［摘要］随着服务经济的到来，商场从过去的以商品为中心转向以客户为中心。想要真正做到以客户为中心，商场必须建立客户关系管理信息系统，积累与商场客户有关的数据信息，整合信息并利用数据挖掘技术实现客户细分、交叉销售、商品推荐、客户价值分析、客户获得和客户保持等。同时，还要将传统客户关系管理信息系统与数据挖掘技术相结合，以深入了解客户，辅助商场管理人员决策，从而挖掘潜在客户、提高客户忠诚度，最终增加商场利润。
［关键词］数据挖掘技术；客户关系管理；信息系统
0引言
在大数据背景下，想要获取客户更多有价值的信息，商场需要建立自己的客户关系管理系统。一方面，商场要管理客户基本数据和消费数据；另一方面，还要利用数据挖掘技术处理和分析这些数据，以挖掘出对管理决策有潜在参考价值的信息，从而辅助管理者做决策，达到维持老客户、发现新客户、提高客户满意度和忠诚度、获取更多利润的目的。
1数据挖掘技术的应用流程
1.2定义挖掘目标。对商场来说，挖掘目标一般是细分商场客户，了解不同客户的消费特征和贡献度，找出值得关注的最有价值的客户，制订区别于一般客户的营销方案，实现精准营销；预测客户喜好，帮助客户快速找到自己感兴趣的商品，并进行有效推荐；分析历史销售数据，预测未来商品需求量，并制订合理的采购计划等。
1.2数据准备。确定挖掘目标后，还要进行数据准备，数据准备的充分性直接影响挖掘算法的效率和精准度。数据准备工作主要包括数据取样、数据探索、数据预处理。其中，数据预处理又包括数据清理、集成、变换和规约等工作。另外，对商场来说，数据一般来源于客户基本信息和销售信息。
1.3挖掘建模。数据准备完成之后要进行挖掘建模，首先，考虑挖掘建模属于哪类问题，如客户分类、客户聚类、商品关联规则、商品智能推荐等；其次，根据对应问题选择具体的算法构建模型。相关单位定义的数据挖掘目标不同，需要处理的问题也不同，采取的数据挖掘算法也不同。对商场来说，如果挖掘目标是细分客户信息，则商场需要根据客户消费记录聚类客户，选择K-means等聚类算法；如果挖掘目标是找出各种商品之间的潜在关系，则应选择Apriori算法。
2客户关系管理系统模块设计概述
2.1设计目标。客户关系管理系统可以结合信息技术和数据挖掘技术深层次地挖掘和分析客户信息，以了解客户需求，制定营销策略，进而维持老客户、获取新客户。客户关系管理系统具有以下两个设计目标：第一个目标是利用计算机储存和处理复杂烦琐的数据，帮助商场各部门员工提高工作效率，将他们从大量重复的人工操作中解脱出来，节省人力物力，提高数据处理的及时性和准确性；第二个目标是处理和分析数据库中存储的各类数据，利用数据挖掘技术实现客户分类、客户聚类、商品交叉销售、商品智能推荐、客户价值分析、客户获得和客户保持等。
2.2系统模块设计功能。2.2.1客户管理功能。①客户信息管理：管理客户信息，包括添加、修改和删除客户基本信息等。②客户信息查询：根据需求浏览和查询客户基本信息以及消费信息。③客户信息分析：分析客户来源渠道以及客户满意度，根据客户来源渠道制定合适的宣传策略，以获取新客户；根据客户对商场的满意度制定相应的优惠措施维护现有客户。2.2.2客户服务管理。①客户问题管理：记录客户提出的问题，以方便为客户提供更及时的服务。②回访管理：主动回访客户，了解客户对商场的满意程度。③订单管理：记录客户的订单信息，以及时满足客户订单要求。④兑奖信息管理：更新兑奖活动信息，同时记录客户积分兑奖信息。2.2.3营销活动管理功能。①营销活动管理：更新商场举行的营销活动的基本情况。②其他商场信息追踪：追踪其他商场的基本信息以及其营销活动的信息，并有效分析追踪到的信息，以了解市场动态，做出正确决策。③客户消费统计分析：统计和分析客户消费数据。根据销售记录分析客户的消费情况，进行客户细分、客户价值分析、客户流失分析，制定相应的交叉销售策略和商品推荐策略。2.2.4进销存管理功能。①销售管理：记录与客户进行的每一次交易信息，还可以删除、查询销售信息等。通过记录客户购买信息，自动增加客户积分依据购买额。同时，根据商品销售历史数据预测商品以后的销量，以制订合理的采购计划，满足客户需求。②采购管理：记录每一次采购信息，包括修改、删除和查询采购信息等。③商品信息管理：管理商品的基本信息，包括添加、修改和删除商品信息等，还可查询商品销售状态以及商品促销信息。④供应商信息管理：管理供应商基本信息，包括添加、修改和删除供应商信息等，还可对供应商进行分类和评价，以在采购时选择准确的供应商。⑤库存信息查询：商场员工可查询各种商品的库存信息。当客户下订单时，客服人员首先要查看库存信息；当客户购买商品时，销售人员要先查看库存信息。
3数据挖掘技术在各模块中的应用
3.1客户信息分析子模块。汇总分析客户来源渠道信息，针对占比高的来源渠道制订一系列宣传方案，以获取新客户。对客户满意度进行调查分析，汇总客户的意见和建议，制定相应的整改措施，以维持老客户。
3.2其他商场信息追踪子模块搜集整理竞争对手的营销活动数据，并利用数据挖掘技术详细分析竞争对手举办的营销活动的主题、方式、效果等，以帮助决策者做出正确的营销决策。
3.3客户消费统计分析子模块。处理客户的基本数据和消费数据后，可以利用决策树算法实现客户分类，利用K-Means算法实现客户聚类，利用Apriori算法挖掘商品关联规则，利用协同过滤算法发现相似客户并预测客户喜好。具体算法如下。3.3.1决策树算法。决策树算法是分类、预测等领域的典型算法，因其速度快、准确率高而被广泛应用。首先，对数据进行预处理，利用归纳算法生成简单的、可读的规则集和决策树；其次，利用决策树分析测试数据。决策树算法可以对商场客户进行有效分类，从而构建客户价值决策树，根据客户基本信息和消费信息合理划分客户，确定每个客户所属的类别并归纳出每类客户的价值分布规律，针对不对客户群制定不同的营销策略。3.3.2K-Means算法。K-Means算法是实现聚类最常用、最典型的算法，该算法首先要确定分类个数K，然后在最小化误差函数的基础上，依据距离最小原则将原始数据划分为K个类，一般采用欧几里得距离作为度量指标，计算每个对象与各簇中心的距离，距离越近相似度就越大，可以归为一类。RFM模型可用来衡量客户价值和客户贡献度，其中，R（Recency）表示最近一次消费时间，F（Frequency）表示消费频率，M（Monetary）表示消费金额。对商场来说，可以根据客户的RFM消费行为特征数据，利用K-Means算法将客户进行聚类，并评判每一类客户群的价值，一般可将客户划分为高价值客户、一般客户和低价值客户。聚类结果对个性化的沟通和服务提供依据，从而为商场做出精准的营销决策提供支持。3.3.3Apriori算法。Apriori算法是关联规则分析最常用、最典型的算法，其挖掘高频率项集的核心思想是，通过连接产生候选项及其支持度，通过剪枝生成频繁项集。对商场来说，利用Apriori算法可以进行各种商品之间的关联规则分析，从大量的销售统计数据中挖掘不同商品之间的关联规则，可以快速识别客户的购物偏好，以此为依据制定交叉销售规则，当客户购买某商品时可以推荐相关商品，引导客户消费，提高客户的购物体验。3.3.4协同过滤算法。协同过滤算法是经典的推荐算法，根据相似用户的喜好自动预测用户喜好。利用统计的用户消费行为数据计算数据的相似度，进而找到相似用户，汇总相似用户喜欢的商品，并根据与用户的相似度得出各个商品的推荐度，再根据推荐度推荐商品，提升成交概率，增加销售额。
3.4销售管理子模块。利用时间序列平滑预测法或者马尔科夫预测法分析历史销售数据，以有效预测商品需求，并以此为依据制订合理的采购计划，满足客户对各类商品的需求。
3.5供应商管理子模块。利用数据挖掘技术实现供应商细分，根据供应商的各个属性值对供应商进行分类，或者将层次分析法和模糊综合评判法相结合，实现对各个供应商的评价分析。
4结语
将数据挖掘技术与商场客户关系管理信息系统相结合，可以深入挖掘客户信息以及销售数据，从而辅助决策者制定决策，提高商场服务和营销质量。例如，利用决策树算法可以细分客户；利用K-Means算法可以实现客户聚类，且可以根据不同价值的客户制定不同的营销策略；利用Apriori算法可以挖掘商品关联规则，制定交叉销售策略；利用协同过滤算法可以发现相似客户并预测客户喜好，并进行有效推荐，以增强用户体验感，增加商场销售额。
参考文献
［1］王欣,薛雯,魏源彤.数据挖掘在客户关系管理系统中的应用研究［J］.东北电力大学学报,2015(4):73-78.
［2］于兴平,于腾飞,李洪建.数据挖掘技术在客户关系管理系统的应用［J］.信息与电脑,2019(2):151-153.
［3］朱荣,周彩兰,高瑞.基于数据挖掘的客户关系管理系统研究［J］.现代电子技术,2018(1):182-185.
作者:路健 王立坤 李晓玉 单位:河北地质大学华信学院
