分析型CRM：下一代數據挖掘技術

目前有許多數據挖掘技術在使用，諸如古典統計學(包括線性回歸等)、準則推斷以及遺傳算法。它們中的大部分能和簡單的數據挖掘任務相匹配。然而，在過去的二十年中，有兩種技術誕生了：決策樹和神經網絡。這些數據挖掘技術能被用來發現深澳的知識和構建復雜的預測模型。因為它們相當復雜，每一種技術都能寫出一大篇文章，所以這里只是點到各種技術的關鍵點，討論一下它怎樣能在你的分析型CRM中使用。

決策樹

你可以從它的名字中猜到，決策數是一種樹型分析模型。樹枝代表了用來定義或者細分客戶的不同問題。比如，假設一家音樂俱樂部想要分析為什么一些會員不會再次申請它的會員資格(該俱樂部會員采取月申請制)。為了形成決策樹，公司召集了一批由100個忠誠顧客、100個非忠誠或者已經公司已經失去的顧客組成的測試小組。然后，公司開始提出一系列問題，要求顧客形容一下忠誠的顧客和非忠誠的顧客是什么樣子的。整個決策樹就如圖二所示。

正如你所看到的，決策樹顯示了大部分失去的顧客是在40歲以下的，他們的顧客年齡不足三年，對于公司每月紙質雜志的調查持一種不喜歡的態度。決策樹是一個非常強大的知識體系。它給了公司關于非忠誠的客戶是怎么樣子的一個非常清晰的概念。當然，雖然在過去，你非常精通于市場細分，但是有了決策樹，市場細分有了大量能夠用來預測消費行為的信息。

然而，在進行市場細分獲得大量特殊數據說明細分是無效的之前，這種細分是低水平的，也是片面的。決策樹能預測特殊行為——如說有可能發生購買行為的改變。比如，根據這棵決策樹顯示的信息來看，該音樂俱樂部能夠預測到大部分小于30歲的顧客在將來可能流失。這個發現可能會使俱樂部發展紙制雜志的替代品。也許那些較年輕的顧客會更喜歡電子雜志，也會比較喜歡公司通過郵件方式提醒他們俱樂部每月的精選品和可以獲得的折扣。

你也可以將決策樹看作一種為更加復雜的數據挖掘技術創造輸入數據的工具。比如，來自決策樹的新發現的信息能夠傳入神經網絡，形成更加先進的、功能更加強大的預測模型。這樣，有關非忠誠顧客的數據資料成為開發更廣泛、更復雜的客戶行為模型的數據之一。這種更復雜的模型能夠使用人工智能神經網絡。
神經網絡

人的大腦通過神經網絡學習，神經網絡由神經元、軸突、樹枝狀結晶和神經鍵組成。大腦接受輸入信息，分析它們，然后輸出特征或模式的識別信息。最近幾年，許多研究都已經開始深入探究創造人工神經網絡。

目前能使用的人工神經網絡由許多種，但是我想有兩種人工神經網絡是最具潛力的，它們是反向傳播神經網絡(或多層前饋神經網絡，簡稱BPN)和Kohonen特征映射網絡。但是在這兩種人工神經網絡中，BPN類型的神經網絡使用的更加廣泛，所以，這邊我重點討論一下這種類型的神經網絡是怎樣運作的，它能做什么。

反向傳播神經網絡

一個BNP包括三個層次：

輸入節點，該節點能接受來自各種顧客接觸點的數據。這些數據形成BPN的經驗數據組。

分析層，該層經常被認為是“隱藏層”，因為它對于輸入和輸出節點使用者來說是透明的。分析層使用輸入節點數據通過識別行為模式和解釋信息來評價經驗數據組。

輸出節點，該節點通知使用者通過分析曾獲得的模式和行為信息，同時利這信息形成預測模型。

之所以將其稱之為反向傳播網絡，主要是因為它能反饋來自輸出節點的錯誤。在輸出節點上，錯誤信息比較容易被發現。