随着经济全球化和高新技术的快速发展,世界进入了一个崭新的知识经济时代。企业所处的竞争环境发生了深刻的变化。某些市场开始衰落、竞争对手成倍增长、产品质量和价格日趋同化。客户消费行为也日益理性化、个性化,客户驱动成为新市场的主要特征。在这种情况下,传统的CRM因无法满足企业保持和利用客户知识资产的需要而遭淘汰。客户智能成为企业获取核心竞争力的新战略。客户智能是指企业充分运用各种智能化技术,将客户数据转换为客户知识,并利用这些知识改进客户关系、进行客户决策、提升客户价值的战略活动。将客户智能引入到企业客户管理中,能让企业科学合理地理解客户消费模式,实现主动性客户关系管理,预测客户行为和市场动向。客户智能与企业经营管理充分结合,将“以客户为中心”的理念植入企业组织内部,并使其具有更强的可操作性。客户智能涉及了客户知识从产生到分发、使用的整个过程,强调知识的流动性和决策结果的有效性。作为一个具有多种学科交叉特性的新概念,客户智能的形成与发展吸收了客户关系管理、知识管理、商务智能、市场营销等学科的研究成果,并且以许多高级知识信息技术为支撑,比如知识工程、人工智能、数学统计、计算机技术等。其中数据挖掘是客户智能体系中最为关键的技术。数据挖掘是指从大量不完全的、有噪声的、模糊的和随机的数据中,提取隐含的,未知的,且又潜在有用的知识和模式的过程。在商业领域中,数据挖掘可以有助于分析已知的事实,揭示和预测未知的结果,能分析出实现业务所需的关键因素,并发现业务发展的机遇和趋势。由于客户智能关注的主要对象是客户知识,而数据挖掘正是知识发现与知识获取的核心技术,因此两者具有紧密的结合性。只有将数据挖掘合理地融入客户智能过程中,才能够实现从海量客户数据中及时、有效提取客户知识的目的。本文应用各种数据挖掘技术,从多个角度、多个层面对客户智能的理论、方法和应用进行了研究。其目的在于将数据挖掘技术与客户业务目标有效结合,构建基于数据挖掘的客户智能理论方法体系,为客户知识的获取、创新及客户决策的优化提供支持。本文正文包括六个部分,主要内容如下:(1)客户智能理论概述这一部分总述客户智能理论。在归纳总结相关研究成果的基础上,对客户智能基本理论框架中的各种关键问题进行了深入的分析,包括客户智能的产生背景、定义、本质、理论基础、技术基础、功能和优势。文中从市场竞争环境的变化、“知识=资产”新观念的建立和信息技术发展带来的挑战和机遇三个方面揭示了客户智能产生的原因与背景,从战略层次指明了客户智能是运用智能分析技术产生和利用客户知识的战略活动。文中重点从客户知识和客户价值两个方面对客户智能的内涵进行了分析,并指出客户智能的本质是通过创新、使用客户知识来产生决策和行动,帮助企业获得和提高客户价值,以增强企业竞争优势。本文认为客户理论、知识管理理论和商务智能理论是客户智能的三个主要理论基础,而数据挖掘、数据仓库与OLAP和人工智能是客户智能的三大支撑技术。客户智能在企业中具有重要的作用和意义,其主要功能体现在数据管理、数据分析、知识发现和企业建模四个方面。通过发现客户知识,客户智能能为企业客户业务的分析、预测与决策提供科学依据。(2)基于数据挖掘的客户智能体系这一部分从不同的层面分析实现客户智能的各种关键要素,构建基于数据挖掘的客户智能体系框架。文中指出客户智能是一个多维综合系统,涉及到企业战略管理中的各种要素和技术因素。基于数据挖掘的客户智能体系由五个层面组成。其中,理论基础层为客户智能体系的活动提供理论指导,由客户分析、客户知识管理、客户关系管理等理论与方法组成。文中重点讨论了支持客户知识挖掘的客户分析理论,如客户生命周期分析、客户价值分析、客户满意度分析、客户忠诚度分析等;数据存储层是客户智能体系的物理基础,是客户数据的源泉,包括企业内部和外部的各种信息平台与数据库系统。文中分析了不同数据源中客户数据的构成与特点;信息分析与整合层为客户智能提供全面、统一的客户信息视图。文中分析了客户信息视图的主要内容,并着重研究了通过数据仓库实现的客户信息的多维组织;知识发现层是客户智能体系活动中关键,执行知识分析、知识挖掘、知识分类、知识建模等功能,是与数据挖掘结合最紧密的部分。文中对统计回归、聚类、决策树、神经网络、关联规则挖掘、遗传算法等数据挖掘的主要方法与算法进行了分析;战略管理层是客户智能体系的最高层,包括一组客户关系管理和企业经营决策管理的理念、策略和方法。文中从战略决策和战术决策两个方面研究了以客户知识为指导的企业客户管理决策。(3)基于数据挖掘的客户智能方法论这一部分研究基于数据挖掘的客户智能的全过程,它以企业业务问题的分析与描述为基础,主要研究构建和应用数据挖掘模型的模式、步骤与方法,总结了基于数据挖掘的实践活动的有序步骤,构建了一套有效的、科学的方法体系。文中指出基于数据挖掘的客户智能流程是一个互动循环的良性知识活动过程。它由发现客户业务机会、应用数据挖掘形成客户知识、根据客户知识采取决策行动和评价决策行动结果四个主要阶段组成。本文从工程的角度出发,重点对挖掘目标分析、数据准备和挖掘建模三个主要过程的活动和技术因素进行了探讨。在确定客户业务目标和数据挖掘任务目标的过程中,需要进行识别业务相关者、识别业务需求、设定业务分析目标、分析数据挖掘环境、确定数据挖掘目标、制定客户智能项目计划等主要活动。在数据准备过程中,首先需要选择合适的客户数据并进行检验,对于发现的数据问题应进行修复,还要通过变换客户数据形成适合挖掘的客户信息,最后将数据划分为建模数据集。在数据挖掘建模的过程中,首先要分析输入/输出变量的特性,选择合适的工具与算法并建立初始模型,然后对模型进行评测、改进和优化,最后还需要对模型的应用效果进行评估。(4)基于数据挖掘的客户知识获取与预测这一部分在前面理论方法研究的基础上,以客户生命周期为主线,将数据挖掘模型应用于客户关系管理的各个阶段,实现客户知识的分析、获取和预测。文中研究了在不同的客户关系阶段,企业所面临的不同客户群类型,分析了围绕客户展开的各种业务活动,以及数据挖掘模型和技术与各阶段业务活动的结合。对客户盈利能力分析、客户响应预测、客户细分、客户增值消费预测和客户流失预测五个重点领域中数据挖掘的实施途径进行了分析,对数据、建模、成果运用等关键问题进行了探讨。(5)基于数据挖掘的客户智能应用实例这一部分将理论研究成果应用于实践,介绍了一个在客户智能中通过数据挖掘进行客户分析的应用实例。该实例运用SAS Enterprise Miner集成环境,实现市场促销中常见的响应预测。文中详细讨论和演示了从准备数据、建立模型到应用模型的全过程。(6)总结与展望这一部分对论文的研究进行总结,并对未来客户智能的发展趋势进行展望。本文通过对基于数据挖掘的客户智能的研究,推导出以下三个结论:①客户智能是企业确定其独特竞争优势的一种战略选择。②客户智能是企业客户知识管理综合能力的体现。③客户智能是高级信息技术在商业领域的集成应用。文中还指出在政策、市场和技术的推动下,客户智能将迎来一个发展的高潮,其研究重点将集中在客户知识管理的智能化、客户知识管理与企业战略管理和运营业务的有效结合等方面。