0 引言

    隨著電子商務(wù)的發(fā)展，企業(yè)的產(chǎn)品越來(lái)越趨向于同質(zhì)化，僅僅依靠產(chǎn)品本身很難在日趨激烈的競(jìng)爭(zhēng)中取勝，所以愈來(lái)愈多的先進(jìn)企業(yè)將重點(diǎn)從“以產(chǎn)品為中心”向“以客戶(hù)為中心”的新型商業(yè)模式轉(zhuǎn)移，客戶(hù)關(guān)系管理也就應(yīng)運(yùn)而生。客戶(hù)關(guān)系管理為企業(yè)經(jīng)營(yíng)、決策和管理提供了一種新型商業(yè)模式。

    當(dāng)今許多企業(yè)的數(shù)據(jù)庫(kù)或數(shù)據(jù)倉(cāng)庫(kù)中都搜集和存儲(chǔ)了大量關(guān)于客戶(hù)的寶貴數(shù)據(jù)，這些數(shù)據(jù)涵蓋了從客戶(hù)基本數(shù)據(jù)、購(gòu)買(mǎi)記錄及客戶(hù)反饋的各個(gè)環(huán)節(jié)。充分利用這些數(shù)據(jù)，深入分析、挖掘隱含在這些數(shù)據(jù)中的有用信息，將有助于企業(yè)更好地管理客戶(hù)關(guān)系，實(shí)現(xiàn)CRM的功能和目標(biāo)。數(shù)據(jù)挖掘技術(shù)的目的是對(duì)這些數(shù)據(jù)進(jìn)行抽取、轉(zhuǎn)換、分析和模型化處理，從中提取輔助商業(yè)決策的關(guān)鍵性數(shù)據(jù)律。客戶(hù)關(guān)系管理是數(shù)據(jù)挖掘技術(shù)在企業(yè)決策支持系統(tǒng)中的重要應(yīng)用領(lǐng)域。

1 CRM與數(shù)據(jù)挖掘的基本理論

    1.1 CRM的概念

    客戶(hù)關(guān)系管理(Customer Relationship Management，簡(jiǎn)稱(chēng)CRM)是指對(duì)企業(yè)和客戶(hù)之間的交互活動(dòng)進(jìn)行管理的過(guò)程。它是企業(yè)為了提高核心競(jìng)爭(zhēng)力，通過(guò)改進(jìn)對(duì)客戶(hù)的服務(wù)水平，提高客戶(hù)滿(mǎn)意度和忠誠(chéng)度所樹(shù)立起來(lái)的以客戶(hù)為核心的經(jīng)營(yíng)理念；是通過(guò)開(kāi)展系統(tǒng)化的理論研究，優(yōu)化企業(yè)組織體系和業(yè)務(wù)流程，實(shí)施于企業(yè)的市場(chǎng)營(yíng)銷(xiāo)、銷(xiāo)售、服務(wù)、技術(shù)支持等與客戶(hù)相關(guān)的領(lǐng)域，旨在改善企業(yè)與客戶(hù)之間關(guān)系的新型機(jī)制；也是企業(yè)通過(guò)技術(shù)投資，建立能搜集、跟蹤和分析客戶(hù)信息的系統(tǒng)，創(chuàng)造并使用先進(jìn)的信息技術(shù)、軟硬件，以及優(yōu)化的管理方法和解決方案的總和。

    1.2 數(shù)據(jù)挖掘的定義

    數(shù)據(jù)挖掘(或KDD)是從大量數(shù)據(jù)中提取出可信的、新穎的、有效的并能被人理解的模式的處理過(guò)程，這種處理過(guò)程是非平凡的過(guò)程。

    數(shù)據(jù)挖掘從數(shù)據(jù)集中識(shí)別出的模式來(lái)表示的知識(shí)的處理過(guò)程是一個(gè)多步驟的處理過(guò)程，多步驟之間相互影響，反復(fù)調(diào)整，形成一種螺旋式上升過(guò)程，挖掘的知識(shí)表示為概念(Concepts)、規(guī)則(Rules)、規(guī)律(Regularities)等形式。

    1.3 數(shù)據(jù)挖掘技術(shù)在CRM中的應(yīng)用

    隨著信息技術(shù)的迅速發(fā)展，特別是數(shù)據(jù)庫(kù)技術(shù)和計(jì)算機(jī)網(wǎng)絡(luò)的廣泛應(yīng)用，企業(yè)擁有的數(shù)據(jù)量急劇增大。在大量的數(shù)據(jù)與信息中，蘊(yùn)藏著企業(yè)運(yùn)作的利弊得失。若能夠?qū)�這種海量的數(shù)據(jù)與信息進(jìn)行快速有效地深入分析和處理，就能從中找出規(guī)律和模式，獲取所需知識(shí)，幫助企業(yè)更好地進(jìn)行企業(yè)運(yùn)籌決策。數(shù)據(jù)挖掘技術(shù)和產(chǎn)品在這種市場(chǎng)需求中逐漸發(fā)展成熟，并使企業(yè)獲得極高的投資回報(bào)。在企業(yè)管理客戶(hù)生命周期的各個(gè)階段都會(huì)用到數(shù)據(jù)挖掘技術(shù)。數(shù)據(jù)挖掘能夠幫助企業(yè)確定客戶(hù)的特點(diǎn)，從而可以為客戶(hù)提供有針對(duì)性的服務(wù)。

2 數(shù)據(jù)挖掘中的決策樹(shù)算法

    2.1 決策樹(shù)的基本理論

    所謂決策樹(shù)就是一個(gè)類(lèi)似流程圖的樹(shù)型結(jié)構(gòu)，其中樹(shù)的每個(gè)內(nèi)部結(jié)點(diǎn)代表對(duì)一個(gè)屬性(取值)的測(cè)試，其分支就代表測(cè)試的每個(gè)結(jié)果；而樹(shù)的每個(gè)葉結(jié)點(diǎn)就代表一個(gè)類(lèi)別。樹(shù)的最高層結(jié)點(diǎn)就是根結(jié)點(diǎn)。為了對(duì)未知數(shù)據(jù)對(duì)象進(jìn)行分類(lèi)識(shí)別，可以根據(jù)決策樹(shù)的結(jié)構(gòu)對(duì)數(shù)據(jù)集中的屬性值進(jìn)行測(cè)試，從決策樹(shù)的根結(jié)點(diǎn)到葉結(jié)點(diǎn)的一條路徑就形成了對(duì)相應(yīng)對(duì)象的類(lèi)別預(yù)測(cè)。

    2.2 決策樹(shù)的生成

    決策樹(shù)的生成的基本算法是貪心算法。它以自頂向下遞歸的各個(gè)擊破方式構(gòu)造決策樹(shù)。建立一棵決策樹(shù)通常分為兩個(gè)階段：建樹(shù)(Tree Building)和剪枝(Tree Pruning)。

    2.3 決策樹(shù)算法

    SPRINT算法吸取了SLIQ算法的預(yù)排序技術(shù)，但它使用不同的數(shù)據(jù)結(jié)構(gòu)，消除了所有的內(nèi)存限制，且易于并行化，進(jìn)一步增強(qiáng)了可伸縮性。所采用的剪枝算法與SLIQ相同。因?yàn)闆Q策樹(shù)算法中的關(guān)鍵問(wèn)題是建樹(shù)，而建樹(shù)階段與剪枝階段相比，其所需時(shí)間遠(yuǎn)遠(yuǎn)大于剪枝所需時(shí)間。下面對(duì)SPRINT算法中的幾個(gè)關(guān)鍵步驟加以闡明。

    2.3.1 數(shù)據(jù)結(jié)構(gòu)

    屬性表(Attribute List)：SPRINT算法使用一種新的屬性表數(shù)據(jù)結(jié)構(gòu)，存放類(lèi)和rid(index of the record)信息。每個(gè)屬性具有一個(gè)屬性表，表中每條記錄由屬性值、類(lèi)標(biāo)號(hào)和rid組成。初始狀態(tài)下，對(duì)數(shù)值型屬性按其屬性值進(jìn)行排序。如果內(nèi)存不夠，屬性表可以駐留磁盤(pán)。最初的根據(jù)訓(xùn)練集所創(chuàng)建的屬性表均指向樹(shù)根，隨著樹(shù)的生長(zhǎng)，當(dāng)節(jié)點(diǎn)分裂時(shí)，屬性表被劃分，并在結(jié)果子女節(jié)點(diǎn)分布，當(dāng)表劃分時(shí)，表中記錄的次序維持不變，因此，劃分表不需要重新排序。

    直方圖(Histograms)：SPRINT算法中的直方圖是用于計(jì)算每一種分裂方案的gini指數(shù)值。對(duì)于數(shù)值型屬性，每一個(gè)節(jié)點(diǎn)，對(duì)應(yīng)兩個(gè)直方圖，分別用Cabove，和Cbelow表示。它們表示屬性記錄在給定節(jié)點(diǎn)上的類(lèi)分布情況。遍歷屬性表時(shí)，直方圖也隨之改變，其中：Cabove表示未掃描過(guò)的屬性記錄的類(lèi)分布情況。Cbelow表示己掃描過(guò)的屬性記錄的類(lèi)分布情況。對(duì)于離散屬性，每個(gè)節(jié)點(diǎn)對(duì)應(yīng)有一個(gè)直方圖，它包含給定屬性上每一個(gè)值的類(lèi)分布情況。

    2.3.2 節(jié)點(diǎn)的分裂方法

    計(jì)算最佳分裂：在SPRINT算法中，采用gini指數(shù)作為評(píng)價(jià)節(jié)點(diǎn)分裂質(zhì)量的參數(shù)。尋找最佳分裂的方法是：遍歷每一個(gè)節(jié)點(diǎn)的屬性表，同時(shí)評(píng)價(jià)每個(gè)屬性表的分裂價(jià)值，完成遍歷后，包含gini索引最低的分裂點(diǎn)的屬性作為最佳分裂方案。

    執(zhí)行節(jié)點(diǎn)分裂：創(chuàng)建節(jié)點(diǎn)，執(zhí)行節(jié)點(diǎn)分裂這一步的主要任務(wù)是對(duì)節(jié)點(diǎn)的每一個(gè)屬性表進(jìn)行劃分。包含分裂屬性的屬性表的劃分十分容易。即通過(guò)遍歷屬性表，應(yīng)用分裂條件去測(cè)試，然后根據(jù)測(cè)試的結(jié)果將記錄分別放入每一個(gè)子節(jié)點(diǎn)的屬性表中。

    2.3.3 算法的剪枝

    SPRINT的剪枝算法MDL屬于事后修剪(post pruning)算法。通常的事后剪枝的數(shù)據(jù)源采用一個(gè)Training Set的一個(gè)子集或者與Training Set獨(dú)立的數(shù)據(jù)集進(jìn)行操作。MDL(Minimum Description Length)的目標(biāo)是生成一棵描述長(zhǎng)度最小的決策樹(shù)。MDL原理認(rèn)為：最優(yōu)的編碼模型是描述數(shù)據(jù)代價(jià)最小的模型。如果模型M對(duì)數(shù)據(jù)集D進(jìn)行編碼，那么描述代價(jià)：cost(DIM)=cost(D|M)+cost(M)

    其中：cost(M|D)表示表示編碼的總代價(jià)；cost(D|M)表示用模型M對(duì)數(shù)據(jù)D編碼的編碼代價(jià)，單位bits，cost(M)表示描述模型本身所需的編碼長(zhǎng)度。

    2.3.4 SPRINT算法的評(píng)價(jià)

    SPRINT算法的優(yōu)點(diǎn)是明顯的，它總能夠生成一棵最好的樹(shù)。但是，這種算法在處理數(shù)值型屬性的時(shí)候也有明顯的不足：1)它需要對(duì)整個(gè)訓(xùn)練集進(jìn)行預(yù)先排序；2)對(duì)所有的數(shù)值型屬性的不同值都要進(jìn)行g(shù)ini指數(shù)的評(píng)估。

    這種方法工作量很大，特別是對(duì)于超大數(shù)據(jù)集，當(dāng)屬性含有大量的不同取值時(shí)，效率非常低。為了減少SPRINT算法的計(jì)算量，提高算法的效率，我們的算法主要從處理數(shù)值型屬性方面對(duì)SPRINT算法進(jìn)行改進(jìn)。

3 SPRINT算法的改進(jìn)

    3.1 改進(jìn)算法的描述

    在改進(jìn)的算法中，采用寬度優(yōu)先的策略來(lái)構(gòu)建決策樹(shù)和使用gini指數(shù)來(lái)評(píng)估數(shù)值型屬性。我們改進(jìn)的主要部分就是在決策樹(shù)的構(gòu)建階段對(duì)數(shù)值型屬性的處理部分，采用了上述提出的純區(qū)間歸約的方法來(lái)處理數(shù)值型屬性。改進(jìn)算法的詳細(xì)描述如算法3.1所示。

    算法3.1改進(jìn)的SPRINT算法的描述

    在算法3.1中，集合T、T1、T2分別代表樹(shù)中的結(jié)點(diǎn)，其中T1和T2是T的兩個(gè)分支結(jié)點(diǎn)。最后生成的決策樹(shù)是一棵二叉樹(shù)。

    3.2 兩種算法的比較分析

    由于改進(jìn)的算法和SPRINT算法的不同之處主要是在構(gòu)建決策樹(shù)階段對(duì)數(shù)值型屬性的處理方法，算法的分析主要是比較兩種算法在樹(shù)的構(gòu)建階段的I/O需求和時(shí)間代價(jià)。我們的比較分為預(yù)處理階段和決策樹(shù)中每個(gè)結(jié)點(diǎn)的構(gòu)建階段。

    在改進(jìn)的算法中，估算每一個(gè)區(qū)間邊界的gini值的時(shí)間代價(jià)為O(qc)；決定每個(gè)非純區(qū)間的記錄，建立臨時(shí)區(qū)間屬性表需要一次讀和一次寫(xiě)操作的時(shí)間代價(jià)為O(n)；對(duì)每個(gè)非純區(qū)間排序和計(jì)算每個(gè)非純區(qū)間中的精確gini值的時(shí)間代價(jià)

    在SPRINT算法中，對(duì)屬性表的全部記錄進(jìn)行排序是整個(gè)處理過(guò)程的主要時(shí)間花銷(xiāo)。在改進(jìn)的算法中有效地避免了全局排序，只是對(duì)非純區(qū)間進(jìn)行局部排序；同時(shí)，純區(qū)間進(jìn)行歸約，減小了gini值的計(jì)算量。

4 客戶(hù)分類(lèi)模型的建立

    4.1 建立數(shù)據(jù)挖掘模型的基本理論

    在實(shí)施數(shù)據(jù)挖掘之前，先制定采取什么樣的步驟，每一步都做什么，達(dá)到什么樣的目標(biāo)是必要的。很多軟件供應(yīng)商和數(shù)據(jù)挖掘公司都提供了一些數(shù)據(jù)挖掘過(guò)程模型，CRISP-DM(Cross Industry Standard Process for Data Mining)是公認(rèn)的、最有影響的數(shù)據(jù)挖掘方法論之一。CRISP-DM將整個(gè)挖掘過(guò)程分為以下六個(gè)階段：商業(yè)理解(Business Understanding)，數(shù)據(jù)理解(Data Understanding)，數(shù)據(jù)準(zhǔn)備(Data Preparation)，建立模型(Modeling)，模型評(píng)估(Evaluation)和模型發(fā)布(Deployment)。如圖1所示。

圖1 CRISP-DM數(shù)據(jù)挖掘過(guò)程

    在實(shí)際項(xiàng)目中，CRISP-DM模型中的數(shù)據(jù)理解、數(shù)據(jù)準(zhǔn)備、建模、評(píng)估并不是單向運(yùn)作的，而是一個(gè)多次反復(fù)、多次調(diào)整、不斷修訂完善的過(guò)程。

    4.2 建立客戶(hù)分類(lèi)的模型

    按照CRISP-DM的數(shù)據(jù)挖掘的一般過(guò)程模型，對(duì)一個(gè)客戶(hù)數(shù)據(jù)集按照客戶(hù)持有的客戶(hù)會(huì)員卡進(jìn)行分類(lèi)。

    4.2.1 商業(yè)理解

    用作測(cè)試分析的數(shù)據(jù)集Food Mart 2000，是Micro Soft產(chǎn)品SQL Server 2000 Analysis Services提供的示例數(shù)據(jù)庫(kù)。在Food Mart 2000數(shù)據(jù)庫(kù)中提供了24個(gè)表，每一個(gè)表都有一定數(shù)據(jù)量。其中，Customer表中多達(dá)27個(gè)屬性，共有10281個(gè)不同客戶(hù)的記錄，每個(gè)客戶(hù)數(shù)據(jù)記錄包含有客戶(hù)數(shù)據(jù)：客戶(hù)姓名、性別、住址、電話(huà)、婚姻狀況、客戶(hù)持有的會(huì)員卡類(lèi)型等個(gè)人信息。如圖2所示。

圖2 Customer數(shù)據(jù)表

    4.2.2 數(shù)據(jù)準(zhǔn)備

    客戶(hù)表Customer有多達(dá)27個(gè)屬性，如果全用來(lái)進(jìn)行客戶(hù)分類(lèi)，將使所建立的決策樹(shù)過(guò)大、不好理解，并且有些屬性明顯對(duì)客戶(hù)選用會(huì)員卡沒(méi)有任何貢獻(xiàn)。比如姓名、電話(huà)號(hào)碼等。在開(kāi)始數(shù)據(jù)挖掘前，用戶(hù)會(huì)可以根據(jù)常識(shí)、經(jīng)驗(yàn)等因素通過(guò)初選，選出一些主觀上認(rèn)為與分類(lèi)屬性有關(guān)的、會(huì)比較明顯影響分類(lèi)屬性取值的候選屬性，也可以用數(shù)據(jù)挖掘工具提供的相關(guān)分析技術(shù)，篩選出適合用來(lái)進(jìn)行建模的屬性。

    下面我們選用Microsoft SQL Server 2005中的Analysis Services工具對(duì)Customer表的數(shù)據(jù)進(jìn)行相關(guān)分析。其中member_card是我們所要的分類(lèi)屬性。相關(guān)分析的結(jié)果如圖3所示：

圖3 屬性相關(guān)分析結(jié)果

    從圖3所示的相關(guān)分析的結(jié)果可以看到，要進(jìn)行基于會(huì)員卡的分類(lèi)，我們選擇如下的屬性：yearly_income、education、Bum_cars_owned、num_children_at_home、occupation等五個(gè)屬性進(jìn)行分析。

    4.2.3 建立模型和評(píng)估

    用改進(jìn)的SPRINT算法解決本章定義的客戶(hù)分類(lèi)問(wèn)題，分兩步：第一步，用訓(xùn)練數(shù)據(jù)集建立決策樹(shù)模型；第二步，對(duì)模型的準(zhǔn)確率用測(cè)試數(shù)據(jù)進(jìn)行測(cè)試。

    由于模型過(guò)分適合訓(xùn)練數(shù)據(jù)，若使用訓(xùn)練數(shù)據(jù)評(píng)估分類(lèi)模型，可能導(dǎo)致過(guò)于樂(lè)觀的估計(jì)。保持和k-折交叉驗(yàn)證是兩種基于給定數(shù)據(jù)隨機(jī)取樣劃分的、常用的評(píng)估分類(lèi)模型準(zhǔn)確率的技術(shù)。這里采用保持方法。

    在保持方法中，給定數(shù)據(jù)集被隨機(jī)劃分成兩個(gè)獨(dú)立的集合：訓(xùn)練集和測(cè)試集。通常，三分之二的數(shù)據(jù)分配到訓(xùn)練集，其他三分之一分配到測(cè)試集。從給定數(shù)據(jù)集中取樣，構(gòu)成訓(xùn)練數(shù)據(jù)集。訓(xùn)練數(shù)據(jù)集大小：10281×2/3=6854，測(cè)試數(shù)據(jù)集大小10281×1/3=3427。用某一次隨機(jī)取樣方法得到的訓(xùn)練集和改進(jìn)的SPRINT算法建立決策樹(shù)模型。

    1)模型的建立

    在改進(jìn)的SPRINT算法中，只考慮了yearly_income(年收入)屬性和child_Bum_at_home(在家子女?dāng)?shù))屬性作為數(shù)值型屬性，我們?cè)跊Q策樹(shù)的構(gòu)建過(guò)程中，將yearly_income屬性分為8個(gè)區(qū)間，分別是(0，2]、(2，4]、(4，6]、(6，8]、(8，10]、(10，12]、(12，14]、(14，16]。決策樹(shù)算法通過(guò)剪枝后可以得到如下模型，如圖4所示。

圖4 決策樹(shù)圖示

    2)模型的評(píng)估

    用包含3427條記錄的測(cè)試數(shù)據(jù)集對(duì)模型進(jìn)行測(cè)試：對(duì)每條客戶(hù)記錄，從圖4中決策樹(shù)根節(jié)點(diǎn)0開(kāi)始，首先用客戶(hù)yearly-income(年收入)進(jìn)行屬性測(cè)試，如果客戶(hù)的年收入少于“2”，在決策樹(shù)中到達(dá)節(jié)點(diǎn)1，如果客戶(hù)本來(lái)持有的會(huì)員卡就是Normal，那么模型對(duì)該客戶(hù)分類(lèi)正確，否則發(fā)生分類(lèi)錯(cuò)誤；如果客戶(hù)的年收入大于等“2”，到達(dá)節(jié)點(diǎn)2，因?yàn)楣?jié)點(diǎn)2不是葉節(jié)點(diǎn)，還要用child_num_at_home(在家子女?dāng)?shù))屬性繼續(xù)測(cè)試，客戶(hù)在該屬性上的不同取值而到達(dá)節(jié)點(diǎn)3或節(jié)點(diǎn)4，然后對(duì)節(jié)點(diǎn)3用yearly_income(年收入)進(jìn)行屬性測(cè)試，客戶(hù)在該屬性上的不同取值而到達(dá)節(jié)點(diǎn)5或節(jié)點(diǎn)6，最后再用child_Bum_at_home(在家子女?dāng)?shù))屬性對(duì)節(jié)點(diǎn)6繼續(xù)測(cè)試，客戶(hù)在該屬性上的不同取值而到達(dá)節(jié)點(diǎn)7或節(jié)點(diǎn)8。

    再對(duì)原數(shù)據(jù)集進(jìn)行四次取樣，分別用獲得的訓(xùn)練集和測(cè)試集建立決策樹(shù)模型并對(duì)模型作測(cè)試，每次建立的模型的結(jié)構(gòu)一致、各節(jié)點(diǎn)所屬類(lèi)別沒(méi)有發(fā)生變化。

    4.2.4 模型發(fā)布

    模型的發(fā)布就是在一個(gè)數(shù)據(jù)挖掘模型建立好以后，將數(shù)據(jù)挖掘所獲得的知識(shí)用一種用戶(hù)可以使用的方式來(lái)組織和表示出來(lái)。預(yù)言模型標(biāo)記語(yǔ)言PMML(Predictive Model Markup Language)是利用XML描述和存儲(chǔ)數(shù)據(jù)挖掘模型的一種標(biāo)準(zhǔn)。

    作為數(shù)據(jù)挖掘領(lǐng)域事實(shí)上的行業(yè)標(biāo)準(zhǔn)，為不同數(shù)據(jù)挖掘系統(tǒng)之間共享模型提供了標(biāo)準(zhǔn)的表示規(guī)范，是數(shù)據(jù)挖掘平臺(tái)所遵循的模型表示格式，該規(guī)范的內(nèi)容是一份XML DTD文檔。

5 結(jié)論

    隨著信息技術(shù)的發(fā)展和數(shù)據(jù)挖掘技術(shù)的成熟，數(shù)據(jù)挖掘的研究重點(diǎn)逐漸從算法的研究轉(zhuǎn)向了算法的應(yīng)用，數(shù)據(jù)挖掘技術(shù)在CRM中的應(yīng)用是當(dāng)前的研究熱點(diǎn)，基于決策樹(shù)技術(shù)在CRM中有著廣泛的應(yīng)用。

    企業(yè)通過(guò)對(duì)客戶(hù)的分類(lèi)模型，采取相應(yīng)的客戶(hù)服務(wù)和客戶(hù)銷(xiāo)售的策略，最大程度地提高客戶(hù)的價(jià)值及客戶(hù)的忠誠(chéng)度，使客戶(hù)管理的資源為整個(gè)企業(yè)的發(fā)展動(dòng)向和服務(wù)策略提供有利的指導(dǎo)。經(jīng)營(yíng)決策者一方面可以通過(guò)對(duì)客戶(hù)的分類(lèi)和評(píng)估，指導(dǎo)企業(yè)決策；另一方面，也可以挖掘潛在的客戶(hù)和發(fā)現(xiàn)客戶(hù)行為的分類(lèi)規(guī)則，由此達(dá)到保持和擴(kuò)大客戶(hù)群。從這兩方面來(lái)看，數(shù)據(jù)挖掘?qū)ζ髽I(yè)的經(jīng)營(yíng)決策和客戶(hù)關(guān)系管理都具有相當(dāng)重要的作用和意義。

核心關(guān)注：拓步ERP系統(tǒng)平臺(tái)是覆蓋了眾多的業(yè)務(wù)領(lǐng)域、行業(yè)應(yīng)用，蘊(yùn)涵了豐富的ERP管理思想，集成了ERP軟件業(yè)務(wù)管理理念，功能涉及供應(yīng)鏈、成本、制造、CRM、HR等眾多業(yè)務(wù)領(lǐng)域的管理，全面涵蓋了企業(yè)關(guān)注ERP管理系統(tǒng)的核心領(lǐng)域，是眾多中小企業(yè)信息化建設(shè)首選的ERP管理軟件信賴(lài)品牌。

轉(zhuǎn)載請(qǐng)注明出處：拓步ERP資訊網(wǎng)http://www.guhuozai8.cn/

本文標(biāo)題：數(shù)據(jù)挖掘技術(shù)在CRM中的應(yīng)用和研究

本文網(wǎng)址：http://www.guhuozai8.cn/html/consultation/1083935014.html