基于数据挖掘的移动通讯消费者行为分析.docx

《基于数据挖掘的移动通讯消费者行为分析.docx》由会员分享，可在线阅读，更多相关《基于数据挖掘的移动通讯消费者行为分析.docx（73页珍藏版）》请在三一办公上搜索。

1、摘要随着信息化时代的来临，移动通讯市场的竞争越来越激烈，抢占市场份额、提高客户与企业之间的黏度是移动通讯企业一直的目标。消费行为分析是客户关系管理的重要组成部分,传统的分析都是借助于经济学的基本理论进行的,没有进行定量的研究,结果存在一定的局限性。在新技术不断发展的今天,数据挖掘技术作为一项强大的数据分析技术,在客户关系管理中的应用正得到越来越多人的关注。在以客户为中心的竞争环境中，如果既能拥有大量的信息，就能在激烈的竞争中取得优势。数据挖掘是从大量数据中提取或挖掘知识进行数据分析，从而发现潜在信息的技术。对客户进行细分能够帮助企业从更加深入全面的角度洞察客户、了解客户价值取向，基于这种洞察在

2、合适的时间通过合适的渠道向合适的客户提供量身定做的产品套餐。基于此背景提出了该课题。如何从大量的消费者消费记录中发现消费者的消费行为，对移动通讯企业提高客户的满意度等有着重要的战略意义。本文基于数据挖掘的移动通信消费者消费行为的研究以数据进行驱动，对移动通讯消费者消费行为进行了相关分析，基于已处理的数据，进行消费者细分。通过K-Means、Two-Step和Kohonen聚类方法，分别进行聚类，最终选择了K-Means的细分结果作为消费者细分准则，得到五类消费者，即重要保持客户、重要发展客户、重要挽留客户、一般价值客户和低价值客户。本文第一章首先阐述了数据挖掘的相关理论，并对消费者行为分析进行

3、分析，第二章阐述了数据挖掘理论，介绍了数据挖掘的特点和数据挖掘的一般过程以及数据挖掘的特点。第三章进行了消费者行为分析，包括客户关系的管理、CRM流程、消费者行为分析和消费者细分的方法，以及移动通讯企业的消费者细分问题。第四章描述了移动通讯消费者细分的案例，进行了数据预处理消费者聚类，以及细分客户消费行为分析。第五章进行了移动通讯消费者的相关性分析，包括消费者购买的相关性消费者消费行为的分析，在第六章进行了总结与展望。 本文在移动通讯消费者购买倾向上共进行了CART算法、CHAID算法和C5.0算法，这三种算法进行处理，最终的二道重要保持客户和年龄关系较大，重要挽留客户和消费频率关系较大，重要

4、发展客户则和最近一次消费时间相关性高，一般价值客户和消费频率与消费金额有关，低价值客户则和性别有一定关系。针对此，在展开营销策划时，可以针对性进行营销。关键词：RFM、客户细分、数据挖掘、CART算法、消费者行为ABSTRACTWith the advent of the information age, competition in the mobile communications market more competitive, market share, enhance viscosity between customers and business mobile communicat

5、ions business has been the goal. At the same time, the use of mobile communication more and more consumers, how to find consumer behavior from a large number of consumer spending recorded in the mobile communications business has important strategic significance to improve customer satisfaction.This

6、 paper is the study of consumer behavior mobile communication about data mining, first elaborated the theory of data mining, analysis and consumer behavior analysis, and the resulting data into the sample, perform RFM analysis, consumption records from the consumer, That consumer ID, spending time a

7、nd amount of consumption to its R, F, M value, the next consumer to provide the data base segmentation, analysis of their value by the consumer, is more straightforward.Based on the processed data, conduct consumer segmentation. By K-Means, Two-Step and Kohonen clustering methods, were clustering, c

8、hose K-Means segments results as consumer segmentation criteria to give consumers five categories, namely important to keep customers, an important development client it is important to retain customers, the general value customers and low-value customers. On the basis of consumer segmentation based

9、 on different types were consumer behavior analysis more meaningful.Since this data has 24785 data, but consumers only 10085, data distribution may not satisfy some algorithms, this mobile consumers to buy CART algorithm were carried out on the tendency, CHAID algorithm and C5.0 algorithms, these th

10、ree algorithms processing, final important to maintain a large customer and their age, the larger retain customers and important relationship between frequency of consumption, important developments and recent customers are spending time correlation is high, the general value customers and consumpti

11、on frequency and amount of consumption related, low-value customers are and gender have a certain relationship. For this, in the expanded marketing plan, you can carry out targeted marketing.In this paper, data-driven, mobile communications consumer spending behavior correlation analysis, corporate

12、marketing planning for the future development of great significance.Keywords: RFM, customer segmentation, data mining, CART algorithm, consumer behavior目录摘要1ABSTRACT21 绪论71.1研究背景71.2国内外研究现状71.2.1 数据挖掘的研究现状81.2.2 客户消费者行为研究现状81.2.3基于数据挖掘的客户消费者行为研究现状91.3研究内容91.4本文组织结构102 数据挖掘理论概述112.1数据挖掘特点112.2 数据挖掘的一

13、般过程112.3数据挖掘常用方法122.3.1 决策树方法122.3.2统计分析方法122.3.3粗糙集方法122.3.4 贝叶斯网络一三2.3.5 人工神经网络一三2.3.6遗传算法一三3 消费者行为分析143.1客户关系管理143.1.1 CRM目标143.1.2 CRM的体系结构一五3.1.3移动通讯企业实施CRM的优势一五3.2 CRM流程163.3消费者行为分析173.3.1消费者行为173.3.2 消费者行为模式一八3.3.3 消费者行为研究理论基础193.4消费者细分方法213.4.1 RFM分析223.4.2 客户价值矩阵分析253.5 移动通讯企业的消费者细分问题263.6

14、本章小结274 移动通讯消费者细分案例284.1数据预处理284.2消费者聚类304.2.1 K-means聚类324.2.2 Two-Step聚类344.2.3 Kohonen聚类364.2.4聚类结果比较374.3细分客户消费行为分析384.3.1重要保持客户384.3.2重要发展客户404.3.3重要挽留客户414.3.4一般价值客户424.3.5低价值客户434.4 实证研究444.4.1对某省电信运营商客户的细分444.4.2 细分结果分析454.4.3 研究结果的现实意义465 移动通讯消费者相关性475.1消费者购买相关性485.1.1CART算法原理485.1.2CHAID算法

15、原理495.1.3 C5.0算法原理495.2消费者消费行为分析505.2.1重要保持客户CART消费分析505.2.2重要挽留客户C5.0消费分析525.2.3重要发展客户C5.0消费分析555.2.4一般价值客户CHAID消费分析575.2.5低价值客户CART消费分析595.3实证研究的现实意义606 总结与展望626.1总结626.2展望62致谢65参考文献661 绪论1.1 研究背景随着科技的不断进步，中国通信企业经历了2G、3G和现在的4G时代，中国移动通讯的市场环境发生了翻天覆地的变化，形成了现在的移动、电信、联通等大型移动通讯企业为主导，多家小型企业参与的市场局面。同时，中国的

16、改革开放的逐渐深入，中国移动通讯市场逐步向外开放，形成了既有内部竞争又有外部压力的新格局。作为当代的移动通讯产业，提高自己的核心竞争力已成为急需解决的问题。中国作为一个人口大国，并且移动客户端人口数量巨大，所以需要从海量数据中进行数据挖掘，对移动通讯消费者行为进行分析，找出客户需求，从而提高核心竞争力，为实现科学经营打下坚实的基础。在当下的竞争格局下，移动通讯企业已不再是昔日的以业务为中心，在当下以人为本的社会，以客户为中心已然成为移动通讯企业的核心，对不同类型的客户提供对应的服务，有利于增大客户黏度，从而实现以有限成本获得最大利益。消费者行为分析本质上就是从消费者数据中分析消费者的行为规律，

17、更加深入地了解消费者，开发其价值，为企业带来收益。数据挖掘技术在当下信息大爆炸的年代有着无可比拟的优势，数据挖掘技术就是从大量随机和有噪声的数据中识别出现在又用的知识（模型或规则）的技术过程，从而把人们对数据的应用从低层次的联机查询操作，提高到决策支持、分析预测等更高层次的应用上。1当下已是大数据的时代，数据挖掘技术在当代社会的各个领域都得到了广泛的应用，数据挖掘技术具有计算规模大、算法先进、鲁棒性强等特点，在大量实际工程项目中得到了诸多考验，所以把数据挖掘技术应用在移动通讯消费者行为分析中有较高的可靠性和实用性。1.2 国内外研究现状随着互联网的发展，服务业也随之改变，利用消费者的消费记录，

18、分析其潜在的消费可能性，并制定对应的消费方案成为各大企业的一种强有力的竞争手段，大数据广泛应用于客户消费者行为中，国内外对此作了相应的研究，并取得了相应的进展。1.2.1 数据挖掘的研究现状数据挖掘技术最早源于1989年，随着信息技术大爆炸，国内外对此进行了大量的研究，取得了较为丰硕的成果。数据挖掘技术方法较多，并不是各种算法的一种简单的叠加，而是基于现有的技术基础上融合的提升，国内外大量专家学者对数据挖掘技术进行了完善，其主要方法有：分类、估计、预测、相关性分组或关联规则、聚类、复杂数据类型挖掘等方法。R.Agrawal和Srikant1等人提出了著名的Aprior算法，这种关联规则方法对顾

19、客事务数据中的关联问题做出了较好的诠释，该算法是基于频繁理论的低柜方法，即一种挖掘单维布尔关联规则的一种重要方法；Liu2等人提出了AFOPT算法，该算法将树形结构和向量空间结构进行结合产生一种新的数据结构来存储所有与频繁集有关的信息，该方法在一定程度上提高了深度优先挖掘算法的性能；Dong和Li3把模式定义为支持度的数据集，支持度增加了两个数据库中的重要性，且我们可以把频繁集看成是模式在空间上的实例。基于此，国外很多公司都对数据挖掘上进行了相应的业务拓展：Infermix公司与1998年收购了在数据挖掘技术上有较高声誉的Red Brick公司，Red Brick公司在关系引擎中通过创建模型完

20、成对数据的分析和挖掘，这些模型可以通过结构查询语言SQL，像普通的表一样被访问和操作；IBM和微软也成立了相应的研究中心进行这方面的工作，一些公司也已经提出了基于数据挖掘技术的商业智能解决方案。与国外研究相比，中国直到1993年才由国家自然科学基金启动对数据挖掘的研究项目，这二十二年的高速发展，在数据挖掘领域也取得了较大突破。杨辉4等人提出了一种用于数据挖掘的粗糙集产生多重知识库的新方法，改善了分类的精确性，提高了学习过程的有效性；朱锡钧5等人现将USD准结构化，再转换成结构化数据，套用现有数据挖掘方法进行数据挖掘。1.2.2 客户消费者行为研究现状市场竞争越来越激烈，客户行为分析得到了相应的

21、重视，这是自1997年产生的客户关系管理后的一个新研究方向。消费者行为的有效分析，能够有效预测将来对应的消费习惯、消费方式、消费行为，从而有利于优化企业与消费者之间的关系，减少客户流失，增加企业的竞争力。Fryer D S6等人提出了一种基于遗传算法的多分类器，来预测消费者购买行为，通过对购买可能性或购买意识来研究那些是潜在客户及这些客户的消费模式和消费习惯；Bucklin7等人运用记录在服务器上的日志文件中点击数据流，判断访问客户是否决定继续浏览该网站以及网站间浏览的时间跨度；Johnson E J8等人利用点击客户消费数据对在线访问及购买行为进行分析，得到经常访问电子商务平台网站的客户购买

22、的可能性较大；赵丹群采用了简单明了的图形将复杂大量的信息呈现给用户，提升用户交互，以便能够交互地分析数据关系；晏创业9等人提出将XML和关联规则等数据挖掘算法相结合，可以实现网络数据挖掘的智能检索功能；陈莉10等人认为，Internet/www信息检索与数据挖掘中，检索工具是其研究的重点，即如何在海量的图形，图像数据中进行数据分析，将多分辨技术（如子波、多子波）、粗集、SVM、神经网络、模糊算法等相关技术集成。1.2.3基于数据挖掘的客户消费者行为研究现状在客户消费行为方法研究上，研究人员突破原有方法，在统计学、集合论、人工智能、粗糙集、信息论等学科基础上，提出了以智能计算为核心的数据挖掘方法

23、。Euiho suh11等人建立了网络匿名消费者购买预测模型，利用关联规则挖掘消费者购买方式并对消费者购买可能性进行判断，实现了网络实时营销方法；Change hung12等人基于关联规则和聚类方法，对消费者行为进行预测，该方法首先利用信誉度较好的客户的个人信息及购买数据进行聚类来获得客户基本的信息特征（如：客户性别、年龄、收入、职业、生活习惯等），再将商品与客户特征进行匹配，最后将客户的消费日志信息与商品进行预测与关联分析，得到消费者的动态购买概率；向勇一三等人提出，以消费者的一般消费行为模式为基础，从个人内在影响因子及外在环境因素两方面入手，建立客户消费行为的库存管理影响预测指标体系，对指

24、标体系进行了实证研究，对客户消费需求进行预测；王振东14以网络聚类算法及密度聚类算法为基础，提出了客户消费行为动态网络生成技术的聚类中心点算法（DGICC）和以孤立点客户消费数据为基础的孤立点检测方法；童建飞一五通过对客户行为研究建立了移动增值业务的模型，并对消费者数据进行关联规则研究，提出了适合电信业务的改进关联算法（BUCT）；Alex Berson16等人从客户关系管理入手，利用决策树和聚类等数据挖掘算法对客户进行细分，并利用关联分析详细阐述了交叉销售中的应用；Micheline Kanber17等人对零售数据进行挖掘，得到数据挖掘有利于发现消费者购买模式和趋势，有助于零售商改进服务质量

25、，取得更大的利润和销售；1.3 研究内容本文主要研究客户购买行为的预测模型，提出了客户消费预测挖掘模型，影响客户消费因子及相应方法，具体如下：(1) 分析影响客户消费的一般因子，如：客户经济影响因子，社会影响因素，客户心理影响因素，客户自身特征影响因子等；(2) 提出客户消费预测的数据挖掘模型；(3) 建立了对客户消费数据重要特征提取的神经网络方法；(4) 客户关联分类方法的提出；(5) 提出了基于模糊影响因子的客户消费行为预测的朴素贝叶斯分析方法。1.4 本文组织结构本文第一章对当前研究进行了相关分析，总结了数据挖掘领域、客户关系分析领域以及两者相结合领域方向的前沿研究，在不断调研的基础上，

26、进行本研究课题的相关探讨。本文第二章是对数据挖据理论的简要介绍，第三章则是消费者行为相关理论的极少，以及对已有数据进行RFM处理后的结果进行分析。第四章在第三章已处理好的RFM数据基础上，进行消费者细分，并最终采用K-Means方法，将消费者分为五类，最后对分类的消费者分类分析，采用CART、C5.0和CHAID算法，对其指标的相关性进行分析。2 数据挖掘理论概述数据挖掘就是从大量的、不完整的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们事先不知道的、但是有潜在有用的信息和知识的过程。数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统（依靠过去的经验

27、法则）和模式识别等诸多方法来实现上述目标。2.1 数据挖掘特点数据挖掘是一门广义的交叉学科，包括了数据库、人工智能、数理统计、并行计算方面的技术，其特点如下：(1) 数据库是数据挖掘的主要对象；(2) 数据挖掘是要发现隐含的、预先未知的信息；(3) 数据挖掘出来的信息是有价值的。在本文中，利用数据挖掘技术，从消费者消费记录中挖掘出我们未知的、隐含的消费者行为，为后期消费者行为进行预测，制定相应的方案，提高企业的收益。2.2 数据挖掘的一般过程数据挖掘过程一般可分为六个阶段：(1) 定义问题：进行数据挖掘之前，需要对当前业务进行相应分析，从而定义问题的范围、得到计算模型所使用的度量以及定义数据挖

28、掘项目的特定目标；(2) 准备数据：由于当前数据的存储形式多样，并且数据可以分散在公司的各个部门并以不同的格式进行存储，并且可能由于操作人员等不确定因素，导致数据出错，所以需要对错误数据（噪声点或异常点）进行删除或插入缺失值；(3) 浏览数据：数据常有最大最小值、平均值、平均偏差、标准偏差、方差等几个指标。如：通过查看最大值、最小值和平均值，可以确定数据能不能代表客户或者业务流程，数据库的数据越多，对应的精度和可靠性就会越高；(4) 生成模型：通过创建挖掘结构定义要使用的数据列，将挖掘结构链接到数据源，但是只有对挖掘结构进行处理后，才能包含实际数据；(5) 浏览和验证模型：对模型的性能进行测试

29、，使用不同参数创建多个模型，对所有模型进行测试，查看那个模型对数据产生最佳结果；(6) 部署和更新模型：按照新的要求，并在数据扩容的基础上，更新模型。2.3数据挖掘常用方法国际学术组织IEEE International Conference on Data Mining(ICDM)于2006年12月评选出了数据挖掘领域的十大经典算法：C4.5、K-Means、SVM、Apriori、EM、PageRank、AdaBoost、KNN、Nave Bayes和CART算法。其所有算法可以大致分为：决策树方法、统计分析方法、粗糙集方法、贝叶斯网络、人工神经网络、遗传算法等。2.3.1 决策树方法决策

30、树方法就是利用信息论的原理建立起决策树，及信息论方法一八。决策树是一种应用广发的数据挖掘分类方法，由于其可以方便地把大量数据进行有目的的分类，转化成为直观的分类规则，典型的决策树方法有C4.5、CART等。2.3.2统计分析方法统计分析方法是指对目标数据集中的关系属性进行整理归类并进行解释的数据挖掘方法，主要李永乐统计学和概率论中的原理和技术19。发现数据中的结构是统计学和数据挖掘的共同的目标，而数据库的字段项中的两大关系函数关系和相关关系均可以采用统计学方法对其中的信息进行分析，因而将统计分析的原理应用在数据挖掘中就是自然而然的事了。在实际运用中，统计分析方法和数据挖掘的其它技术方法可以融合

31、在一起使用，互相补充。比较常用的统计分析方法有：因子分析、相关分析、判别分析、回归分析等。2.3.3粗糙集方法粗糙集最先是由波兰 Z. Pawlak 教授1982年提出的，它是一种研究不确定性知识的数据分析处理理论20。粗糙集有着成熟的数学基础，不需要先验知识，并且简单易用。在数据挖掘中，实际系统中的数据往往包含着许多噪声和缺失信息，传统的处理方法（如模糊集理论）大多需要先验知识或者附加信息，而粗糙集则可以克服这个缺点，粗糙集方法只需要利用数据内部的知识即可以从中发现隐含的知识和揭示潜在的规律，可以说是一种天然的数据挖掘方法。引入粗糙集理论，并且把它和传统的方法有机结合，可以大大增强对不确定和

32、不完全信息的处理能力。2.3.4 贝叶斯网络贝叶斯网络是一个带有概率注释的有向无环图，是一种基于概率推理的图形化网络21。贝叶斯网络的理论基础是贝叶斯公式，通过一些变量的信息的概率推理，贝叶斯网络可以高效地解决某些不确定性和不完整的问题。在数据挖掘中，可以把它应用到分类、聚类和预测等任务，并且对于海量数据的处理有着高准确率与高速度的优势。2.3.5 人工神经网络人工神经网络是一种仿生信息处理的数学模型，应用类似于大脑神经突触联接的结构进行信息处理，是一种非线性自适应信息处理系统。最初的神经网络模型是由心理学家W. S. McCulloch和数理逻辑学家W. Pitts在1943年建立起来的，称

33、为 MP 模型22。人工神经网络方法在近年来非常流行，由于其具有自学习功能、联想存储功能和高速寻找优化解的能力，因而非常适用于非线性数据和含噪声的数据的处理。引入人工神经网络方法挖掘现实系统中的大量复杂和非精确的数据显得十分有效。目前在数据挖掘领域中，最常用的人工神经网络方法是 BP 和RBF 网络。2.3.6遗传算法 遗传算法也是一种仿生信息处理的数学模型，是一种通过模拟自然进化过程搜索最优解的方法，最初是由美国的 J. Holland 教授于 1975 年提出23。遗传算法的基本运算过程，类比生物进化过程，首先需要建立初始状态，也就是编码成染色体，并由染色体产生初始群体；然后评估适应度，即

34、对每一个解(染色体)指定一个适应度的值；再进行繁殖，也就是染色体的选择（复制）、交叉（重组）和变异（突变）等操作；从而产生下一代，也就是新的染色体。上述过程迭代进行，优胜劣汰，适者生存，直到产生最佳方案为止。3 消费者行为分析消费者是企业的核心资源，促成了企业对消费者管理的需求，即客户关系管理Customer Relationship Management，CRM）。CRM是一种新型管理机制，旨在提高企业的盈利，增大客户黏度，改善企业和客户之间的关系。CRM离不开消费者，对消费者的有效管理，需要对消费者行为进行分析进而对消费者行为进行预测，提升消费者满意度等。3.1客户关系管理客户关系管理（C

35、RM）核心是将企业的客户作为重要的企业资源，通过完善的客户服务和深入分析来满足客户的需要，从而使企业得以提供更快捷和周到的优质服务，提高客户满意度，吸引和保持更多的客户，进而增加营业额。3.1.1 CRM目标实现客户资源价值最大化是企业选择CRM的最终目标，本项目涉及到的移动通讯客户庞大，对应的资源也是巨大的，对其行为进行分析，实现资源价值最大化将会带来意想不到的结果。CRM可以根据企业的自身情况分为：交叉销售、追加销售、客户保留、客户获取、客户再生和客户体验等多个方面。就CRM目标而言，可以大致分为三类：(1) 提高效率：由于信息技术的发展，CRM采用信息技术，提高了服务的自动化程度，实现了

36、信息的共享，能够较大地提升员工的工作水平，实现企业的搞笑运转；(2) 拓展市场：通过对客户行为进行分析，结合当前的局势，能够较好的为未来发展提供方向，在理论技术基础上，更好地把握市场机会，占领更多的份额；(3) 增大黏度：对客户行为进行分析后，能够拓展消费者普遍喜欢的方式，或者拓展个性化服务，增大客户黏度，提升客户满意度，帮助企业实现客户的稳定增长。3.1.2 CRM的体系结构CRM 系统根据其不同的需求侧重，CRM 可分为三种类型：(1) 操作型CRM；(2) 分析型CRM；(3) 协作型CRM；运营型 CRM(Operational CRM)、分析型 CRM(Analytical CRM)

37、、协作型 CRM(Collaborative CRM)几种类型。如果把 CRM 比作一个完整的人的话，运营型 CRM 是 CRM 的四肢，而分析型 CRM 则是 CRM 的大脑和心脏，而协作型 CRM 就是各个感觉器官23。我们可以得到 CRM 系统的主要过程是对营销、销售和客户服务三部分业务流程的信息化；与客户进行沟通所需要的各种渠道（如电话、传真、网络、亲自访问等）的集成和自动化处理：对上面两部分功能所积累下的信息进行的加工处理产生客户知识，为企业的战略战术的决策作支持。因此，我们可以把 CRM 看成一个两层结构的系统，其第一层系统为客户接触系统，它是 CRM 中企业与客户的接触点。第二层

38、是负责客户关系计划，主要实现客户分析、活动管理及根据客户分析结果制定客户关系优化方案。下图是根据以上分析所得的客户关系管理基本系统结构图，运营型 CRM、分析型 CRM、协作性 CRM 是他们的一部分。图 3.1 客户关系管理基本系统结构图3.1.3移动通讯企业实施CRM的优势据工信部统计数据显示，在2014年5月底，中国的手机用户已经达到12.56亿，即相当于中国90%左右的人都在使用移动通讯，这是一个巨大的市场。与一般的行业相比，移动通讯的数据大，能够更加完善、深入地分析客户的行为，并且作为移动通讯企业，拥有先进的技术。综上，移动通讯企业教其它行业有客户信息和技术优势： (1)客户信息优势

39、移动通讯企业最大的优势就是消费者数量庞大，拥有大量的客户信息，即拥有较全面的与企业经营有关的内部数据资料和外部数据资料。如果将这些数据进行分析，运用现在较深入研究的数据挖掘技术，深入分析隐藏在海量数据背后的价值，就能为企业管理决策提供有用的信息。我国较国外起步晚，消费者数量庞大，对此进行研究，能够为我国电信企业的科学化管理提供一条便利途径。 (2)技术优势移动通讯行业一般属于国有企业，在信息化程度上较为注重，在CRM方面的资金、技术等投入在各行各业中属于领先地位。CRM属于现代信息化技术的一部分，在客观条件上，CRM覆盖面广、周期长、难度大，但是相对而言，在电信运营企业内部，有大量的系统分析与

40、涉及人员、软件开发人员等，可以结合当前的需求，进行详尽的针对性分析。除此外，电信运营企业，有着优质的网络通信系统，能够实现实时关联，保持数据的及时更新，所以电信企业可以更加方便、实时、低价实现与客户信息的交流，为CRM分析提供良好基础。3.2 CRM流程CRM的目标就是对企业现有的业务和商业流程进行优化和重组，在客户关系管理的过程中，面对客户的通常是市场部、销售部和客户服务部，上述部门对运营情况的反应，对上层决策起着至关重要的作用。对客户关系管理流程的完善，离不开以下几个部分：图 3.2 客户关系管理完善流程 上述建立客户行为模式结算，基于企业对客户行为的分析理解，最终表现为客户知识，企业对客

41、户知识的获取是通过对采集到的客户信息学习实现的，下图是客户知识的获取过程示意图24。图 3.3 客户知识获取过程由图3.3可见，客户知识的获取主要包括以下几个步骤：(1) 接触客户：企业通过电话、传真、Web、E-Mail 等多种方式与客户进行接触。(2) 建立关系：在接触的基础上，与客户建立“学习型”的互动关系。(3) 信息采集：通过每一次接触、每一种渠道深入了解客户的点点滴滴，不断积累客户的个性化信息。(4) 差异分析：不同客户之间的差异主要表现在两点:一是他们对企业的价值不同；二是他们对产品或服务的需求不同。对客户进行有效的差异分析，可以企业更好地配置资源，使产品或服务得到有效的改进，识

42、别并掌握最有价值的客户以期获得最大的收益。(5) 知识获取：通过对各个渠道的客户历史数据以及在线数据的分析处理，并进行数据挖掘，获取有关客户的知识。(6)知识运用：将获得的客户知识运用到企业的客户服务、生产计划等各个部门，以便让这些知识发挥出杠杆作用。3.3消费者行为分析CRM的重要组成部分便是对消费者行为进行分析，进而建立客户行为模式，为后续的管理与预测及活动管理的制定做准备。客户关系管理要求企业千方百计取悦自己的客户，让客户感到满意。并最终形成忠诚，这就要求企业能够充分了解自己的客户，当然也包括客户的消费行为。3.3.1消费者行为消费者行为是指消费者为获取、使用、处置消费物品或服务所采取的

43、各种行动，包括获取前的决策过程25。当代企业研究消费者行为，不仅仅是了解消费者是如何获取产品与服务的，更是了解消费者如何消费产品以及如何处置产品。如果企业想要与消费者之间建立黏性关系，就需要分析消费者的消费体验，消费者处理旧物的方式等，因为这些将会影响消费者的下次消费。只有建立完善的体系，深入分析消费者行为，才能在企业和消费者之间建立长远持久的关系。随着服务业的发展，消费者行为研究受到了广泛关注，各大企业开始意识到，消费者行为不是购买或者获取这一阶段，消费者行为是一个整体，能够让企业更深入了解企业产品，以及更好的为消费者进行服务，取得更大的收益。在整个消费过程中，消费者行为常表现为如下几个阶段

44、：图 3.4 客户行为过程示意在客户关系管理中，消费者行为分析可以分为两个方面26：(1)整体行为分析：消费者行为整体分析从全局考虑，总括分析企业所有消费者的行为规律，虽然整体行为分析有利于企业的总体规划和布局，但是由于客户组成的多元性，整体分析不能针对性地分析客户群体之间的差异，所以需要群体行为分析；(2)群体行为分析：根据客户行为，可以将客户分为不同的群体，各个群体有着各自的特征，通过客户群体行为分析，消费者行为管理能够更好的发现群体规律，并采取针对性措施。3.3.2 消费者行为模式消费者行为模式是指消费者在某一时期内，相对稳定性、规律性和发展性的消费者行为。当然，消费者行为常因为一些客观

45、或主观的因素影响，但是消费者行为模式是相对稳定不变的，更有利于研究。消费者行为模式的研究客观反映消费者行为信息的分析，客观真实。消费者行为模式有双重特征：(1)稳定性：稳定性是指消费者在相对较短时间内较固定不变的消费行为模式。这种固定不变可能源于客户自身和外界环境的各种因素，如受收入水平等因素的制约客户在一定时期内表现出稳定的购买决策标准，对具体客户而言个人所表现出来的特定消费等均具有相对稳定性。(2)发展性：发展性是指客户随时间发展受自身及外界环境因素的影响，其消费行为也相应发生变化，表现为测度客户行为的特征指标发生变化。由营销管理的理论可知，客户行为模式发展性的影响因素是非常多的，但关键的

46、问题是，如何掌握、认识客户行为模式的发展性。3.3.3 消费者行为研究理论基础由于消费者行为模式研究的基础是消费者行为具有规律性和发展性。不少学者分别对消费行为的这两个属性进行研究并提出了一些基础理论，具有代表性的理论有消费者生命周期理论和反映层次模型（L-S模型），这些理论都可以作为研究消费者行为模式发展性的理论基础27。 (1)消费者生命周期理论消费者生命周期理论也成为消费者关系生命周期理论，是指从企业与消费者建立业务关系到完全终止关系的过程，是客户关系水平随时间变化的发展轨迹，它描述了客户关系从一种状态向另一种状态运动的总体特征。客户生命周期可以分为考察期、形成期、稳定期和退化期四个阶段

47、。考察期是客户关系的孕育期，形成期是客户关系的快速发展阶段，稳定期是客户关系的成熟期和理想阶段，退化期是客户关系水平发生逆转的阶段。 (2)反映层次模型消费者在内在的需求与动机的作用下，对外部刺激产生一定的反应。按照Robert J.Lavidge 和 Gary A.Steiner(1961)提出的反应层次模型（L-S模型），他们认为客户对外界刺激的反应可能处在对产品和服务认识与情感的不同阶段并最终表现为购买消费，并且这些反应都以某种方式表现出来从而形成客户的反应信息，企业可以通过客户在不同阶段的反应尤其是购买行为的观察、记录等活动，收集其相关的客户信息，并通过对客户信息的研究分析对客户行为的规律性进行学习和认识，从而形成企业的客户知识指导企业的经营实践。反映层次模型最终反映了消费者在一个消费周期中消费行为的发展过程的发展规律。图 3.5 反应层次模型上述理论都可以作为消费者行为模型研究的理论基础，但是对每一个消费者的行为模式的发展性而言，由于反映消费者行为模式的行为信息都是历史数据，因此对其发展性的研究可以依据预测理论从时间序列和类推两个角度出发。 (1)时间序列预测：时间序列预测的基本思想是预测事物过去发展过程中形成的行为规律在将来依然保持基本不变，因此可以根据对历史数据的配合来认识客户行为模式规律，并通过外推预测未来某