CRM系统：CRM 中序列模式分析与神经网络结合的应用研究
CRM 中序列模式分析与
神经网络结合的应用研究
杨欢耸
(杭州师范学院, 浙江杭州310018)
摘 要:用序列模式挖掘方法进行商品销售的预测,其准确率受单个算法本身限制,如果先用序列模式挖掘对原始
数据进行过滤,然后再利用神经网络的自适应性,通过学习和训练,找出客户特征与购买某种商品意向的内在联
系,再利用神经网络的泛化功能对未经训练客户购买意向进行预测,其预测的正确率非常高.
关 键 词:序列; 挖掘; 预测; 数据; 神经网络
中图分类号: TP18 文献标识码:A 文章编号:1008 - 9497 (2006) 02 - 174 - 04
YAN G Huan2song ( Hangz hou Teachers Col lege , Hang Zhou 310018 , China)
Research of application of combination of sequence pattern analysis and neural network in CRM. Journal of Zhejiang
University(Science Edition) , 2006 ,33 (2) :174～177
Abstract : The veracity of forecast of product s sale using sequence pattern detecting is rest ricted by single algorithm.
If filt ration is done to the original data by means of sequence pattern tapping ; and af ter being studied and t rained ,
the inherent relation between customer character and the t rend of purchasing certain product is find out by using the
self2adjustability of neural network ; and then forecast for purchase t rend of un2t rained customers is done by using
extending function of neural network , a very high veracity of forecast can be obtained.
Key words : sequence ; detect ; forecast ; data ; nerval network
现有的CRM 系统对客户购买意向的预测往往
不够准确,导致推销清单数目庞大,引起客户反感,
因此提高预测准确率毫无疑问成为能否成功实施交
叉销售的关键. 在常用的预测方法中,人工神经网络
以其适应性强、正确率高等优点而被广泛采用. 但在
CRM 的实际实施过程中,因客户和商品数据往往非
常庞杂,用所有数据作为神经网络的原始数据是不
可想象的,不仅效率低下,而且要耗费大量的人力物
力,也无法保证对任意一种商品进行购买意向预测
的正确率,且随着时间的推移,这些数据的有效性也
大打折扣. 而直接使用序列模式挖掘方法进行预测,
其准确率亦受单个算法本身限制,如果先用序列模
式挖掘对原始数据进行过滤,然后利用神经网络的
自适应性,通过学习和训练,找出客户特征与购买某
种商品意向的内在联系,再利用神经网络的泛化功
能对未经训练客户购买意向进行预测,就可以大大
提高预测正确率,较好地实现产品的销售.
1 序列模式挖掘方法对原始数据的过滤
序列模式挖掘是指挖掘相对时间或其他模式出
现频率较高的模式,如长度为2 的序列模式,即某人
购买了商品A ,很可能在30 d 内购买商品B ,这就
是一个长度为2 的序列模式的典型例子. 表1 是一
表1 排序源数据库
Table 1 Sorting the source database
客户号(cust_id) 交易时间(t ran_time) 项(物品) (item)
1 Oct 25’01 30
1 Oct 30’01 90
2 Oct 10’01 10 ,20
2 Oct 15’01 30
2 Oct 20’01 40 ,60 ,70
3 Oct 25’01 30 ,50 ,70
4 Oct 25’01 30
4 Oct 30’01 40 ,70
4 Oct 28’01 90
5 Oct 12’01 90
个由客户交易(customer t ransaction) 组成的序列数
据库示例, 每个交易( t ransaction) 由客户号( cus2
tomer_id) 、交易时间(t ransaction_time) 以及在交易
中购买的项(item) 组成.
给定一个序列数据库,挖掘序列模式的问题就
是在那些具有客户指定最小支持的序列中找出最大
序列(maximal sequence) . 而每个这样的最大序列
就代表了一个序列模式( sequential pat tern) .
挖掘长度为2 的序列模式的过程如下:
(1) 排序阶段( sort p hase)
数据库以客户号(customer_id) 为主键(major
key) ,交易时间( t ransaction _ time) 为次键(minor
key) 进行排序,即将原来的交易数据库( t ransaction
database) 转换成由客户序列组成的数据库. 表2 为
转换后客户序列数据库.
表2 客户序列数据库
Table 2 Customer sequence database
customer Id customer sequence
1 〈(30) (90) 〉
2 〈(10 ,20) (30) (40 ,60 ,70) 〉
3 〈(30 ,50 ,70) 〉
4 〈(30) (40 ,70) (90) 〉
5 〈(90) 〉
(2) 大项集阶段(litemset p hase)
即找出所有大项集组成的集合,同步也得到所
有大1 - 序列组成的集合. 然后将大项集映射成连
续的整数. 在表1 给出的数据库中,对最小支持2 个
客户的情况下,大项集分别是(30) , (40) , (70) , (40 ,
70) 和(90) . 表3 给出了一个可行的映射.
强力推荐：
天柏客户关系管理系统
天柏客户关系管理系统（CRM）是一款集专业性、实用性、易用性为一体的纯B/S架构的CRM系统，它基于以客户为中心的协同管理思想和营销理念，围绕客户生命周期的整个过程，针对不同价值的客户实施以客户满意为目标的营销策略，通过企业级协同，有效的“发现、保持和留住客户”，从而达到留住客户、提高销售，实现企业利润最大化的目的。通过对客户进行7P的深入分析，即客户概况分析(Profiling)、客户忠诚度分析(Persistency)、客户利润分析(Profitability)、客户性能分析(Performance)、客户未来分析(Prospecting)、客户产品分析(Product)、客户促销分析(Promotion)以及改善与管理企业销售、营销、客户服务和支持等与客户关系有关的业务流程并提高各个环节的自动化程度，从而帮助企业达到缩短销售周期、降低销售成本、扩大销售量、增加收入与盈利、抢占更多市场份额、寻求新的市场机会和销售渠道，最终从根本上提升企业的核心竞争力，使得企业在当前激烈的竞争环境中立于不败之地。
关键词：CRM,CRM系统,CRM软件,客户关系管理,客户管理软件,客户管理系统,客户关系管理软件,客户关系管理系统