数据挖掘技术在移动CRM中的应用

发布时间：2021-04-16 04:17

　　随着移动网络的普及和迅猛发展,各个运营商之间的竞争异常激烈,因此对客户关系管理十分重视。针对海量的用户数据,文章提出了将数据挖掘技术应用于CRM的研究中,并提出了具体的数据挖掘算法实现步骤,并对其进行了实验验证。 

【文章来源】：信息通信. 2014,(01)

【文章页数】：1 页

【部分图文】：

移动CRM体系结构图

未知的、规律性的，但又是潜在有用的，并且最终可以理解的知识和信息。2数据挖掘技术在移动CRM中的应用2.1移动CRM体系结构移动客户关系管理的体系结构主要分为合作型CRM、分析型CRM和操作型CRM三个部分，其结构如图1所示。图1移动CRM体系结构图合作型CRM主要用于合作服务项目，它包括的内容有呼叫中心、电子邮件、电子社区等交流手段。分析型CRM主要分析在操作层次的数据，把操作层的数据和客户销售连接起来。操作型CRM能够实现销售与客户服务业务的自动化。2.2数据挖掘处理移动CRM的流程移动CRM的数据挖掘流程如图2所示。图2移动CRM的数据挖掘流程图2.3数据挖掘处理移动CRM的算法实现为了使移动公司给客户提供全方位的服务，通过客户话单数据，采用迭代自组织数据分析算法对客户群体进行了聚类分析，其算法实现流程如下：步骤1：获得所有样品的特征；步骤2：输入阈值T，方差E，类中心数目C，最大迭代次数（I计算数据样品之间的距离、方差的最小和最大值）；步骤3：任意选取前N个样品当做临时的聚类中心M(i)；步骤4：求所得到的各个样品到已选定的临时聚类中心的距离，将所得的样品归入选定的最近的类中心M(i)；步骤5：根据已经聚类的结果，重新计算各个聚类中心的特征中心；步骤6：根据新的类中心，重新计算各聚类域中暂时已经聚类的样品到新类中心间的距离，并且计算每一类样品到聚类中心的平均距离；步骤7：迭代计算出所有聚类域中各个样品的平均距离，再计算出其总平均距离；步骤8：根据所得平均距离值和阈值的大小，判断聚类域的分裂、合并和迭代；步骤9：合并操作，计算全部数据的聚类中心的距离值；步骤10：分裂操作，求出所有数据的聚类中心所拥有的标准差向量，找出所有聚类域的具有中心标准差最大值的聚类

【参考文献】：
硕士论文
[1]CRM在服务业中的应用研究[D]. 赵红.天津大学 2007
[2]数据挖掘技术在网通CRM中的应用研究[D]. 王冬屏.长春理工大学 2007



本文编号：3140722