想

客戶為中心的業務規劃大致有三個環節：從客戶研究到需求挖掘，從需求信息到數據化的需求管理，從需求文檔到業務規劃與設計。

客戶為中心的業務規劃不僅僅需要考慮業務需求是否能夠滿足需求的問題，還需要考慮到業務的變化趨勢，業務的營銷重點。

2、數據挖掘技術

對於客戶數據的挖掘，我們可以通過以下幾種方法來獲取：

（1）Clickstream Data點擊流數據

①直接訪問數量

②訪客來源

③訪客地理位置

④點擊流跟蹤

（2）Outcomes Data結果型數據

①訪客（初次訪問數，訪問總數，平均回訪數，關注點）

②頁面瀏覽（平均瀏覽數，總PV ，訪問超過一頁的訪客比）

③時間（全局，人均）

④關鍵行為（如：註冊，購買）

⑤轉化率

（3）Research Data研究性數據

①客戶研究

②啟髮式評估，客戶體驗測試

③客戶屬性（資料庫分析）

④客戶期望分析（從數據到服務）

（4）Competitive Data 競爭性數據

①「面」數據測量（大眾分析）

②網路服務數據測量（行業分析）

③搜索引擎測量（輿情分析）

3、數據分析技術

對於數據分析技術，我們有可以分為初級數據分析和高級數據分析2種：

（1）初級數據分析

①Click Density Analysis 點擊密度分析

②Visitor Primary Purpose 訪客首要目的

③Task Completion Rates 任務完成率

④Segmented Visitor Trends 客戶分層

⑤Multichannel Impact Analysis 渠道分析

（2）高級數據分析

①客戶價值組屬性

②客戶特徵組屬性

③數據估計值組合

④數據預期值組合

⑤聚類組合分析

⑥客戶深層次研究

4、跨渠道的數據交互思想

①跨渠道數據交互一般服務或者營銷為目的。

②跨渠道數據交互必須客戶為中心。

③跨渠道數據交互能夠給客戶立體式體驗，有效提升品牌體驗。

5、基於數據的互動式業務規劃

①基於數據交互的業務規劃對象一般是一個系列產品或服務鏈條，通常廣泛應用於通信業，銀行業，保險業，零售業等。

②基於數據交互的業務規劃必須以客戶為中心，分析客戶出現需求的各種時機，並智能匹配以產品或服務，其實現以數據挖掘為核心。

6、基於數據的互動式營銷規劃

基於數據的互動式營銷主要指互動營銷，核心思想為分析客戶的特定時機需求，並根據該需求推薦相關產品或服務滿足客戶需要，廣泛應用於各種行業。

基於數據交互的業務規劃同樣必須以客戶為中心，分析客戶出現需求的各種時機，並智能匹配以產品或服務，其實現同樣以數據挖掘為核心。

7、數據預測

數據分析：對照A服務和B服務的使用記錄，使用A服務的客戶在1個月收益小於B服務，而3個月會產生收益大於B服務。

互動營銷：建議需要1個月服務的客戶使用B服務，建議需要3個月的客戶使用A服務。

業務創新：面向需要兩個月服務的客戶開發非A非B的C類型服務。

Udesk智能客服系統：

是國內領先的SAAS客戶軟體服務提供商，2016年8月，獲得B輪一億元人民幣投資。Udesk幫助企業快速低成本的搭建自己的移動互聯時代的智能客服系統，用一個通用的平台連接電話、在線客服、手機APP、微信、微博、簡訊、郵箱、web等所有渠道。包括五大核心功能：呼叫中心、在線客服、智能機器人、工單系統、移動客服。20+行業，數萬家企業，選擇Udesk客服系統開啟企業高效客服之路。

https://jinshuju.net/f/Yj7w4T，點擊免費註冊免費試用Udesk智能客服系統，並且獲取以下精品電子書：

相關文章：

什麼是客戶體驗旅程圖（CJM） ？

貝佐斯：客戶體驗和客戶服務的區別

建立清晰的客戶體驗戰略的必要性

什麼是客戶體驗戰略？

呼叫中心客服交流三大法寶

你是否了解你的客戶努力度（CES）？

客服中心的數學題－數字化管理