Web数据挖掘在SCRM中的应用

周欣

摘 要：随着互联网在人类生活中应用的日益深入，大量商务及社交活动都在网络上进行，如何挖掘出海量信息中的价值成为人们关注的话题，Web数据挖掘技术在这样的背景下得到了迅猛的发展。与此同时，社交媒体的出现让社会化客户关系管理（SCRM）应运而生，为此，探讨了Web数据挖掘技术于SCRM的应用，分别从Web使用挖掘收集客户特征、Web结构挖掘识别重要客户、Web内容挖掘处理抱怨三个方面进行了阐述，为企业提供一定的参考。

关键词：Web数据挖掘；社会化客户关系管理；SCRM；社交媒体

中图分类号：F27

文献标识码：A

文章编号：16723198（2015）19006202

1 背景

互联网在人类生活中的应用日益深入，大量商务及社交活动都在网络上进行，商务及交流方式的转变促使了客户关系管理理念与技术的变革。

传统的客户关系管理主要针对客户交易记录及个人信息进行数据挖掘，了解用户的需求并为其进行更好的服务，然而这样的方法在社交网络时代并不适用。2009年，美国学者提出了社会化客户关系管理（Social CRM，简称SCRM）的概念，客户与企业沟通的媒介发生了改变，企业应该打破围墙，倾听用户在社交媒体中的声音，更好地开发与利用这些存在于网络之中、急剧膨胀的信息资源成为一个重要议题。

在这样的背景下，Web数据挖掘技术得到迅猛的发展，其应用的广泛性同时也加速了技术与理论的发展与革新。有学者探讨了Web内容挖掘在企业电子商务网站中的应用，及其对市场营销、客户关系管理以及信用评价领域的现实意义；还有学者研究了应用Web数据挖掘技术于捕获网络档案信息资源提供个性化服务的具体措施；更多的学者从技术的角度对信息采集代码与方案进行了优化、信息处理算法进行了改进。

在社交网络时代应用Web数据挖掘技术于SCRM，挖掘出海量信息中的价值显得尤为重要，文章在前面学者研究的基础上，結合社交媒体用户数据收集为例，探究了Web数据挖掘技术在SCRM中的具体应用，为正在使用SCRM的企业提供参考。

2 Web数据挖掘技术

在Web数据挖掘出现前，数据挖掘的技术就已在CRM中得以广泛地应用，它通过从数据源中探寻有用的模式或知识进而挖掘出信息可利用价值。数据挖掘用到的理论与技术非常丰富，包括信息检索、可视化、概率统计、机器学习、人工智能等。

随着环境的变化，网络上的数据变得更加难以收集，信息的种类多样，面对海量数据人们对其价值的需求仍在不断增强，这也促使了Web数据挖掘的流行。Web数据挖掘并非传统数据挖掘的应用，而是对前者的继承与发展，它涵盖了数据挖掘技术的理念与技术，并在此基础上发展了新的算法与任务。

Web挖掘过程与数据挖掘过程比较相似，不同之处在于Web数据挖掘的数据项收集是项艰巨而复杂的工作，且后期数据处理用到的具体技术与数据挖掘有较大区别。Web数据挖掘的应用范围十分广泛，包括市场营销、销售与客户关系管理等。

根据挖掘过程中所针对的对象分类，Web数据挖掘可以被分为Web使用挖掘、Web结构挖掘和Web内容挖掘。文章将从Web使用挖掘收集客户特征、Web结构挖掘识别“重要”客户、Web内容挖掘处理抱怨三个方面介绍Web数据挖掘技术于SCRM的应用。

3 Web数据挖掘技术在社会化客户关系管理中应用

3.1 Web使用挖掘收集客户特征

Web使用挖掘是自动发现和分析模式，这些模式来自于收集的点击流和相关数据或用户与一个或多个网站互动的结果。其主要目的是捕获、建模并分析用户与网站之间的交互行为模式。一般可以得到的用户频繁访问的页面、对象或者资源。用挖掘的数据来源主要是使用记录数据、内容数据、结构数据以及用户数据。

使用记录数据是被Web和应用服务器自动收集的日志数据，它很具体地表现了用户在不同页面中的跳转、连接行为。每条日志记录可能包含的信息很多，包括HTTP服务器访问请求的时间与日期、用户客户端的IP地址、所请需求的资源的地址等。

当收集到客户所处社交网络中的这些半结构化的数据后，就可以有针对性地分析客户对话题的参与程度、传播话题的频率，进一步可以分析用户更倾向于哪类形式的网络交互及其交互的习惯，包括浏览、评论、购物等事务经常发生时间段等。

电子商务网站淘宝网利用Web数据挖掘分析得到网络消费者在每周二登陆账号、浏览商品并下单的频次显著高于其他时间，并将此信息公开给淘宝商家辅助其做出经营策略。为了迎合消费者的购物心理及习惯，淘宝上大多数商家都会选择在每周二进行商品上新，或者做促销活动，以吸引消费者购买。这就是一个利用Web使用挖掘收集用户特征的典型案例。

网络时代，消费者面对的信息渠道众多，通过Web数据挖掘，发现用户性格及习惯上的特征有助于企业发起用户感兴趣的话题与互动，从众多同类信息中脱颖而出，与客户建立深层次互动，留下良好而深刻的印象。

3.2 Web结构挖掘识别重要客户

Web结构挖掘是在表示Web结构的超链接中找出有用的信息，包括这些网站之间的拓扑结构，网站质量及重要程度等，一般会以网站的链入链接数量及与之相连的网站质量等指标来衡量。

类似的，企业可以通过这种技术来分析出客户在社交网络中所处的位置及其重要性。企业可以按照自己的需求来设计爬虫，捕获所需要的信息。以新浪微博为例，收集带有“户外”和“80后”标签的微博账号，抓取其之间的连接关系。将每一位用户抽象成一个节点，他们之间的关注关系抽象为节点之间的连边，这样就可以抽象出一张网络。在这张网络中可以揭示热爱户外运动，年龄在30岁左右的这样一个群体之间的联系。每个节点在网络中都占据着特殊的位置，可以分析出周围的连接数量庞大的中心节点，这样的节点在网络中影响较大，其所传递的信息或观点能够在网络中迅速地扩散与传播，我们认为这样的节点在网络中相对更重要。

在社交媒体的框架下，过去简单按客户购买记录的方式判断客户重要性已不再适用。社交网络上，不同客户在网络中所处节点的位置也是一种资本。在考虑客户重要程度与关系维护的投资时，需要加入该因素再衡量，通过Web结构挖掘找出客户关系网络中需要高度关注的重要客户。

3.3 Web内容挖掘处理抱怨

Web内容挖掘主要是从网页内容中收集、分析及提炼有用信息，这里涉及到的技术更为复杂与宽泛。

在社交网络中要对用户的评论、博文、回帖等内容进行挖掘用户的观点或态度，不仅具有技术挑战性，也对客户关系管理具有很大的实际意义。因为在社交网络背景下，用户抱怨的发泄渠道与以往不同，他们可以在短时间内通过Twitter、Facebook、微信、微博等社交媒体传达自己情绪。企业不能再向过去一样等待着客户通过电话、邮件等方式主动向企业反馈信息，而需要主动、实时地分析与跟踪客户们对产品与服务的看法。

这里可以运用Web内容挖掘技术来面向社区收集非结构化数据，进行观点挖掘，把握客户意见。其中的技术较为复杂，现在已经有比较强大的工具可供企业直接使用，比如Google Alerts、Spy、Social Mention等工具就可以收集新闻、网页、博客、微博、视频等不同渠道的关于企业评论的信息。

这里以Social Mention为例。简单介绍内容挖掘在SCRM中的应用。企业可以根据自身需求，在检索框中直接输入关键词，可以选择搜索的范围，点击回车就可以得到所有规定范围内提及过该词的文本所在网页如图1所示。当然，这样检索出来的数据是比较全的，但噪音也比较大，需要进行筛选、分词及语义分析。在检索结果页面的左边呈现有很多直接分析出来的信息结果，可以给企业提供一定的参考。

图1 Social Mention探索界面

这样有助于企业及时地了解客户看法，全面地收集用户抱怨，更好地应对社交网络中的负面舆论，面向社区与个人迅速响应并反馈，从而改进产品与服务质量。

4 总结

文章从Web使用挖掘、Web结构挖掘及Web内容挖掘三个方面介绍Web数据挖掘技术在SCRM中的应用。这里探讨的三个方面不能割裂开来看待，它们之间是相互配合与协同的关系。

比如通过Web结构挖掘分析出哪些客户是非常有影响力的节点后，结合Web使用挖掘，有针对性地向重要客户们推荐商品，设计有趣的互动，通过个性化的服务与丰富的体验加强与客户之间的合作关系，延长客户保持的时间，并让这些重要节点成为企业的猎犬，然后运用Web内容挖掘及时掌握用户们对产品、服务及活动的反馈信息，包括其态度、情绪、积极性等等，进而改进体验，有利于形成良性循环。

互联网与社交媒体的出现给企业带来了机遇与挑战，企业重视并应灵活运用信息技术手段更好地在社交网络时代下保持进行客户关系管理。

参考文献

[1]Paul Greenberg.Social CRM Comes of Age[Z].Sponsored by Oracal.

[2]李霞.Web内容挖掘在企业电子商务网站的应用研究[J].网络财富，2015，（5）：130.

[3]张倩.应用Web数据挖掘技术捕获网络档案信息资源的个性化服务研究[J].档案与建设，2008，（7）：1518.

[4]郭世龙，王晨升.主题爬虫设计与实现[J].软件，2013，34（12）：107109.

[5]王铮，张君玉.Web用法挖掘数据采集方案的优化设计[J].中国科学院研究生院学报，2008，25（4）：445451.

[6]孙静.数据挖掘中基于最小遗憾度的偏好感知算法[J].计算机应用与软件，2015，23（5）：5964.

[7]J.Srivastava，R.Cooley，M.Deshpande，and P.Tan.Web Usage Mining： Discovery and Application of Ussage Patterns from Web Data[J].SIGKDD Explorations，2000，1（2）：1223.

[8]Bing Liu.Web數据挖掘[M].北京：清华大学出版社，2009：323334.