客户关系管理的计算机应用进化史：一项调查外文翻译资料

英语原文共 8 页，剩余内容已隐藏，支付完成后下载完整资料

客户关系管理的计算机应用进化史：一项调查

古萨·雅库什纳·瓦德拉曼拉维

摘 要：

客户关系管理（CRM）是一种以客户为中心的商业策略，公司通过使用CRM定制产品和服务来满足客户的需求以提升客户体验和客户满意度。当公司完全继承这个策略，最终将提高公司的收益。传统地，数据挖掘技术（DM）已应用于解决各种分析型CRM项目中。长期以来，电子商务一直发展一些DM技术。但是，在过去的几年里，电子商务已经变得如此强大和完善，它们可以利用一些DM技术的辅助工具来部署。这一趋势引起了在分析型CRM领域的研究人员的注意力，他们也开始单独用电子商务来完成CRM项目。在这篇论文里，我们展现了应用于电子商务CRM项目对的一份调查。我们调查了发布于1998到2015年之间的78篇论文，这些论文的主题是应用于电子商务（EC）技术的分析型CRM项目。这篇调查涉及到在单个和多个目标优化框架下的电子商务技术和分析性CRM。这篇调查的目的在于让读者意识到在服务型工厂中完成分析型CRM中EC（电子商务）技术的多功能性和作用以及它未来的发展趋势。

关键词：客户关系管理系统;数据挖掘;计算进化;优化

Evolutionary computing applied to customer relationship management: A survey

Gutha Jaya Krishna Vadlamani Rav

Abstract : Customer relationship management (CRM) is a customer-centric business strategy which a company employs to improve customer experience and satisfaction by customizing products and services to customers needs. This strategy, when implemented in totality eventually increases the revenue of the company. Traditionally, data mining (DM) techniques have been applied to solve various analytical CRM tasks. In turn, optimization techniques have long been used for training some of the DM techniques. However, during the past few years, evolutionary techniques have become so powerful and versatile that they can be deployed as a substitute for some DM techniques. This trend caught the attention of the researchers working in the analytical CRM area as they too started solving the CRM tasks using evolutionary techniques alone. In this context, we present a survey of evolutionary computing techniques applied to CRM tasks. In this paper, we surveyed 78 papers that were published during 1998 and 2015, where the application of evolutionary computing (EC) techniques to analytical CRM tasks is the main focus. The survey includes papers involving evolutionary computing techniques applied to the analytical CRM tasks under single- as well as multi-objective optimization framework. The purpose of the survey is to let the reader realize the versatility and power of EC techniques in solving analytical CRM tasks in the service industry and suggesting future directions.

Key words : Customer relationship management ;Data mining ;Evolutionary computing ;Optimization

1、介绍

“CRM是选择客户的战略过程，公司可以在公司和这些客户之间进行最有益的服务和形成互动。最终目标是优化客户和公司的当前和未来价值”(Kumar and Reinartz ,2012)。客户关系管理系统（CRM）提倡一种科学的方法来识别新客户，培养与他们的关系，通过满足他们的财务需求来留住他们，并最终确保有利可图和忠诚的客户不会在竞争中失败。在Dyche(2002)中，以业务为导向的客户关系管理的视角以一些知名公司的案例研究的形式呈现出来。在Ngai(2005)中，对从1992年到2002年的文献进行回顾和分类。CRM经常包括以个性化的方式向客户提供新的和定制的产品和服务。CRM主要有三个组成部分: (i)操作型CRM (OCRM)、(ii)分析型CRM (ACRM)以及(iii)协同CRM (CCRM)。在Iriana and Buttle(2007)文中简要介绍了以上所提的CRM部分的属性和度量方法。在Wahlberg et al.(2009)中对趋势、主题和研究领域进行了描述。在业务客户关系管理中，服务公司通过分析CRM系统提供的内容和客户的各种接触点来执行销售和服务。从某种意义上说，这个组件包含呼叫中心，就销售和服务而言，它是公司的门面。另一方面，在分析客户关系管理中，利用数据挖掘技术，将高级统计和机器学习技术、文本挖掘和网络挖掘技术，应用于客户数据，以解决与客户相关的各种业务问题。ACRM包括客户细分、目标营销、产品和服务推荐，通过市场购物篮分析、信用评分、违约检测、流失检测、客户终身价值建模、欺诈检测、客户情绪分析、客户盈利能力分析等。换句话来说，ACRM是一个分析引擎，通过解决各种业务问题，通过获得客户忠诚度来达到客户满意度也称为客户粘性。ACRM对客户知识的获取也有帮助(Xu and Walton，2005年)分析和CRM之间的联系体现在ACRM的形式中，通过发现商业洞察力来增强客户服务，而不是通过标准的商业规则（Artun and Levin，2015;Chorianopoulos,2015; Provost and Fawcett,2013)。在这些分析技术出现之前，业务问题是用业务规则以一种特别的方式解决的，从而忽略了整个事情的科学部分。最后，在协作式CRM中，CRM是在几乎实时服务客户需求的情况下形成的(Kracklauer et al.， 2004)。这涉及到新技术的实现，如实时数据仓库、内存分析和地理定位分析。在Teo et al.(2006)中，客户关系管理(CRM)的整个架构分为三个部分被称为整体客户关系管理，将整体CRM应用于新加坡的住房和发展规划委员会，以提供更好的服务。考虑到三种类型的CRM活动,显然,电子商务在分析型CRM中扮演重要的角色，明显的, ACRM中所有的任务或业务问题可能陷入数据挖掘任务,如分类、聚类、预测/回归,协会规则挖掘和离群值/异常检测。Rygielski等人(2002)提出了几种可用于解决CRM任务的数据挖掘技术。从这个调查的目的来看，我们使用CRM和ACRM同义。

1、1客户生命周期

通常，客户生命周期的三个阶段如图1所示。理解客户生命周期对于EC技术的成功使用是至关重要的，它能够以分析的方式解决繁忙问题。

1.1.1获得新客户

获得新客户不再跟随大众营销，也就是说，在销售/提供产品或服务的时候，每个顾客，不管他/她的需求是如何联系的。这仅仅是一种倒退，因为最优的客户获取方法将收集所有客户数据，确定合适的客户段，确定他们的需求，并相应地定制产品或向客户群体推荐可用的产品。这是目标营销背后的概念。得益于诸如社交媒体分析、地理定位分析和更快的分析技术等尖端技术的存在，现在甚至个性化营销都是可行的。这一战略正在几个服务行业实施。

图1 客户生命周期

1.1.1.1 客户分类

分类是指将有比较需求和愿望的买家做细分(Greenberg, 2009)。客户分类是将客户基础划分为少数具有类似质量或属性的同构群。客户分类是一种有效的方法，可以识别未满足的客户需求，或者可以识别出服务不足的部分，然后通过适当的服务和在整个过程中显著增长来击败竞争对手。当一个组织迎合那些利润最高的部门时，客户细分就可以被称为成功。它有助于组织实践目标营销，并最终导致个性化营销。亚马逊、谷歌和其他类似的公司已经开始一对一或个性化的营销。这个优先级可以帮助组织评估高和低收益客户的技术(Greenberg, 2009)。

1.1.1.2 直接营销、客户宣传和服务营销

直接营销是通过购买客户档案的数据库，并立即向特定的客户群体展示产品，而客户的活动则是通过广告、回扣和普通邮件的方式向顾客展示产品(Kotler and Keller, 2012)。服务营销包括向客户展示服务，例如信息传递服务、金融服务、租赁服务、保险服务、专家服务等(Kotler和Keller, 2012)。

1.1.2 提高现有客户的盈利

现有客户的盈利能力在以下CRM任务中得到增强:

1.1.2.1 客户生命周期价值(CLV)

CLV或CLTV也被称为终生客户价值(LCV)，或终身价值(LTV)。这是客户关系管理的重要任务之一。它是对净收入的期望，通过有形或无形的利益，通过未来与客户的合作获得。这是与客户关系的现金流的现值(Greenberg，2009)。这可以通过他/她与公司之间的关系的近因、频率和货币(RFM)方面来估计。

1.1.2.2 基于信用评分的客户分析

信用评分评估结果在一个数学表达式中考虑到个人的信用文件，该个人的财务状况。评级基本上是来自信用报告数据，通常来自信贷机构，它也可以被用来描述客户(Greenberg, 2009)。信用评分评估客户的信用价值。

1.1.2.3 市场购物篮分析（MBA）

市场购物篮分析是基于这样一种假设，即许多客户倾向于一起购买某一组东西(Han et al.， 2011)。因此，在将关联规则挖掘算法应用于客户的交易数据后，我们得到了关联规则，它们共同代表了知识。使用这些知识，购买这些产品的子集的客户也可以交叉销售其他产品，而这些产品还没有被他们购买。交叉销售和向上销售构成了MBA。当交叉销售涉及重新推荐那些尚未由客户持有的产品时，上售通常包括推荐同一类别的升级产品。

1.1.2.4 欺诈检测

欺诈行为是故意的，故意否认他人为了自己的利益而声称自己的价值。欺诈以多种形式表现出来。另一方面，在技术进步的同时，为客户提供了大量的舒适性和方便性，也为每一种技术驱动的欺诈提供了充足的空间。检测和识别欺诈行为对公司的盈利能力和声誉至关重要(Palshikar, 2002)。

1.1.2.5 默认检测

信用评分和默认检测是同一枚硬币的两面。当信用评分发生在贷款被批准之前，默认的检测发生在贷款被授予之后。违约是无法兑现合法承诺。违约发生时，借款人并没有在指定的时间内对利息或本金进行计划。从技术上讲，违约发生时，双方达成协议或违反协议。可以根据客户的交易和信贷相关数据预测违约，从而为金融公司节省巨额损失(Greenberg, 2009)。

1.1.3 留住盈利客户

1.1.3.1 客户流失检测

留住客户比获得新客户更容易，也更便宜，因为我们有关于现有客户的完整数据。如果我们能一丝不苟地分析这些数据，并进行交叉销售和向上销售，那么它们将会比以前更有利可图。然而，我们几乎没有关于未来或新客户的任何信息。尽管如此，由于竞争和各种其他原因，服务行业确实失去了盈利和忠诚的客户。为了解决这一趋势，使用预测分析，公司必须提前预测那些将要进行测试的客户，以便营销团队立即采取行动，与他们联系并留住他们。从这个意义上说，客户流失检测和客户保留是同一枚硬币的两面(Van den Poel and Lariviere, 2004)。

1.1.3.2 情绪分析

这是一项社会客户关系管理任务，通过从社交网站、博客、遵从性门户网站等中获取数据来实现客户趋势和感知分析(Greenberg, 2009)。表达情绪不满的客户通过呼叫中心记录和社交媒体本质上是结构化数据,应分析随着人口和事务数据的客户为了推出更高的准确预测谁会在不久的将来生产时的情况相比,非结构化数据是不习惯。情绪分析也可以作为推荐系统的输入，用于有效的交叉销售和追加销售。

1.2 进化计算

进化计算是一套以生物进化为灵感的解决问

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[22527]，资料为PDF文档或Word文档，PDF文档可免费转换为Word