客户细分评价模型在会展客户管理中的应用

2014-09-30 06:59于春香
吉林广播电视大学学报 2014年4期
关键词:细分决策树会展

于春香

(福建信息职业技术学院,福建 福州 350019)

1.前言

在当前经济危机席卷全球的大背景下,会展行业不可避免的受到冲击,会展市场比以往更具有竞争性。由于企业参与展览的预算越来越少,并且在选择展览会品牌时越来越注重性价比和参展的回报率,参展决策越来越慎重。如何能在低成本的基础上保留住老客户,并获取更多的新客户,这对会展企业来说是个考验。

利用客户关系管理系统,使用数据挖掘技术,通过对客户的数据深入分析,了解不同客户的需求,是当前解决这一问题的最好办法。

2.会展客户细分评价模型设计

客户细分评价是“指企业在明确的、业务模式和特定的市场中,根据客户的属性、消费行为、偏好等因素对客户进行分类,并提供有针对性的产品、服务和营销模式的过程”。对会展企业来说参展客户是其最重要的资源,但不同类型的客户对企业的价值也是不同的。利用客户细分评价系统,可将客户进行分类。会展公司可以按参展客户对公司的价值,将客户分为金客户、银客户、普通客户、潜力客户和低价值客户。

2.1 属性的选择

首先从会展公司所存储的客户信息数据库中选择客户细分评价模型有用的属性。

第一步:目标属性的选择。

对于会展公司来说,客户参展的次数越多,并且在单位时间内客户参展频率越高,其带给会展公司带来的利润也越高,即该客户的价值就越高。因为属性表中没有直接可以表示客户参展的频率,可以用客户参展次数除以当前时间与客户第一次参展时间的差值,这一新的值作为目标属性。当参展频率≧2时,如参展次数﹥6,则该客户是金客户;如参展次数﹥3,则该客户是银客户;参展次数小于3该客户是潜力客户。当1≦参展频率﹤2时,如参展次数≧6,则该客户是银客户;当参展次数﹤6,则该客户是普通客户;如果参展频率﹤1,则该客户为低价值客户。

第二步:决策属性的选择。

决策属性就是用来解释会展客户价值大小的属性,良好决策属性的选择就决定了模型的有效性。在建模过程中,对建模输入没有什么用处的属性,如某些标志性属性(公司名称,联系人姓名、电话、性别等)或属性值都相同或高度不对称的属性及属性值过多的定类属性,在建模时可以将其剔除。在这里我们选择客户的参展次数、签约次数、主营产品、所在城市、满意度等作为决策属性。

2.2 数据准备

我们采用从业务数据源中随机地抽取出300条的客户参展的基础资料,作为客户价值评价的样本数据如表1。

在选取样本时,有的数据需要采用字段运算、直接映射和参照转换等方法进行转换。

表1 客户等级评价决策树原始样本

2.3 数据预处理

为了使原始数据能适应数据挖掘决策树算法,并能提高其挖掘的效率,要采用离散的技术对一些原始的属性值划分为区间,以减少属性值的个数。部份的属性值是文字的改为用数字如主营产品。详细划分如下表2。

表2 离散化处理规则

通过处理,最后得到的数据样本如下表3:

表3 客户等级评价决策树修证样本

2.4 构建决策树

根据以上的数据样本,下面使用ID3算法,建立会展客户细分决策树模型。

首先根据给定的样本分类所需的期望值,目标属性(参展频率)具有三个不同的取值{1,2,3},其它属性作为决策树的候选属性。

即:I(S1,S2,S3)=I(84,60,156)=-(p1log2(p1)+p2log2(p2)+p3log2(p3))=1.4695

下一步:计算出以每个属性划分数据样本,所需要的期望信息:

从计算结果可以看出具有最高信息增益的是参展次数,所以选它为决策属性。如下图1

图1 客户等级评价决策树

建立决策树是一个递归的过程中,所有的样本使用参展次数等级分类后,形成了三个样本集合,使用同样的方法分别分析这三个样本。对于参展次数≦3的第1集合,计算其期望信息:

计算按每个属性划分数据,所需要的期望信息。

由于签约次数/参展次数具有最高信息增益,因此将它造作为决策属性。并且发现参展次数为1,签约频率为2和4的两个样本集合的值都为2,所以建立一个叶子结点,如下图2。

图2 客户等级评价决策树

如此反复直到决策树不能再生长,就可得到完整的决策树。然后再通过删除结点上分枝,将树结点剪掉,以简化复杂的决策树。如下图3:

图3 客户等级评价决策树

3.决策树模型结果与评估

该决策树模型,我们采用300个客户样本,对建立的决策树模型的准确性进行评估。经过分析可得到以下的决策树混淆矩阵如表4:

表4 客户等级评价决策树混淆矩阵

矩阵对角线上的数值是预测准确的样本个数,其余的数值是犯各类错误的个数,利用预测准确的样本个数与测试样本个数的比值,即为该模型的准确率。得(72+52+133)/300=85.7%,即该模型的准确率为 85.7%,还应该继续调整模型以提高准确率。

实验结果表明,使用该算法对会展客户的细分分析和预测是有效的。利用分析结果,可使会展管理人员更加充分的了解参展客户,并为不同客户量身定做出个性化服务,提高会展公司在行业中的竞争力。

从以上的决策树可以得到以下五个结论:

(1)对于公司的金客户,这些客户一般与公司业务关系比较稳定,与业务员的关系也比较好,对公司的业务很支持,对这些客户在参展方面不需要做太多的宣传,对其可以在参展费用上给予一定的优惠。

(2)对于公司的重要客户,公司业务人员要做好与其沟通和服务关怀,争取将其转变成公司的忠实金客户。

(3)对于公司普通客户,这些客户是公司的主力军,应特别加强与这些企业人员的联系,加强人文关怀,加强对其产品的了解,推荐合适的交易会,尽量提高其对展会满意度,进而将其发展为公司的银客户。

(4)对于公司潜力客户,由于客户和公司的合作时间较短,但参展效果还可以,是公司的大力发展对象。可以加强对其展会的推荐,将其发展成公司的稳定客户。

(5)对于公司的低价值客户,要加强对客户的调查、咨询分析、客户投诉分析,同时加强对客户展前指导及展后效果调查和联系,积极争取将其发展成公司的稳定客户。

4.总结

本文利用数据挖掘技术对会展公司的参展客户进行了细分,建立了基于决策树的客户细分模型。从属性选择、数据准备、数据预处理、构建决策树、决策树模型结果与评估五个方面,详细介绍了客户细分评价模型的建立过程,并针对建模结果对公司客户管理提出合理化建议。在今后应用过程中,可以根据实际的需要修改算法,研究数据挖掘中其他方法,提高其对大数据量的运算效率及准确率,以求用更好的方法获得合理的挖掘结果。

[1]刘振溪.中国会展业CRM的现状分析与开发研究对策[J].经济师,2008,(11):34-36.

[2]邵峰晶,于忠清.数据挖掘原理与算法[M].北京:中国水利水电出版社,2003.91-125.

[3]杨善林,倪志伟.机器学习与智能决策支持系统[M].北京:科学出版社,2004.71-72.

[4]叶强,邹鹏,尚维.基于多分类器融合的客户细分研究[J].管理科学,2004,17(2):64-67.

猜你喜欢
细分决策树会展
深耕环保细分领域,维尔利为环保注入新动力
一种针对不均衡数据集的SVM决策树算法
决策树和随机森林方法在管理决策中的应用
基于决策树的出租车乘客出行目的识别
1~7月,我国货车各细分市场均有增长
整体低迷难掩细分市场亮点
基于肺癌CT的决策树模型在肺癌诊断中的应用
纸媒新希望 看新型报纸如何细分市场逆势上扬
会展列名
会展推介