商业数据挖掘的13种应用场景

商业数据挖掘的 13 种应用场景

数据挖掘涉及到公司运营的方方面面，这包括对企业部门经营情况的评估、内部员工的管理、生产流程的监管、产品结构优化与新产品开发、财务成本优化、市场结构的分析和客户关系的管理。其中，关于客户与市场的数据分析是 “重头戏 ”。

下面以客户全生命周期管理为例介绍数据分析运用场景和挖掘主题，如下图所示： 1 发掘潜在客户（市场细分）关于这个主题的分析，更多的是基于地区、性别和年龄段等粗粒度的指标，结合产品设计定位和目标客户群体进行匹配。比如，高档母婴产品的潜在客户应该是新建高档小区中的住户。这类分析

是运用最早的，在广告投放、新店寻址等场景下大量使用。 2 客户获取当客户初次了解我们的产品和服务后，有可能会犹豫不决，拖延很久才可能真正成为我

们的客户，而大部分客户在这期间会由于兴趣逐渐减退而最终流失。比如，信用卡新客户在填好个人信息，并收到信用卡后却迟迟没有开卡。这时就可以运用数据挖掘技术，对营销人员得到的客户基本信息进行一个初步筛选，找出购买倾向性较高的客户进行深度跟踪营销。这么做既减少了人工成本，又降低了打扰客户的次数，从而减少了投诉。同时在与潜在客户的交流中，也会为其制定更个性化的产品或服务组合。

3 初始信用评分当客户最终购买我们的产品时，在涉及赊销情况的时候，就会用到初始信用评分技术。这是根据客户的性别、年龄以及居住场所等基本信息对客户的信用进行预判。这类情况不只在银行信贷中会遇到，在很多企业中都会

遇到。企业的应收账款就是一种自然的商业信用，建立好优秀的初始信用

评分体系，可以使企业在不增大财务风险的情况下快速开拓市场。比如，IBM 全球融资部（ IGF）是一个为赊购买入 IBM 产品的小公司提供金融服务的部门，其在上世纪 80 年代开发的客户信用评分模型对开拓全球市场功不可没。现在这个技术也成为了提高客户满意度的一种方式。比如，中国移动的先付费客户的欠费额度和京东的 “打白条 ”服务。

4 客户价值预测为了更好地为客户提供服务的同时增加企业利润，需要根据客户的基本信息进行其价值预测。其中价值既包括以消费水平为代表的直接价值，也包括客户口碑宣传的间接价值。

1 / 3

5 客户细分（市场细分）根据客户的基本信息，从人口学、工业统计信息、社会状态、产品使用行为等方面对客户进行细致的描述。这对分析客户类型结构、修正产品定位、满足细分群体需求开发新产品、提高客户满意度和分析客

户需求变化趋势都是有意义的。 6 交叉销售分析产品之间的关联关系，发现产品销售中预期不到的模式。比如， “啤酒与尿布 ”的故事就是从客户在超市中的购物记录中获取的。这种技术目前被广泛运用在零售业、银行、保险等领域，大家对京东商场的推荐产品和淘宝的 “猜你喜欢 ”两个模块应该有深刻的印象吧，这两个模块都是这个主题的运用。

7 产品精准营销这是客户价值提升的重要方面，目的在于扩大客户消费的范 围。

比如，公司开发了一款新产品，希望快速找到目标客户。这就可以通过分析现有客户的属性和产品消费行为，确定响应可能性最大的群体进行营销。

8 行为信用评分和初始信用评分的目的是一样的，这里分析的变量加入了客 户产品消费行为的信息，这使得对客户信用的评估更为准确。比如，美国AT&T 电信公司，其客户信用风险评级精确度明显高于一般的信用卡公司，这就是因为掌握了客户更多的通话、差旅等行为信息。

9 欺诈侦测也称为异常侦测，是对客户（包括内部员工）涉及洗钱、套现、盗用等异常行为进行的侦测，满足风险监管的需求。

10 客户保留有可能随着时间的变化，客户需求产生变化，如果不及时发现这种变化趋势，就会造成客户流失。客户保留的目的在于，及时发现客户在购买产品方面的行为变化和满意度情况，从而及时更换产品组合。比如，电信运营商发现客户的通话特征，从短途居多变为长途居多，而且从客户流失的模型中发现，有这种情况的客户流失的可能性很高。这主要是由于客户不了解电信运营商的套餐类型，只是听说其他运营商的长途套餐更便宜造成的。那么客服人员就需要了解这类客户的需求，从而提供更合理的套餐类型。

11 客户关系网客户的亲友圈、工作圈和兴趣圈的信息对客户管理、营销和产品开发有重要的意义。比如，可以很好地定位客户所处的自然生命周期。如

2 / 3

果是婚恋中的人，可以推荐与其品位相似的产品信息。而且通过对客户关系网络结构的分析，可以明确网络中的重要节点，这对关键人营销有重大意义。

12 流失客户时间判断通过对已经流失客户的存续时间进行分析，一方面可以预判现有客户流失的高危期，另一方面为提高不同类型客户的存续时间提供技术支持。

13 流失客户类型判断对流失客户的细分可以对改进产品和服务起到重要的指导作用。

从上文的内容可以发现，数据挖掘主题可以归纳为营销、信用与违规识别。其中特别要提到的是，信用风险建模用到了数据挖掘中所有的方法，该模型是数据挖掘中的明珠，是目前方法论最完善的，其它主题建模往往只是该模型的简化版，掌握信用风险建模的流程才有可能站在巨人的肩膀上。另一方面，信用风险管理不限于金融机构，只要涉及到交易行为就存在信用风险。高水平的信用风险管理可以刺激消费额并提高客户满意度，进而提高忠诚度。可以说学好信用风险建模，在商业数据挖掘领域中无往而不破。

3 / 3