数据挖掘技术 客户价值分析

网上有关“数据挖掘技术 客户价值分析”话题很是火热，小编也是针对数据挖掘技术 客户价值分析寻找了一些与之相关的一些信息进行分析，如果能碰巧解决你现在面临的问题，希望能够帮助到您。

数据挖掘技术：客户价值分析

使用RFM方法(最近购买日Recency, 各期购买频率Frequency, 各期平均单次购买金额Monetary)能够科学地预测老客户(有交易客户)今后的购买金额，再对销售毛利率、关系营销费用进行推算，就能按年、按季、按月分析出今后几期的客户价值。

在这里，客户价值指CRM毛利。CRM毛利 = 购买金额 – 产品成本 – 关系营销费用。

RFM方法是国际上最成熟、最为接受的客户价值分析方法，RFM实际上是一整套分析方法中的部分内容，但最具代表性，其它还包括客户购买行为随机模型、马可夫链状态移转矩阵方法、贝氏机率推导状态移转概率方法、回归拟合方法等。

一、客户购买行为随机模型中隐藏着哪些秘密？

随机模型除了显示购买频率概率、平均金额概率的密度分配，还隐藏着购买频率、平均金额的状态移转期望值和概率这两个秘密，等待被揭示。

揭秘后，您就更加理解用必要长度和宽度的样本数据建立起一套牢固、可靠随机模型的重要意义，样本越大，客户价值推测结果就越接近即将发生的事情。

客户随机购买行为的六个基本假设

假设一：假设客户随机购买频率和随机购买金额两个不同的行为纬度互相独立，不具有相关性。

假设二：假设客户的购买状态移转行为符合马可夫链的假设，这表示客户下一期购买状态发生的机率只和上一期的购买状态有关。

假设三：假设个别客户购买频率为卜松分配(Poisson Distribution)。

假设四：考虑客户的异质性，假设上述个别客户单位时间平均购买次数服从伽玛分配(Gamma Distribution)。

假设五：假设个别客户有购买行为的各期平均单次购买金额为伽玛分配(Gamma Distribution)。

假设六：考虑客户的异质性，假设上述各期平均单次购买金额又符合另一个伽玛分配(Gamma Distribution)。

1、观察随机模型

频率概率分布列

平均金额概率密度

a=1.84, b=2.67

p=8.57, q=1.53, k=3224.15图1图2

曲线形状均由其参数a、b、p、q、k决定。

频率概率分布列符合负二项分配，参数a、b由客户的平均购买频率计算出来。假设有一组样本，对应n家成交客户，fi(i = 1, 2 … n)样本长度为n表示每家客户的平均购买次数，通过最大概似估计法可求得a、b，并且可求得平均频率 = b/a。频率模型为离散函数，f>0，频率平均值=ceil(b/a)=ceil(2.67/1.84)=2。示例的无成交概率分布列P(0)≈31%，意味着其余有成交概率分布列之和ΣP(i)≈69%，其中P(1)≈30%(峰值)，P(2)≈19%，P(3)≈10%。

平均金额概率密度符合伽玛-伽玛分配，参数p、q、k由客户的平均购买金额计算出来。假设共有n家客户样本长度为n，且每家客户有发生购买行为的期数分别为hk(k=1, 2 … n)样本宽度分别为hk，每家客户有发生购买行为期间的该期平均单次购买金额为mi,j(i=1, 2, … n, ?j=1, 2, … hi)，通过最大概似估计法可求得p、q、k，并且可求得对应峰值概率的平均金额 = (p-1)/(q+1)*k。平均金额m的概率密度分配为连续函数，m>0，p、q为形状参数，k为尺度参数。示例的峰值概率密度位于m=9646.96，P(9646.96)=0.00003323598657260607。

从上面随机模型中您已能初步观察到购买频率、平均金额的概率分布情况。

2、推导购买频率、平均金额移转期望值

以平均金额为例，观察以下图形：

图3

蓝色的就是平均金额概率密度曲线，紫色的是m轴每个mi坐标乘以对应蓝色概率密度pi得到的新曲线。换句话说，紫色包络线上每个点的值都是蓝色包络线对应点的mi倍。

在上图任意位置mi作条垂线，垂线至m=500,000.00(假设此为历史最大平均金额)之间，紫色面积除以蓝色面积，结果就是mi的状态移转期望值。可对m设定一些刻度，如0.01、1,000.00、10,000.00、100,000.00、200,000.00、300,000.00、400,000.00，即可得到这些刻度的对应的平均金额移转期望值。

用积分表达式描述就是：平均金额移转期望值 = ∫紫色曲线函数dm / ∫蓝色曲线函数dm，积分区间由mi到500,000.00。

购买频率移转期望值也类似，只是频率概率为离散函数。

3、推导购买频率、平均金额移转概率

从随机模型推导移转概率要复杂些，与上述求面积不同，它是一个求体积的计算(二重积分)，较为抽象。

二重积分在直角坐标系中求体积的示意图如右。下面我们换个角度，不在三维坐标系中谈体积积分，而是继续用求面积这种更直观的方式来推导平均金额移转概率。

基础知识：客户从上期状态移转至下期状态，在马可夫链中记作(r1, f1, a1≤m1<b1) → (r2, f2, a2≤m2<b2)，r表示未成交期数，f表示该期间成交频率，m表示该期间的平均成交金额。若下期成交，则r2=0；若下期不成交，则r2=r1+1；以此类推。

图4 ?平均金额由m1移转到m2的移转概率记作fm(m2?| a1≤m1<b1)，由于金额为连续变量，对金额划段后m1属于a1至b1这个分段内。

与推导移转期望值相似，当期望值m2分别等于0.01、1,000.00、10,000.00、100,000.00、200,000.00、300,000.00、400,000.00时，也可用下图的a1至b1之间的绿色面积除以对应的蓝色面积来推到平均金额的移转概率。

图5

图5中的蓝色曲线就是图2的平均金额概率密度函数。绿色曲线就不是平均金额概率密度pi去乘以m坐标轴的每个对应mi，而是去乘以另一个贝氏事后机率密度函数，这个函数是{[Γ(2p+q) * m2p-1?* (k+m1)p+q] / [Γ(p) * Γ(p+q) * (m2+m1+k)2p+q]}，它是通过由果导因的方法获得。

当m2分别等于0.01, 1,000.00, … 400,000.00时，就得到图5的不同图形。当m2等于某值时，用m轴a1至b1之间的绿色面积除以对应的蓝色面积就得到平均金额移转概率fm(m2?| a1≤m1<b1)。

用积分表达式就是：

fm(m2?| a1≤m1<b1) = H / L

其中H =?∫a1b1[Γ(2p+q) * m2p-1?* (k+m1)p+q] / [Γ(p) * Γ(p+q) * (m2+m1+k)2p+q] * [P(m1?| p,q,k)] dm1

其中L =?∫a1b1[P(m | p,q,k)] dm

而实际上m2也是一个连续变量，从a1≤m1<b1移转到a2≤m2<b2的移转概率是一个二重积分，积分表达式为：

fm(a2≤m2<b2?| a1≤m1<b1) =?∫a2b2fm(m2?| a1≤m1<b1) dm2

类似地，也使用贝氏机率方法推导频率移转概率，马可夫链中的r1值(无成交期数)、频率随机模型中的信任区间也是两个重要计算因素。

4、购买频率、平均金额移转期望值及移转概率计算

针对上述举例，移转期望值及移转概率的推导结果如下：

样本数据的最小频率=1，最大频率=3：样本数据的最小平均金额=0.01，最大平均金额=499,999.00：最近成交期的频率f1

下期的频率期望值f2最近成交期至下期的未成交期数r1

下期的频率期望值概率pf1≥1 → f2≥2r1=0, p=0.3606；r1=1, p=0.2949

r1=2, p=0.2356；r1=3, p=0.1892f1≥2 → f2≥2r1=0, p=0.3606；r1=1, p=0.2949

r1=2, p=0.2356；r1=3, p=0.1892f1≥3 → f2≥3r1=0, p=0.1367；r1=1, p=0.0958

r1=2, p=0.0669；r1=3, p=0.0477最近一期平均金额m1下期平均金额的期望值m2、概率p0.01≤m1<1,000.00m2=39,510.75，p=0.01261,000.00≤m1<10,000.00m2=39,598.21，p=0.371910,000.00≤m1<100,000.00m2=46,920.90，p=0.8754100,000.00≤m1<200,000.00m2=186,871.69，p=0.4707200,000.00≤m1<300,000.00m2=296,732.74，p=0.3049300,000.00≤m1<400,000.00m2=379,455.72，p=0.2227400,000.00≤m1<500,000.00m2=445,441.60，p=0.1748

某客户下期的购买金额 = (该客户的)下期频率 * 下期平均金额 * 下期频率概率 * 下期平均金额概率

二、预测下期产品成本和关系营销费用

CRM毛利 = 购买金额 – 产品成本 – 关系营销费用。

RFM只预测客户下期的购买金额，RFM并不预测下期的毛利率和费用。对个别客户以往的毛利率、费用采取平均法或移动平均法，应用于下期，该推断显然不合适；采取如RFM的概率分析方法去推断下期毛利率和费用也不合适，因为这两者并不是源自客户(或企业、员工)的随机行为，而更是源自企业总体成本控制和差别应对。

销售毛利率、关系营销费用的五个基本假设

假设1：假设销售毛利率和关系营销费用不是随机现象，并且毛利率、费用遵循各自的发生规律。

假设2：假设个别客户下期的销售毛利率最接近该客户有成交上期的毛利率。

假设3：假设个别客户上期、下期之间存在无交易期数，则下期销售毛利率的升、降，服从该客户在无交易期间的企业整体毛利率的拟合回归规律。

假设4：假设个别客户下期的关系营销费用服从该客户以往的费用、购买金额比例，即服从关系营销投入产出比。

假设5：假设个别客户下期可能存在一个最小关系营销费用基数，它相当于该客户以往各期费用中的最低值。

1、下期产品成本

下期产品成本 = 下期购买金额 * (1 – 下期销售毛利率)

如果某客户上、下期之间无交易期数为0，则下期毛利率 = 上期毛利率。上期指有成交的最近一期。

如果某客户上、下期之间无交易期数为r1?(r1>0)，则下期毛利率 = 上期毛利率 * (1 + Δ)。其中Δ = (上期至r1=0期之间的)线性回归方程的斜率 * r1 / 2，用Δ对毛利率进行微调。之所以采用线性拟合回归，是因为决定系数R2在这里并不重要，我们仅是求得无交易期间的企业整体毛利率升、降趋势，并且不是用拟合回归方程本身去预测下期毛利率。

图6

2、下期关系营销费用

定义：Ratei?= Σ客户i以往费用 / Σ客户i以往购买金额

Expensei?= 客户i以往各期中最小的那期费用(大于0)

Monetaryi?= 客户i下期购买金额

Xi?= Monetaryi?* Ratei

如果Xi?> Expensei，则下期费用 = Xi；

否则如果Monetaryi?< Expensei，则下期费用 = Xi；

否则，下期费用 = Expensei。

3、在SynleadCRM 2008中，对下期的毛利率和费用还可手工修正

用SynleadCRM 2008分析客户价值时，选项“提取产品成本”表示提取以往产品成本并推算今后几期的产品成本，选项“提取费用”表示提取以往关系营销费用并推算今后几期的关系营销费用。前面提到，产品成本和关系营销费用属于企业总体成本控制和差别应对，其未来变化不一定按趋势平滑，可能下期个别客户或整体客户群的情况出现逆反或抖动。依据您的判断，在SynleadCRM 2008中对下期的毛利率和费用还可手工个别/批量地调整、修正。

另一方面，也可能出现少许产品成本、费用数据没有及时填写进CRM系统，例如“机会-产品”中未及时填写或更新产品/销售价/成本价，造成统计时产品成本=0.00、毛利率=100%；或者极特殊的数据没有排除，例如上期毛利率为负值。该情况也需要对个别客户的下期毛利率进行手工修正。

三、完整客户关系生命周期内的客户价值

客户价值 = CRM毛利 = 购买金额 – 产品成本 – 关系营销费用。在完整客户关系生命周期内(从建立关系到未流失的最近一期)，分析客户今后价值的意义远远大于分析客户历史价值，因此通常所讲的客户价值分析是对客户今后的价值进行分析。

SynleadCRM 2008为您分析客户今后三期价值的同时，也向您展示客户的历史价值作为参照。

图7 对预测出的今后客户价值结果，您就可按客户价值分层。CRM客户关系管理将传统的整体营销推进到分块差别化营销、一对一差别化营销的高度，其立足点就是客户价值差别化分析。

通过预测客户价值，您就清楚一旦VIP客户、大客户流失将在今后造成怎样的利润损失；也可以找出那些临近亏本或负价值的客户，进行置疑分析，找出对策。

也要清醒地认识到，即便预测出的客户价值较高，也只是说明其价值势能(购买潜力)较高，坐等客户送上门的价值动能(实际购买)是不现实的，必须回过头去用CRM基础方法论踏踏实实地与客户互动，推动客户追加购买、交叉购买。

客户价值分析，是企业决策最重要的依据之一，请做好您企业的客户价值分析，正确指引商务运营。

以上是小编为大家分享的关于数据挖掘技术 客户价值分析的相关内容，更多信息可以关注环球青藤分享更多干货

零售行业的数据挖掘方法

用国外典型的零售业TESCO为例：

Tesco利用信息技术进行数据挖掘、增强客户忠诚度。通过磁条扫描技术与电子会员卡结合的方式来分析每一个持卡会员的购买偏好和消费模式，并根据这些分析结果来为不同的细分群体设计个性化的每季通讯。Tesco的会员制活动就针对不同群体提供了多样的奖励，比如针对家庭妇女的“MeTime（我的时间我做主）”活动：家庭女性可以在日常购物中积累点数换取从当地高级美容、美发沙龙到名师设计服装的免费体验或大幅折扣。而且Tesco的会员卡不是一个单纯的集满点数换奖品的忠诚度计划，它是一个结合信息科技，创建和分析消费者数据库，并据此来指导和获得更精确的消费者细分，更准确的消费者洞察，和更有针对性的营销策略的客户关系管理系统。

对于企业来说，要做到以下三点，来利用CRM进行数据分析：

首先，是要建立以客户为中心的经营理念。要在全企业内部树立起以客户价值为中心的经营理念，以此对客户关系管理系统进行部署。另外，企业不应仅仅把CRM作为增强竞争力、提高利润的手段，而是应该将其放入企业的战略规划中，形成企业的CRM战略规划。

其次，运用多元化的客户数据收集方式来应对零售业庞大的客户信息。利用企业网站的用户注册信息以及Web日志文件记录的用户浏览行为等信息，帮助零售企业分析研究客户的需求、偏好及消费模式的发展趋势，更好地理解客户，以及将潜在客户转变为现实客户。通过一定的技术手段对呼叫中心或在线网站提供实时支持，搜集客户数据，识别、区分、理解客户，把握客户个性化需求，针对不同客户采取不同的策略，实现所谓的一对一营销或个性化服务，从而提高客户的满意度、忠诚度。

第三，利用数据挖掘技术来细分客户，帮助企业明确自己的细分市场，进行准确的市场定位，有效满足市场顾客的需求，建立起自己的核心竞争力。

。

CRM如何进行客户数据挖掘_CRM客户数据

零售行业的数据挖掘方法

第一、开展会员制能够帮助企业采集更多会员数据，更有利于开展数据挖掘的工作，同时也有利于培养客户忠诚度。

在实施会员制的时候，必须要特别注意两个关键信息的采集：会员卡ID、客户联系号码或者邮箱，因为这两个关键信息对信息采集及后期的精准营销有很大的帮助作用。而微信、微博等社交媒体的横行，若零售商能够通过相关活动让客户关注企业的微信、微博，对培养客户忠诚度也是有很大的帮助。

会员制有助于为企业培养众多忠实的顾客，建立起一个长期稳定的市场，提高企业的竞争力。通过会员制，可以有效稳定老客户，同时开发新顾客。因为零售商给会员提供的是优惠的价格，对新顾客吸引力很大，同时大部分会员卡是可以外借的，也给新客户提供了机会，大大增加其成为会员的可能性。

会员制营销能够促进企业与顾客双向交流。顾客成为会员后，通常能定期收到商家有关新商品的信息并了解商品信息和商家动态，有针对性地选购商品。除此之外，企业能够及时了解消费者需求的变化，以及他们对产品、服务等方面的意见，为改进企业的营销模式提供了依据。

第二、开展零售商的数据挖掘项目，必须要重点提供以下几个表的关键信息：

销售表：卡号、销售店ID、销售日期、产品名称、产品价格、销售数量、销售金额、折扣等信息。

产品表：产品ID、产品名称、建议零售价、实际销售价、一级类别、二级类别、三级类别、四级类别、品牌等信息。

客户表：卡号、发卡店ID、城市、号码、邮箱、企业或个人标识、企业名称、所在行业、地址等。

零售店表：店ID、店名、所属城市、店等级等。

其中销售表、产品表、客户表比较重要，而产品表梳理对数据分析及数据挖掘团队而言，是做好项目的关键，必须要耗费大量的时间。

第三、与零售商明确数据挖掘目的，能够让分析团队与零售商之间获得更大的信任，同时有利于项目的顺利开展。

成熟的分析团队，比较关注零售商的商业出发点，从客户商业价值出发，抓住客户关注点，一点一点地做好相应的落地分析工作。

客户最常见想让数据帮助其解答的几大问题：

如何让活跃的客户购买更多的产品，最大程度地释放其价值？

如何唤醒沉默客户，让其转化为活跃客户？

哪些客户是我的重点客户群？其有什么样的特征？

哪些重点客户流失了？为什么流失？后期怎样开展挽留手段？

……

第四、通过数据开展客户细分，明确各个群体的特征。

对于零售数据而言，必须要深入零售行业两大客户群：企业及个人。企业客户的特征和个人客户的特征有很大的区别。

企业特征主要表现：采购量比较大，经常进行团购或批发，销售量和销售额都比较大，为零售商的重点客户群。尽管数量不多，但是却贡献了零售商的60%以上的销售额。而企业的行为经常有：超大型采购、中型采购、一般采购。对企业数据挖掘，需要深入了解企业的所属行业、采购额度、采购规律、采购产品偏好、是否流失、流失的原因调查等信息，有助于帮助零售商开展相应的营销策略。

对于个人，则需要关注哪些是活跃客户、哪些是新增客户、哪些是沉默客户、客户价值是怎样的、哪些节日是重点高峰期、偏好的产品是哪些等等，这些有助于零售商开展销售、备货等工作。

第五、结合5W1H分析法开展零售分析与挖掘。

What：销售情况怎么样？有多少用户？来了多少次？每次消费多少钱？买了什么东西…….

Where：哪些门店销售最好？为什么呢？（交通、地区等） ……

When：哪个月份销售得最好？哪个节日是销售高峰期…….

Who：是哪些客户？有什么样的特征？偏好买哪些产品？产品规格是怎么样的…….

Why：为什么买哪些产品？为什么买那么多?会不会继续购买…….

How：怎样提高客户重购？怎样唤醒客户？怎么进行交叉销售？怎样帮助铺货……

第六、协助零售商开展营销活动设计、营销活动执行、营销评估与优化。

因为数据挖掘是一个闭环的流程，不是撰写挖掘报告、输出营销客户名单就是项目成功的，必须协助零售商开展相应的营销设计、营销活动执行、营销评估及优化工作。从而确保数据挖掘有效落地，为客户真实产生商业价值，扩大生意规模。

营销活动设计常有：优惠打折、派发试用装、赠送礼品、多倍积分等，可以通过不同的细分客户群有针对性地开展不同的营销活动，并计算不同群体及不同活动的投入产出比，便于后期不断优化数据挖掘规则。

第七、关键成果固化IT系统，实现数据挖掘成果固化落地。

对于零售商而言，数据挖掘是个不大不小的投入，对于关键的成果输出，总希望能够把成果规则进行IT固化，实现自动代替手工操作，这个时候经常需要搭建一个成果固化模块或系统，让数据挖掘能够最大限度帮助企业。

客户数据是企业发展的根基，尤其在大数据时代，企业发展一定是以用户为中心，与客户建立的关系所形成的数据是企业赢得市场的参考依据，使研发到销售更加的融合，全渠道、线上、线下、移动端，都是一起的、是互动的。

IDC报告指出，大数据应用在2013年已经开始融入传统行业，加速其数据化转型，而随着数据挖掘技术日益成熟，CRM软件不断推广，CRM在这一进程中扮演了至关重要的角色，带动商业智能分析和应用市场的快速成长。

一、利用CRM将客户数据集中管理

客户无疑是企业发展的根本，企业需要建立自己的客户数据库。CRM系统拥有强大的客户信息管理的能力，可以详细记录客户信息，对客户的信息进行集中管理和共享，从而综合评估客户价值：客户今后的贡献度，客户将来的贡献度、客户忠诚度、客户信用度和客户成长潜力等。

二、数据的汇总分析

汇总数据的关键在于如何利用,如果不整合分析组成有用的信息，再多的数据对企业也毫无价值。CRM可以对客户资料进行筛选分析，根据客户消费行为和身份信息，识别目标客户;从客户的兴趣爱好分析其感兴趣的产品；从历史营业信息挖其掘埋伏商机等多维度分析潜客户，判断其能否为企业带来可估的价值，是客户开拓的关键一步。

三、为客户创造更大价值

企业对客户需求的满足程度，影响着客户满足度和忠诚度。客户需求呈现出多样化、差异化和个性化的特点，客户渴望自己的需求可以获得满足。CRM系统中记录着客户的各种****，销售人员可以采用多种途径对客户跟进回访，还支持定期对特定的客户发送祝福短信或邮件等，利用CRM对客户数据进行多层次分析，帮助企业更深入地理解客户的其实意图，较大化地开拓客户价值。不仅仅是满足基本需要，还可以提供增值服务。

在CRM软件中合理高效地进行客户数据挖掘，可以较好地提供准确的客户分类、忠诚度、盈利能力、潜在用户等有价值的信息。同时，提高企业高层管理者的决策能力，为企业的长足发展提供有力的信息支持和技术保障。

关于“数据挖掘技术 客户价值分析”这个话题的介绍，今天小编就给大家分享完了，如果对你有所帮助请保持对本站的关注！