分析型CRM：下一代数据挖掘技术

目前有许多数据挖掘技术在使用，诸如古典统计学(包括线性回归等)、准则推断以及遗传算法。它们中的大部分能和简单的数据挖掘任务相匹配。然而，在过去的二十年中，有两种技术诞生了：决策树和神经网络。这些数据挖掘技术能被用来发现深澳的知识和构建复杂的预测模型。因为它们相当复杂，每一种技术都能写出一大篇文章，所以这里只是点到各种技术的关键点，讨论一下它怎样能在你的分析型CRM中使用。

决策树

你可以从它的名字中猜到，决策数是一种树型分析模型。树枝代表了用来定义或者细分客户的不同问题。比如，假设一家音乐俱乐部想要分析为什么一些会员不会再次申请它的会员资格(该俱乐部会员采取月申请制)。为了形成决策树，公司召集了一批由100个忠诚顾客、100个非忠诚或者已经公司已经失去的顾客组成的测试小组。然后，公司开始提出一系列问题，要求顾客形容一下忠诚的顾客和非忠诚的顾客是什么样子的。整个决策树就如图二所示。

正如你所看到的，决策树显示了大部分失去的顾客是在40岁以下的，他们的顾客年龄不足三年，对于公司每月纸质杂志的调查持一种不喜欢的态度。决策树是一个非常强大的知识体系。它给了公司关于非忠诚的客户是怎么样子的一个非常清晰的概念。当然，虽然在过去，你非常精通于市场细分，但是有了决策树，市场细分有了大量能够用来预测消费行为的信息。

然而，在进行市场细分获得大量特殊数据说明细分是无效的之前，这种细分是低水平的，也是片面的。决策树能预测特殊行为——如说有可能发生购买行为的改变。比如，根据这棵决策树显示的信息来看，该音乐俱乐部能够预测到大部分小于30岁的顾客在将来可能流失。这个发现可能会使俱乐部发展纸制杂志的替代品。也许那些较年轻的顾客会更喜欢电子杂志，也会比较喜欢公司通过邮件方式提醒他们俱乐部每月的精选品和可以获得的折扣。

你也可以将决策树看作一种为更加复杂的数据挖掘技术创造输入数据的工具。比如，来自决策树的新发现的信息能够传入神经网络，形成更加先进的、功能更加强大的预测模型。这样，有关非忠诚顾客的数据资料成为开发更广泛、更复杂的客户行为模型的数据之一。这种更复杂的模型能够使用人工智能神经网络。
神经网络

人的大脑通过神经网络学习，神经网络由神经元、轴突、树枝状结晶和神经键组成。大脑接受输入信息，分析它们，然后输出特征或模式的识别信息。最近几年，许多研究都已经开始深入探究创造人工神经网络。

目前能使用的人工神经网络由许多种，但是我想有两种人工神经网络是最具潜力的，它们是反向传播神经网络(或多层前馈神经网络，简称BPN)和Kohonen特征映射网络。但是在这两种人工神经网络中，BPN类型的神经网络使用的更加广泛，所以，这边我重点讨论一下这种类型的神经网络是怎样运作的，它能做什么。

反向传播神经网络

一个BNP包括三个层次：

输入节点，该节点能接受来自各种顾客接触点的数据。这些数据形成BPN的经验数据组。

分析层，该层经常被认为是“隐藏层”，因为它对于输入和输出节点使用者来说是透明的。分析层使用输入节点数据通过识别行为模式和解释信息来评价经验数据组。

输出节点，该节点通知使用者通过分析曾获得的模式和行为信息，同时利这信息形成预测模型。

之所以将其称之为反向传播网络，主要是因为它能反馈来自输出节点的错误。在输出节点上，错误信息比较容易被发现。