本文關鍵詞：面向電子商務的客戶關系管理數(shù)據(jù)挖掘模型研究，，由筆耕文化傳播整理發(fā)布。

Industrial Engineering and Management 　 4 ,2004 No.

工業(yè)工程與管理 　 2004 年第 4 期

收稿日期 :2003 - 10 - 08 ;

基金項目 : 國家自然科學基金資助項目 (70271031)

作者簡介 : 張曙紅 (1974 -

) ,男 ,華中科技大學管理學院博士后 ,研究方向 : 數(shù)據(jù)挖掘及電子商務 、 系統(tǒng)預測與決策 。

文章編號 :100725429 ( 2004) 0420078205
example was presented.

面向電子商務的客戶關系管理數(shù)據(jù)挖掘模型研究
張曙紅1 ,2 , 張金隆1 , 陳德軍
( 1. 華中科技大學 管理學院 ,湖北 武漢 430074 ; 2. 中國地質大學 管理學院 , 湖北 武漢 430074)

摘要 : 客戶資源是企業(yè)競爭力的歸宿 , 客戶關系需要進行科學管理 , 這已成為現(xiàn)代企業(yè)的共 識。 電子化的客戶關系管理要求企業(yè)建立客戶資源數(shù)據(jù)庫 ,并基于客戶資源數(shù)據(jù)庫通過網(wǎng)絡實現(xiàn)客 戶需求分析 、 挖掘客戶資源 、 實現(xiàn)個性化客戶服務等 。 本文對支持向量機理論進行了研究 , 在介紹 SVM 原理的基礎上 ,給出了基于支持向量機理論的高維空間數(shù)據(jù)挖掘方法 , 并結合實例研究給出 了面向電子商務的智能客戶關系管理模型 。 關鍵詞 : 電子商務 ; 客戶關系管理 ; 數(shù)據(jù)挖掘 ; 支持向量機 中圖分類號 : F713. 36 文獻標識碼 : A

The Data Mining Model of CRM Oriented to Electronic Business
ZHAN G Shu2hong1 ,2 , ZHAN G J in2long1 , CHEN De2jun1

( 1. School of Management , Huazhong University of Science and Technology , Wuhan 430074 , China ; 2. College of Management , China University of Geosciences , Wuhan 430074 , China) Abstract : It is t he common opinion t hat t he customer relationship should be managed scientifically in t he modern enterprises. In t he elect ronic customer relationship management ( CRM) , t he customer resource database should be established , t he customer demand analysis , data mining of customer resource database and characteristic service can be carried out via t he network. In t his paper , support vector machines ( SVM) and t he data mining met hod based on SVM of high dimension space are st udied , t hen t he intelligent CRM model oriented to elect ronic business combined wit h a simulation Key words : elect ronic business ; CRM ; data mining ; support vector machines

1

引言

客戶關系管理 ( CRM) 是指對企業(yè)和客戶之間 的交互活動進行管理 。 客戶關系管理的一個重要目 標是找到現(xiàn)有的和高利潤的潛在客戶 , 然后策劃和 實施促銷活動以影響客戶的行為 。 隨著 Internet 的 快速發(fā)展 ,如今大量的企業(yè)正迅速面向全球性商務 , 用電子方式把遍布全球的客戶和供應商緊密聯(lián)系起 來。 因此電子商務時代客戶關系管理研究的重要性 已經(jīng)被越來越多的企業(yè)所認同 。 由 Internet 的開放性所決定 , 電子商務網(wǎng)站會
修回日期 :2004 - 01 - 10

得到大量原始數(shù)據(jù) 。 通過在 Web 上應用各種信息分 析技術 ,企業(yè)可以根據(jù)這些信息分析來預測客戶行 為 ,做到針對不同顧客提供個性化服務 。 同時 , 利用 有效的顧客信息 ,還可以大大降低企業(yè)的運營成本 。 在當前的信息分析技術中 , 數(shù)據(jù)挖掘技術是最具有 應用前景的一種技術 。 在客戶關系管理中 ,數(shù)據(jù)挖掘 的主要功能是能自動地從客戶信息數(shù)據(jù)倉庫中找出 潛在的客戶購買行為模式 ,進而預測客戶行為 ,并對 各類顧客采取相應的營銷策略 。 在數(shù)據(jù)挖掘理論方法中支持向量機理論是一種 基于統(tǒng)計學習理論的有效的信息建模和預測數(shù)據(jù)挖

— 78

—

Industrial Engineering and Management 　 4 ,2004 No.

工業(yè)工程與管理 　 2004 年第 4 期

掘算法 。 這一新的理論方法在解決模式識別中小樣 本、 非線性及高維數(shù)據(jù)識別問題中表現(xiàn)出獨特的優(yōu) 勢 ,近年來得到了廣泛的應用 。 本文對支持向量機理 論進行了研究 ,并將支持向量機數(shù)據(jù)挖掘理論應用 于電子商務的客戶關系管理中 , 通過對一定量客戶 的信息資料進行分析 ,來發(fā)現(xiàn)顧客的購買模式 ,從而 為客戶提供針對性和個性化的服務 。

L ( w , b , a) =

1 ( w ?w ) 2

k

i =1

∑a { y [ ( w ?x )
i i i

- b] - 1} ( 3)

上式要求對 w , b 極小化 , 對 a 極大化 , 即 :
max W ( a) = max{ min L ( w , b , a) }
a a w,b

根據(jù)約束優(yōu)化理論中的 Kuhn Tucker ( KT) 條
k k

件[4 ] , 有

2

SVM 原理
支持向量機 ( SVM) 是基于 VC (Vapnik2Chervone2

i =1

∑a y

i i

= 0, w =

i =1

∑a y x
i i

i

, 可得該極值優(yōu)

化問題的對偶形式 :
max W ( a) = 1 a a y y ( x ?x j ) + 2 i , j =1 i j i j i
k k

nkis) 理論的機器學習方法。 支持向量機算法的思想來

∑

i =1

∑a

i

( 4)

自于統(tǒng)計學習理論 ,是由 Vapnick 和他在 AT &T 實驗室 的合作者提出的[1- 2 ] 。 該算法基于結構風險最小化原 理 ,將原始數(shù)據(jù)集合壓縮到支持向量集合 ,然后用子集 學習得到新知識 ,同時也給出由這些支持向量決定的 規(guī)則。 SVM 分類模型的基本思想是構造一個超平面作 為決策平面 ,使正負模式之間的距離最大。 下面簡要介 紹一下支持向量機分類模型。

s . t . : a i ≥0 , i = 1 , 2 , …, k
k

i =1

∑a y

i i

= 0

根據(jù) KT 條件 , 這個不等式約束下的極值優(yōu)化 問題 , 存 在 惟 一 解 。參 數(shù) w , b 的 值 可 由 等 式
a i [ y i ( w ?x i - b) - 1 ] = 0 , i = 1 , 2 , …, n 求出 。

相應的分類函數(shù)可化為 :
k

2. 1

最優(yōu)分類平面 [ 3 ]

f ( x ) = sign [

支持向量機方法是統(tǒng)計學習理論基本思想的實 現(xiàn)。 考慮最簡單的二值線性可分情況 ,在二維分類的 情況下 ,最優(yōu)分類面簡化成最優(yōu)分類直線 。 最優(yōu)分類 面不僅要保證將兩類樣本無錯誤地分開 , 還要求分 類間隔最大 。 設線性可分的樣本集有 k 個樣本 ( x i , y i ) , 其中
i = 1 , 2 , …, k , x i ∈ R , y ∈{ - 1 , 1} 是類別標號 。
d

i =1

∑a y ( x ?x )
i i i

+ b]

( 5)

遠離決策面的輸入樣本所對應的 ai 必定為 0 , 而非 0 的 ai 對應的樣本完全確定了決策面 , 因此稱 為支持向量 。 分類函數(shù)由支持向量惟一確定 。 對于非線性可分的情況 , 可使用一個非線性核 函數(shù) < ( x ) , 把數(shù)據(jù)映射到一個高維特征空間 , 再在 高維特征空間建立優(yōu)化超平面 。 設相應的超平面為 :
w ?< ( x ) + b = 0 , 則分類函數(shù)變?yōu)?:
k

對于二值分類問題 , 在高維空間中可以找到一個將 兩類樣本無錯誤分開的分類超平面滿足 g ( x ) = w ?x - b = 0 , 即 : ( w ?x ) + b = 0 , w ∈ R d , b ∈ R , 則對應的分類函數(shù)為
[2 ]

f ( x ) = si gn [

i =1

:

目前 , 關于核函數(shù)的研究也成為了支持向量機 方法研究領域的一個重要課題 。

f ( x ) = si gn ( ( w ?x ) + b)

( 1)

2. 2

SVM 在多類別數(shù)據(jù)分類中的應用

考慮到兩類樣本離決策面都應有一定的距離 , 設所有樣本被無錯誤的分開時 , 決策面的約束應滿 足:
y i ( w ?x i - b) - 1 ≥0 ( 2)

基本的支持向量機是針對二值的分類問題 ,為實

現(xiàn)對多個類別的識別 ,需對 SVM 進行推廣。 SVM 由于

基于二值分類 ,可以把它和二叉決策樹的基本思想結

合起來構成多類別數(shù)據(jù)的分類器 , 稱這種方法為
SVM 決策樹方法[5 ] 。 決策樹方法需構造若干個 SVM

在高維特征空間中 , 可以計算 H1 和 H2 之間的
2 。 最佳決策面應滿足兩 ‖w ‖ 類樣本到?jīng)Q策面的最小距離為最大 , 就是使 φ( w )

距離 d ( w , b , x ) =

分類器。 根據(jù)二叉樹的定義 , 構造一棵有多個葉子結 點的嚴格二叉樹有多種不同方案。 SVM 決策樹方法 的具體實現(xiàn)方案通常有如下兩種二叉樹結構 ,如圖 1 所示。 SVM 決策樹方法中 ,決策樹具有層次結構 , 在 訓練集合的構成也不同 ;決策樹各結點和樹葉的劃分 一般沒有理論指導 ,需一定的先驗知識。 — 79 —

1 1 T 1 2 ( w ?w ) 最小 。 = ‖w ‖ = w w = 這樣 , 2 2 2 分類問題變成 ( 2) 式約束下的最小值優(yōu)化問題 。 這

每個層次子 SVM 分類器的級別和重要性不相同 , 其

個帶有約束的優(yōu)化問題可以通過引入拉格朗日乘子
a i ≥0 , i = 1 , 2 , …, k 來求解 , 即 :

∑a y <( x ) ?<( x )
i i i

+ b]

( 6)

張曙紅 ,等 : 面向電子商務的客戶關系管理數(shù)據(jù)挖掘模型研究

研究 。 為了簡明起見 , 設在汽車銷售中 , 只將汽車分 類為高檔和低檔 。 如果還要將中檔汽車加以分類 ,可 以進一步應用 SVM 二叉決策樹模型分類 。 經(jīng)過調查 咨詢 ,在汽車電子商務活動中影響客戶購買私人汽 車檔次的主要因素有 : 家庭收入 、 客戶受教育程度 、 年齡 、 子女個數(shù) 、 家庭住房條件等 。 現(xiàn)在根據(jù)以上 5 個主要指標的客戶統(tǒng)計數(shù)據(jù) , 基于支持向量機理論 對客戶購買高檔 、 低檔汽車的傾向進行預測分析 。 表
1 為汽車電子商務系統(tǒng)中客戶信息數(shù)據(jù)庫記錄的部

圖1

SVM 二叉決策樹結構

3

面向電子商務的客戶關系管理數(shù) 據(jù)挖掘模型
電子商務下的客戶關系管理要求企業(yè)建立客戶

分典型客戶買車情況調查信息表 。 應用支持向量機理論進行數(shù)據(jù)挖掘之前需要必 要的數(shù)據(jù)預處理。 對于學歷的量化經(jīng)過統(tǒng)計調查分析 認為將本科、 碩士、 博士、 博士后分別量化為 1 ,2 ,3 , 3. 6 比較合理。 數(shù)據(jù)預處理首先應對屬性值進行歸一 化:
xi = xi max ( x i )

信息數(shù)據(jù)庫 ,并基于客戶信息數(shù)據(jù)庫通過網(wǎng)絡實現(xiàn) 客戶的服務管理 、 客戶需求分析 、 實現(xiàn)個性化客戶服 務等 。 當前 ,數(shù)據(jù)挖掘方法在電子商務的客戶關系管 理中得到了廣泛的應用 。 基于統(tǒng)計學理論的支持向 量機理論在數(shù)據(jù)挖掘中具有廣闊的發(fā)展前景 。 圖 2 為面向電子商務的智能客戶關系管理數(shù)據(jù) 挖掘系統(tǒng)結構模型 。 在該模型中 ,基于支持向量機理 論的數(shù)據(jù)挖掘方法得到了應用 。 在圖 2 的客戶關系 管理模型中 ,客戶經(jīng)過客戶注冊或身份驗證后與客 戶服務與管理系統(tǒng) Web server 保持聯(lián)結 。 Web 在
server 中 , 客戶的注冊信息被加入客戶信息數(shù)據(jù)庫

歸一化后的屬性值 x i ∈ [ 0 , 1 ] 。 令高檔汽車用
y = + 1 標識 ; 低檔汽車用 y = - 1 標識 。 這樣問題就

抽象為屬性集 A 到分類集 C 的映射 :A ×C →[ 0 ,1 ] ×{ + 1 , - 1} 。 將表 1 中的 15 個客戶記錄進行歸一化后作為支 持向量 ,應用支持向量機模型進行數(shù)據(jù)挖掘分析。 本 實例取普通的內積函數(shù)為核函數(shù) ,并采用 Matlab 編程 計算。 2 為各個支持向量的對應的序號和 a 值。 表 經(jīng) 過 Matlab 編程計算得到 :ω = [ 0 . 3081 0 . 3620 0 . 4076
- 0 . 4663

中 ,并且部分客戶數(shù)據(jù)被作為建立支持向量機數(shù)據(jù) 挖掘模型的數(shù)據(jù)基礎 。 新的客戶信息數(shù)據(jù)在經(jīng)過預 處理后 ,根據(jù)支持向量機數(shù)據(jù)挖掘模型進行客戶的 偏好及個性分析 。 電子商務系統(tǒng)將根據(jù)客戶個性預 測結果通過交互式網(wǎng)頁和電子郵件服務兩種形式跟 客戶聯(lián)系 ,對顧客進行針對性的跟蹤服務 。 下面以某汽車銷售電子商務系統(tǒng)對特定客戶購 買私人汽車檔次的預測分析為例 , 對上述基于支持 向量機理論的智能客戶關系管理數(shù)據(jù)挖掘模型進行

0 . 2671 ] ; b = - 2 . 0846 。

支持向量機數(shù)據(jù)挖掘模型可以根據(jù)客戶信息來 預測客戶的購買傾向 ,將符合客戶要求檔次的車型 、 價格及款式等信息通過交互式網(wǎng)頁反饋給客戶 。 大 量詳細的信息還可以通過電子郵件進行跟蹤推薦 。 如取一新客戶信息數(shù)據(jù) ( 家庭收入 、 教育程度 、 、 年齡 子女個數(shù) 、 家庭住房條件 ) 為 :11000 、 碩士 、 、、 35 1
140 , 經(jīng) 過 數(shù) 據(jù) 處 理 后 為 : [ 0. 7333 0. 7778 0. 5 0. 5556 0. 7778 ] 。 利用支持向量機分類函數(shù)

式 ( 5) 可得到分類函數(shù)的輸出值為 + 1 ,即預測客戶 傾向于購買高檔汽車 。 同理 , 若一新客戶信息值為 : 5000 、 本科 、 、、 , 經(jīng)過數(shù)據(jù)處理后為 : [ 0. 3333 40 1 90 0. 2778 0. 8889 0. 5 0. 5000 ] , 利用支 持 向 量 機預測模型 ,分類函數(shù)輸出值為 - 1 , 即可預測此客 戶購買低檔汽車的可能性比較大 。 應用 FCM ( C = 2) 聚類算法 [ 6 ] 對表 2 中的數(shù)據(jù)
圖2 智能客戶關系管理數(shù)據(jù)挖掘系統(tǒng)結構

進行聚類分析 , 得到聚類結果為 : {1 ,2 ,6 ,7 ,9 ,13 , 14} ,{3 ,4 ,5 ,8 ,10 ,11 ,12 ,15} 。 這與應用支持向量機

— 80

—

Industrial Engineering and Management 　 4 ,2004 No.

工業(yè)工程與管理 　 2004 年第 4 期

分類方法得到的分類結果是一致的 。 應用支持向量 機方法 ,在選取合適的分類面的情況下可以得到很
表1 支持向量序號
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

好的分類效果 ,而且支持向量機方法與許多分類方 法相比 ,還有對各屬性權重不敏感的優(yōu)點 。
年齡
35 34 38 45 39 40 45 45 40 35 38 30 32 34 35

客戶買車情況調查信息表 子女個數(shù)
0 1 1 1 1 2 1 1 1 0 1 0 1 1 1

家庭收入 ( 元)
6000 8000 9000 10000 15000 9000 7000 12000 7000 8000 13000 8000 8500 6500 9500

教育程度 本科 碩士 博士 碩士 博士后 本科 本科 博士 碩士 碩士 本科 碩士 博士 碩士 博士后 表2

住房條件 ( m2 )
80 120 150 140 135 110 100 180 110 120 140 130 120 110 135

買車檔次 低檔 低檔 高檔 高檔 高檔 低檔 低檔 高檔 低檔 高檔 高檔 高檔 低檔 低檔 高擋

客戶信息支持向量及其 a 值 年齡
0. 7778 0. 7556 0. 8444 0. 8222 0. 8667 0. 8889 1 1 0. 8889 0. 7778 0. 6667 0. 7111 0. 7556 0. 7778 0. 6667

支持向量序號
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

家庭收入
0. 4000 0. 5333 0. 6000 0. 6667 1 0. 6000 0. 4667 0. 8000 0. 4667 0. 5333 0. 8667 0. 5333 0. 5667 0. 4333 0. 6333

教育程度
0. 2778 0. 5556 0. 8333 0. 5556 1 0. 2778 0. 2778 0. 8333 0. 5556 0. 5556 0. 2778 0. 5556 0. 8333 0. 5556 1

子女個數(shù)
0 0. 5 0. 5 0. 5 0. 5 1 0. 5 0. 5 0. 5 0 0. 5 0 0. 5 0. 5 0. 5

住房條件
0. 4444 0. 6667 0. 8333 0. 7778 0. 7500 0. 6111 0. 5556 1 0. 6111 0. 6667 0. 7778 0. 7222 0. 6667 0. 6111 0. 7500

買車檔次
- 1 - 1 1 1 1 - 1 - 1 1 - 1 1 1 1 - 1 - 1 1

a值

0. 6104 0. 3681 0. 2525 0. 2885 0. 2059 0. 3124 0. 4112 0. 1943 0. 3681 0. 4471 0. 3161 0. 4622 0. 2857 0. 4055 0. 2734

— 81

—

張曙紅 ,等 : 面向電子商務的客戶關系管理數(shù)據(jù)挖掘模型研究
York : Springer Press ,1995. [ 2 ] Burge C J C. A tutorial on support vector machines for pattern recognition[J ] . Data Ming and Knowledge Discovery , 1998 , 2 : 121 - 167. [ 3 ] 建新 ,段汕 ,潘繼斌 ,等 . 支持向量機在小樣本識別中的應用 [J ] .

4

小結

電子商務的出現(xiàn) , 給客戶關系管理的應用提供 了更為有效的 、 靈活的 、 廣闊的發(fā)展空間 , 電子商務 逐漸成為企業(yè)市場銷售和客戶關系管理的一個重要 渠道 。 電子商務網(wǎng)站每天都產(chǎn)生大量的數(shù)據(jù) ,這些數(shù) 據(jù)中包含很多對企業(yè)非常有用的客戶信息 。 在電子 商務中將數(shù)據(jù)挖掘技術與客戶關系管理 ( CRM) 相 結合 ,可以將市場 、 、 銷售 服務協(xié)同起來 ,為企業(yè)帶來 更大的經(jīng)濟效益 。 基于統(tǒng)計學理論的支持向量機數(shù) 據(jù)挖掘方法在客戶關系管理中具有廣闊的發(fā)展前 景。 本文對支持向量機理論進行了研究 ,并結合實例 研究給出了一個基于支持向量機數(shù)據(jù)挖方法的面向 電子商務的智能客戶關系管理模型 。

武漢大學學報 ,2002 ,48 (6) :733 - 736.
[ 4 ] 秦壽康 . 最優(yōu)化理論和方法 [ M ] . 北京 : 電子工業(yè)出版社 ,1985. [ 5 ] Guo G , Stan Z L , Chan K. Face Recognition by Support Vector Machines[ A ] . 196?201. Proceedings of Fourt h IEEE International

Conference on Automatic Face and Gesture Recognition[ C] . 2000.

[ 6 ] Hat haway R J , Bezdek J C. Optimization of Clustering Criteria by Reformulation[J ] . IEEE Transactions Fuzzy Systems , 1995 ,

3 (2) : 241 - 245. [ 7 ] 王國慶 ,鐘義慶 . 支持向量機的若干新進展 [J ] . 電子學報 ,2001 , 29 (10) :1398 - 1400. [ 8 ] 唐俊松 ,張金隆 ,蔡淑琴 . 論電子商務時代的客戶關系管理 [J ] .

參考文獻 :
[ 1 ] Vapnik V. The nature of statistical learning t heory[ M ] . New

軟科學 ,2001 ,15 (1) :93 - 95.

培訓信息

客戶管理崗位資格證書培訓
——深度開發(fā)以客戶為中心的管理新技能 — 交付遲緩、 服務響應速度的緩慢、 銷售額和利潤的不斷下滑、 客戶滿意度下降 ,這些意味著一個個挑戰(zhàn) : 你 對最有價值的客戶了解有多深 ? 客戶管理崗位資格證書培訓由此應運而生。 年初由上海緊缺人才培訓工程 2004 聯(lián)席會議辦公室推出該項目。 相應的培訓機構主要對參加培訓者的客戶管理知識和操作能力實施強化訓練 ,旨 在深度開發(fā)以客戶為中心的管理新技能。 該崗位資格證書分為主管、 經(jīng)理、 總監(jiān)三大級別 ,隨著培訓和認證的開 展 ,該系列證書將成為營銷、 客服及管理人士關注的熱點。 更多信息可致電查詢 : ( 021) 51013288 或 ( 021) 58807770 。 小檔案 :
認證等級 主管 經(jīng)理 總監(jiān) 適合對象

客戶管理崗位資格認證各級別側重點對比示例 五加一最新開班動態(tài)

業(yè)務銷售 、 客戶服務代表 、 大宗客戶服務 、 市場調查 、 售后服務 、 前臺服務 、 電話 客戶服務 、 投訴熱線服務 、 及一線專業(yè)客戶服務等人員 客服部主管 、 工程師 、 業(yè)務經(jīng)理 、 行政經(jīng)理 、 企劃經(jīng)理 、 公關經(jīng)理 、 市場開發(fā)經(jīng)理 等人員 大客戶經(jīng)理 、 客服總監(jiān) 、 高級工程師 、 廠長 、 副總經(jīng)理等人員

首期 4 月底同時開班

首期 5 月中旬開班

常見小問答 : 證書級和職業(yè)文憑級有哪些區(qū)別 ?
級別 證書級 職業(yè)文憑級 適合對象 初入行者 資深培訓師

考核內容特點

考核形式特點 實操 + 2 小時書面考試 實操 + 3 小時書面考試

廣泛的培訓基本技巧 深度培訓技術和理論

— 82

—



更多相關文檔:

電子商務環(huán)境下數(shù)據(jù)挖掘在客戶關系管理的應用 開題報告

本文正是從客戶和信息挖掘的雙重角度進行客戶與信息資源的優(yōu)化組合, 使 企業(yè)取得市場競爭優(yōu)勢, 而提出了電子商務環(huán)境下基于數(shù)據(jù)挖掘的客戶關系管理 的研究課題。 (2...

數(shù)據(jù)挖掘技術在電子商務客戶關系管理中的應用研究

數(shù)據(jù)挖掘技術在電子商務客戶關系管理中的應用研究_銷售/營銷_經(jīng)管營銷_專業(yè)資料。...如 鄒鵬等基于決策樹方法給出了一個客戶利潤貢獻度的評價模型;張酷等人用一種...

電商系統(tǒng)中的數(shù)據(jù)分析方法研究

的挖掘目的, 發(fā)現(xiàn)并選擇適 當?shù)臄?shù)據(jù)挖掘算法或模型...的挖掘技術, 以使面向 電子商務的數(shù)據(jù)挖掘研究更加...但多與客戶關系管理中對客戶的群體聚類、 客戶細分...

電子商務環(huán)境下數(shù)據(jù)挖掘在客戶關系管理的應用

論文重點討論得幾個客戶關系分析模型有助于 強化客戶關系管理的量化指標, 并有利于充分發(fā)揮數(shù)據(jù)挖掘在客戶關系管理中的作用。 論文 關于數(shù)據(jù)挖掘在客戶關系管理中商業(yè)...

電子商務環(huán)境下的客戶關系管理研究文獻綜述

數(shù)據(jù)挖掘 1、前言電子商務環(huán)境下的客戶關系管理,是...位于模型中的共享數(shù)據(jù)庫作為所有 eCRM 過程的轉換...CRM 是企業(yè)的面向客戶前臺,是企業(yè)價值實現(xiàn)的最后步驟...

面向電子商務行業(yè)的客戶關系管理系統(tǒng)

《面向電子商務行業(yè)的客戶關系管理系統(tǒng)》 分析與設計...4、 客戶分類模型。1)模型的建立;2)模型的管理; ...(數(shù)據(jù)挖掘與數(shù)據(jù)倉庫) 文檔貢獻者 mocun7777777 貢獻...

電子商務環(huán)境下數(shù)據(jù)挖掘在客戶關系管理的應用 文獻綜述

電子商務環(huán)境下基于數(shù)據(jù)庫和數(shù)據(jù)挖掘技術的客戶關系管理客戶關系管理的原理 CRM 源于“以客戶為中心”的新型商業(yè)模式,是一種旨在改善企業(yè)與客戶之 間關系的新型管理機...

更多相關標簽:

  本文關鍵詞：面向電子商務的客戶關系管理數(shù)據(jù)挖掘模型研究，由筆耕文化傳播整理發(fā)布。