基于CRM信息技术的渠道偏好度模型的管理应用

摘要：文章以CRM系统对客户行为和偏好的深入分析为基础，对基于信息技术对客户的渠道偏好进行了深入探讨。论文以中国电信行业为例，选取了一个典型案例企业，对其电话客服中心、短信渠道和网站渠道的偏好度进行分析，研究结论对电信运营商的提升客户关系、提升业务绩效、提高客户数据处理技术方面均提供了良好的指导。
　　关键词：CRM；渠道偏好度；电信
　　
　　一、 案例研究方法与模型介绍
　　
　　西方学者的案例研究过程渊源已久，Kyburz-Graber（2004）将案例研究分为三类：描述性案例研究、探索性案例研究以及因果解释性案例研究。本研究属于探索性案例研究，希望以国内一家电信运营商的CRM管理过程实践为研究对象，分析客户对于渠道的偏好度。本案例企业为某电信运营商的一家地市分公司，拥有超过三百万用户，主要从事移动通信和数据服务业务。
　　
　　这家电信运营商在完成基本的各种业务运营的生产性信息系统后，进一步完成数据汇总并建设了涵盖所有客户互动历史数据的中央数据仓库系统作为企业级业务数据平台。其市场营销部门充分利用这个统一集中的管理信息平台，对客户作各种深度的数据挖掘研究。对于渠道的偏好度的研究分析方案如下：
　　1. 渠道的类型定为四类：营业厅、电话客服中心、短信、网站。
　　2. 客户渠道的偏好度模型，使用数据挖掘的人工神经网络技术（详述如后），计算出每个用户使用四种渠道办理业务的倾向度评分。
　　3. 主要的数据来源包括客服中心呼叫记录，短信请求记录，网站渠道运营记录，业务支撑系统工单，服务使用数据，以及客户基本属性数据等。
　　4. 时间分析窗口数据，利用渠道偏好度模型给每个分析用户进行渠道使用倾向评分，再通过验证窗口用户使用渠道情况进行模型验证。分析窗口：用于分析特征的历史数据的时间跨度，需要3个月的历史数据；验证窗口：用于验证用户使用渠道情况，需要2个月的历史数据。
　　5. 本案例研究所使用的技术方法为人工神经网络（ANN）。人工神经网络的研究发展起源于20世纪40年代，是一种模仿人脑神经系统的非线性映射结构。它不依赖于精确数学模型，而显示出自适应和自学习功能。1943年，法国心理学家W.S.McCuloch和W.Pitts提出了第一个神经元数学模型，开创了人类自然科学史上的一门新兴科学ANN的研究。
　　人工神经网络会不断检验预测结果与实际情况是否相符。把与实际情况不符合的输入输出数据作为新的样本，对新样本进行动态学习并动态改变网络结构和参数，这样使网络适应环境或预测对象本身结构和参数的变化，从而使预测网络模型有更强的适应性。而在ANN的实现过程中，往往需要大量的数据来产生充足的训练和测试样本模式集，以有效地训练和评估ANN的性能，这正好是建立在数据仓库和数据挖掘工具所能提供的。由于ANN和数据挖掘两者的优势互补，将神经网络用于数据挖掘具有现实意义和实用价值。人工神经网络在数据挖掘中的优势是：对于噪声数据的强承受能力，对数据分类的高准确性，以及可用各种算法进行规则提取。
　　人工神经网络方法常用于分类、聚类、特征挖掘、预测和模式识别。神经网络模型大致可分为以下三种：（1）前馈式网络：以感知机、反向传播模型和函数型网络为代表，主要用于预测和模式识别等领域；（2）反馈式网络：以Hopfield离散模型和连续模型为代表，主要用于联想记忆和优化计算；（3）自组织网络：以自适应共振理论：（Adaptive Resonance Theory，ART）模型为代表，主要用于聚类分析。
　　在本案例应用中，主要是用前馈式网络来进行多变量的概率分布预测。因为本文目标是对用户使用几种渠道的可能性高低进行预测。
　　
　　二、 案例研究的实施与分析
　　
　　1. 业务规划的考量。对客户使用渠道的习惯偏好进行分析具有重大意义，可以对营销活动提供有力的支持。通过客户行为特征分析，寻找客户选择渠道的偏好，提供客户营销渠道的最优路径。不但有利于优化渠道资源，降低营销成本，更能提高营销成功率，提升客户满意度。