《構建面向CRM的數據挖掘套用》是2001年出版的圖書，作者是[美] Alex Berson Ste。
基本介紹
- 中文名：構建面向CRM的數據挖掘套用
- 作者：[美] Alex Berson Ste
- 譯者：賀奇等
- 出版時間：2001年8月
- 出版社： 人民郵電出版社
- 頁數：273 頁
- ISBN：9787115094261
- 定價：40 元
- 開本：16 開
- 責編：陳昇
- 版次：1
- 字數：431千字
內容簡介,序言介紹,圖書目錄,
內容簡介
本書旨在成為一本實用的手冊，幫助任何對資料庫市場、數據挖掘、客戶關係管理等相關方面有興趣、計畫或正在從事其工作的人員獲得成功。這個目標讀者群相當廣泛，包括技術人員，也包括商務人員。本書亦適合企業經營或技術發展的戰略制訂者、信息技術經理、商業分析家、銷售和市場經理、產品企劃人員、企業智慧型套用主管、數據倉庫經理或管理人員、信息安全人員以及客戶服務人員等閱讀。
本書是一本非常經典的關於客戶關係管理(CRM)的書。全書共分為4個部分，第一部分介紹客戶關係管理領域遇到的實際問題，這一部分旨在使讀者了解CRM的套用及CRM與數據倉庫、數據挖掘的關係;第二部分介紹了技術背景;第三部分著重介紹數據挖掘用於客戶關係管理的商業價值和套用功能，包括了客戶盈利能力分析、客戶的獲得、交叉行銷的套用、客戶的維持以及市場/客戶細分;第四部分介紹如何成功套用數據挖掘和CRM解決方案，包括建立商業案例、配置數據挖掘步驟詳解、收集數據、客戶記分技巧、最佳化CRM過程、數據挖掘和CRM工具市場等。本書最後一章介紹了電子商務對市場前景的影響、數據挖掘的趨勢與方向和有關CRM的一些數據挖掘的套用。附錄給出了常用術語列表。
什麼是CRM
CRM是英文Customer Relationship Management 的簡寫，一般譯作“客戶關係管理”。CRM最早產生於美國，由Gartner Group 首先提出的CRM這個概念的。20世紀90年代以後伴隨著網際網路和電子商務的大潮得到了迅速發展。不同的學者或商業機構對CRM的概念都有不同的看法。
這個概念的原創者認為，CRM是一種商業策略，它按照客戶的分類情況有效地組織企業資源，培養以客戶為中心地經營行為以及實施以客戶為中心地業務流程，並以此為手段來提高企業贏利能力、利潤以及顧客滿意度。
IBM公司認為，CRM通過提高產品性能，增強顧客服務，提高顧客交付價值和顧客滿意度，與客戶建立起長期、穩定、相互信任的密切關係，從而為企業吸引新客戶、維繫老客戶，提高效益和競爭優勢。
SAP公司：CRM系統的核心是對客戶數據的管理，客戶資料庫是企業重要的數據中心，記錄企業在市場行銷與銷售過程中和客戶發生的各種互動行為，以及各類有關活動的狀態，提供各類數據模型，為後期的分析和決策提供支持
總結以上經典的CRM概念的基礎上，從銷售理念、業務流程和技術支持三個層次，可將CRM定義為：CRM是現代信息技術、經營思想的結合體，它以信息技術為手段，通過對以“客戶為中心”的業務流程的重要組合和設計，形成一個自動化的解決方案，以提高客戶的忠誠度，最終實現業務操作效益的提高和利潤的增長。
無論如何定義CRM，“以客戶為中心”將是CRM的核心所在。CRM通過滿足客戶個性化的需要、提高客戶忠誠度，實現縮短銷售周期、降低銷售成本、增加收入、拓展市場、全面提升企業贏利能力和競爭能力的目的。任何企業實施客戶關係管理的初衷都是想為顧客創造更多的價值，即實現顧客與企業的“雙贏”。
序言介紹
序
“今天，我們不得不生存在全球化和信息革命影響下的世界。我們只有兩個選擇：適應它，或者被它拋棄。
——英特爾公司主席 安德魯 格魯夫
近幾年來，信息在企業發展中的關鍵地位得到越來越多的關注。在這個全新的“資訊時代”，贏家往往是那些能成功地收集、分析、理解信息並根據信息決策的企業。我們完全有理由相信，信息的生產和消費費用將不斷增長。信息，可以定義為“消除不確定性的東西”。更進一步地說，決策過程就是一個逐漸消除不確定性的過程，也是任何組織機構採取有目的的行為的關鍵。現代企業市場競爭的動態很充分地告訴我們，企業的信息是其生存關鍵。
信息的重要意義在網路時代格外地顯現出來——網路的出現和廣泛的使用革命性地影響著我們的生存方式，包括我們的生活、學習、人與人之間的相互溝通以及經營一頂事業。
這些深遠的影響在經濟領域給我們最有意義的啟示是：未來競爭中的贏家一定是反應快、效率高、靈活性強、核心競爭力突出，而且善於處理公共關係的競爭者;的確，網路已經改變了傳統的經濟。對新“網路經濟”市場價值極其巨大的估價反映了這樣一種認識：在電子商務時代，能不能以“網路速度”行動，爭當市場的領先者，保持並發展與客戶和合作夥伴的良好關係是區別成功者與失敗者的標誌。
但是，什麼是電子商務呢?目前並沒有統一的定義，我們採用的定義是：電子商務是一種使用基於網際網路信息的商務設計，是發展企業與客戶之間新型關係的一種經濟形態。
根據這個定義，電子商務應以一種全新的方式發揮企業的資源與合作者的作用，創造戰略性的優勢。電子商務的潛能遠遠超過新技術，它將影響到企業的方方面面，包括發展戰略、生產過程、工藝技術、組織機構，以幫助企業突破傳統業務領域。
一家成功的電子商務企業可以在一個星期之內開一家新的公司，在一夜之間發展一個新的市場，在一個小時之內推出一個新的產品，在任何時間推出新的服務。如果一家企業具備了這種能力，那么無疑它將成為商場的領導者，而要獲得這種能力：離不開信息技術，這種新技術可以幫助企業建立消費者的忠誠度，占有新的市場，創造新的產品和服務，最佳化生產過程，管理運行風險以及穩定人力資源。
很明顯，採用電子商務的關鍵在於技術和由技術帶來的變化。計算技術、通信技術、產品內容得到發展，使得企業具有能由改變競爭中的規則，而這種能力是在過去的表現不能確保將來的成功這樣的生存環境中所必需的。
過去，企業只是把“消費者忠誠度”當作一種消費慣性。而現在，網際網路上的搜尋引擎可以在30秒之內毀掉一個30年苦心經營的牌子。一直以來，企業需要花大力氣擠出成本，投入品牌建設，以維持一個品牌的存在。品牌生存的能力取決於企業與合作夥伴的溝通能力。
簡單地說，對消費者和合作夥伴了解得越多，企業在競爭中加強品牌認知度的能力也越強。因此，新型電子商務企業的關鍵是它與消費者之間的關係。正是因為這個原因，本書並不僅僅涉及在資訊時代獲取和使用信息的需求、重要價值以及技術手段等方面內容。這本書側重於通過介紹數據倉庫、數據挖掘的基本技術以及客戶關係管理(CRM)的運用和工具，分析電子商務如何達到有效的客戶關係管理。
從這個角度說，這本書旨在成為一本實用的手冊，幫助任何對資料庫市場、數據挖掘、客戶關係管理等相關方面有興趣、計畫或正在從事其工作的人員獲得成功。這個目標讀者群相當廣泛，包括技術人員，也包括商務人員。本書亦適合企業經營或技術發展的戰略制訂者、信息技術經理、商業分析家、銷售和市場經理、產品企劃人員、企業智慧型套用主管、數據倉庫經理或管理人員、信息安全人員以及客戶服務人員等閱讀。客戶關係管理及技術問題的探討基於數據倉庫體系結構和技術、網路信息傳遞以及數據挖掘技術。本書的最後，總結了當前數據挖掘、CRM解決方案市場的現狀和這些技術與套用的前景。
誰需要閱讀本書?
本書作者有多次參與大型CRM項目以及為各種產業領域開發數據倉庫、數據挖掘解決方案的經驗。為了撰寫套用於CRM的數據挖掘技術，作者訪問了許多業務經理、IT經理、系統集成員、系統管理員、資料庫及數據通信專家、系統程式設計師。所有這些人員都可以成為本書的潛在讀者。這本書可以幫助系統集成員、數據倉庫系統的設計者以及正在準備實施或支持數據挖掘和CRM的工作人員。
閱讀本書所需的準備
本書針對不了解或不太了解數據倉庫、OLAP、數據挖掘和CRM的相關知識的讀者，本書的目標讀者分為兩類：企業管理人才(包括行銷經理、產品策劃、金融專業人員)和技術專家。沒有相關知識並不妨礙這些人員閱讀本書。對信息技術有任何程度了解的讀者都會在本書中得到有益的知識。
本書的風格
本書力圖編排成為一本自學指南，內容包括了與客戶關係管理和數據挖掘有關的實際問題，數據倉庫和數據挖掘的技術背景，關於數據挖掘與CRM的相關討論，包括客戶獲得、自動銷售、客戶服務、商業活動管理、客戶利益、跨區銷售、客戶維持和市場分割以及數據挖掘和CRM工具的概述。
本書對這項充滿活力的新技術的趨勢和方向作了扼要的概述。
本書含有許多圖表、數據、例證和插圖，以達到講解深入淺出。數據倉庫、數據挖掘和CRM涉及內容比較複雜，而且不少概念容易引起誤解，所以本書儘可能用實際的例子闡釋理論，例如：為了解釋關於數據挖掘的一些複雜的問題，本書作者就結合了簡單的例子和理論解釋加以說明。
對那些對理論感興趣的讀者，本書提供了翔實的理論，全面介紹了人工智慧和預測模型。
本書主題涉及的是當前最有活力的領域，書中所有的內容都緊跟當前發展的腳步。電子商務、CRM、數據挖掘正不斷發展，生產者不斷改進其產品的質量和功能，所以本書也有待不斷改進。若數據挖掘及CRM領域有顯著發展，作者將及時增加、刪除或修改本書內容。
本書的結構
第一部分介紹客戶關係管理領域遇到的實際問題(第一章到第三章)。這一部分概述性地介紹了CRM所需的技術，包括數據倉庫和數據挖掘(第二章)，旨在使讀者了解CBM的套用及CRM與數據倉庫、數據挖掘的關係。
第二部分介紹了技術背景，也有一些章節介紹數據倉庫體系結構與組件的概述(第四章)和可用於網路的數據倉庫，還涉及到了一些正在出現的標準，包括XML。那些對數據挖掘技術感興趣的讀者可以在這部分的第五章到第七章中找到相應的內容。
第三部分著重介紹數據挖掘用於客戶關係管理的商業價值和套用功能，包括了客戶盈利能力分析(第九章)、客戶的獲得(第十章)、交叉行銷的套用(第十一章)、客戶的維持(第十二章)、市場/客戶細分(第十三章)。
第四部分介紹如何成功套用數據挖掘和CRM解決方案，包括建立商業案例(第十四章)，配置數據挖掘步驟詳解(第十五章)、收集數據(第十六章)、客戶記分技巧(第十七章)、最佳化CRM過程(第十八章)、數據挖掘和CRM工具市場(第十九章)。
本書最後一章(第二十章)介紹了電子商務對市場前景的影響、數據挖掘的趨勢與方向和有關CRM的一些數據挖掘的套用。
附錄中給出了常用術語列表。
圖書目錄
第一部分 數據挖掘對CRM的影響 1
第一章 客戶關係 3
1.1 介紹 3
1.2 什麼是數據挖掘 4
1.3 一個例子 4
1.4 與商業過程的關聯 5
1.5 數據挖掘和客戶關係管理 6
1.5.1 數據挖掘是如何輔助基於資料庫的銷售的 7
1.5.2 評分 7
1.5.3 活動管理軟體的作用 7
1.5.4 增加客戶在整個生命周期里的價值(Lifetime Value) 7
1.5.5 數據挖掘和活動管理的結合 8
1.5.6 評估數據挖掘模型帶來的好處 8
第二章 用聯繫的觀點看數據挖掘和數據倉庫 9
2.1 介紹 9
2.2 數據挖掘和數據倉庫——聯繫 9
2.3 數據倉庫綜述 10
2.3.1 數據倉庫ROI 11
2.3.2 操作和信息數據存儲 11
2.3.3 數據倉庫的定義和特性 14
2.3.4 數據倉庫的體系結構 15
2.3.5 數據倉庫訪問和客戶/伺服器體系結構 17
2.4 數據挖掘 18
2.4.1 數據挖掘定義 18
2.4.2 數據挖掘的套用領域 19
2.4.3 數據挖掘的分類和研究重點 19
第三章 客戶關係管理 23
3.1 介紹 23
3.2 最有利可圖的客戶 23
3.3 客戶關係管理 24
3.3.1 以客戶為中心的資料庫 25
3.3.2 管理活動 26
3.4 推銷活動的演變 27
3.5 封閉循環的推銷 27
3.6 CRM體系結構 28
3.7 下一代CRM 28
第二部分 基礎——技術和工具 29
第四章 數據倉庫部件 31
4.1 介紹 31
4.2 整體體系結構 31
4.3 數據倉庫型的資料庫 32
4.4 尋找、獲取、清理和轉換工具 33
4.5 元數據 33
4.6 訪問工具 35
4.6.1 評估和可視化信息 35
4.6.2 工具分類 37
4.6.3 查詢和報表工具 37
4.6.4 套用軟體 38
4.6.5 OLAP工具 38
4.6.6 數據挖掘工具 38
4.7 數據集市 39
4.8 數據倉庫的經營和管理 41
4.9 Web的影響 41
4.10 利用Web的方法 42
4.11 設計選項和問題 43
第五章 數據挖掘 49
5.1 什麼是數據挖掘 49
5.2 數據挖掘不是什麼 50
5.2.1 統計 50
5.2.2 OLAP 50
5.2.3 數據倉庫 50
5.3 數據挖掘已經成熟 50
5.4 數據挖掘的潛力是巨大的 51
5.5 從你過去的錯誤中學習 52
5.6 我不需要數據挖掘——我已有了統計分析 53
5.7 測量數據挖掘的效力——準確性、速度和代價 53
5.8 將數據挖掘嵌入到你的業務處理中 55
5.9 改變的東西越多、保留不變的也越多 55
5.10 發掘與預測 56
5.10.1 塔爾沙漠中的黃金 56
5.10.2 發掘——發現你尚未尋找到的東西 56
5.10.3 預測 57
5.11 過適應 57
5.12 行業狀態 57
5.12.1 目標解決方案 58
5.12.2 商業工具 58
5.12.3 商業分析家的工具 58
5.12.4 研究分析家的工具 58
5.13 數據挖掘方法學 59
5.13.1 模式和模型各是什麼 59
5.13.2 模式的可視化 60
5.13.3 術語說明 62
5.13.4 對知識和智慧的說明 63
5.13.5 取樣 63
5.13.6 隨機取樣 64
5.13.7 驗證模型 64
5.13.8 選擇最好的模型 65
5.14 數據挖掘套用的類型 66
第六章 經典技術：統計、近鄰、聚類 67
6.1 經典 67
6.2 統計 67
6.2.1 統計和數據挖掘之間有什麼不同之處 68
6.2.2 什麼是統計 68
6.2.3 數據、計算和機率 69
6.2.4 柱狀圖 69
6.2.5 為預測而做的統計 71
6.2.6 線性回歸 71
6.2.7 如果數據中的模式看起來不像一條直線怎么辦 72
6.3 最近鄰 73
6.3.1 一個聚類的簡單例子 73
6.3.2 一個最近鄰的簡單例子 73
6.3.3 怎樣套用最近鄰來做預測 74
6.3.4 在商業中最近鄰技術套用在何處 74
6.3.5 在股票市場上套用最近鄰技術 75
6.3.6 為什麼投票選舉更好——K近鄰 75
6.3.7 最近鄰如何能告訴你對預測有多大的可信性 76
6.4 聚類 76
6.4.1 聚類 76
6.4.2 發現不能匹配的例子——對局外點的聚類 77
6.4.3 聚類和最近鄰怎樣地相像 77
6.4.4 怎樣用聚類和最近鄰來作出預測 77
6.4.5 還有其他聚類的正確方法嗎 78
6.4.6 如何權衡哪條記錄該屬於哪一簇 79
6.4.7 聚類是在相似的簇和較少數量的簇之間的折中方法 79
6.4.8 聚類和最近鄰預測之間有什麼不同之處 80
6.4.9 n維空間是什麼 80
6.4.10 怎樣定義聚類和最近鄰的空間 80
6.4.11 分層聚類和不分層聚類 81
6.4.12 不分層聚類 82
6.4.13 分層聚類 82
6.5 選擇典型的技術 84
第七章 下一代技術：樹、網路和規則 85
7.1 下一代 85
7.2 決策樹 85
7.2.1 什麼是決策樹 85
7.2.2 把決策樹看作是有目的的分割 86
7.2.3 決策樹在業務中的套用 86
7.2.4 決策樹可以用在哪裡 87
7.2.5 決策樹用於勘測 87
7.2.6 決策樹用於數據預處理 87
7.2.7 決策樹用於預測 87
7.2.8 第一步是產生樹 88
7.2.9 好問題與壞問題之間的區別 88
7.2.10 樹何時停止生長 88
7.2.11 數據不夠時決策樹算法為什麼要停止生長樹 88
7.2.12 建好樹並不意味著決策樹的完成 89
7.2.13 ID3及其改進——C4.5 89
7.2.14 CART——生成森林和挑選最優樹 90
7.2.15 CART自動驗證樹 90
7.2.16 用CART替代屬性來處理缺少的數據 90
7.2.17 CHAID 90
7.3 神經元網路 91
7.3.1 什麼是神經元網路 91
7.3.2 神經元網路不是通過學習能得到更好的預測嗎 91
7.3.3 神經元網路簡單易用嗎 92
7.3.4 神經元網路在業務中的套用 92
7.3.5 什麼地方使用神經元網路 93
7.3.6 神經元網路用於聚類 93
7.3.7 神經元網路用於奇異分析 93
7.3.8 神經元網路用於特徵抽取 93
7.3.9 神經元網路是什麼樣的 94
7.3.10 神經元網路如何進行預測 95
7.3.11 神經元網路模型是如何建立的 95
7.3.12 神經元網路模型有多複雜 96
7.3.13 對輸出節點來說隱藏節點就像是值得信賴的顧問 96
7.3.14 隱藏節點中進行的學習 96
7.3.15 在組織中分享責備與榮耀 97
7.3.16 不同類型的神經元網路 97
7.3.17 Kohonen特徵圖 98
7.3.18 神經元網路與人腦有多相似 98
7.3.19 防止過適應——使模型套用範圍更廣 98
7.3.20 對網路進行解釋 99
7.4 規則歸納 99
7.4.1 規則歸納在業務中的套用 100
7.4.2 什麼是規則 100
7.4.3 如何套用規則 101
7.4.4 規則並不表示因果關係 101
7.4.5 用於規則歸納的資料庫類型 102
7.4.6 一般思想 103
7.4.7 正確率和覆蓋率的商業重要性 103
7.4.8 正確率和覆蓋率之間的權衡就像賭馬 104
7.4.9 如何評價規則 104
7.4.10 定義“興趣度” 105
7.4.11 有用度的其他定義 105
7.4.12 規則與決策樹的比較 106
7.4.13 決策樹與規則歸納系統的另一個共同特點 106
7.4.14 什麼時候用哪種技術 107
7.4.15 權衡勘查與利用 107
第八章 什麼時候使用數據挖掘 109
8.1 介紹 109
8.2 使用正確的技術 109
8.2.1 數據挖掘過程 109
8.2.2 決策樹與最近鄰方法有何相似之處 111
8.2.3 規則用於歸納什麼地方與決策樹相似 111
8.2.4 如何用神經元網路做連線分析 112
8.3 業務處理中的數據挖掘 112
8.3.1 避免數據挖掘中的錯誤 113
8.3.2 理解數據 114
8.4 嵌入式數據挖掘 116
8.4.1 分散式業務處理的代價 118
8.4.2 衡量數據挖掘工具的最佳方法 119
8.4.3 嵌入式數據挖掘 120
8.5 如何衡量正確率、可解釋性和集成度 122
8.5.1 衡量正確率 122
8.5.2 衡量可解釋性 123
8.5.3 衡量集成度 123
8.6 嵌入式資料庫挖掘的前景如何 124
第三部分 商業價值 125
第九章 客戶盈利能力分析 127
9.1 介紹 127
9.2 為什麼要計算客戶盈利能力 128
9.3 忠誠度在客戶盈利能力上的作用 128
9.4 客戶忠誠度和複合效應法則 129
9.5 什麼是客戶關係管理 129
9.6 通過數據挖掘技術使客戶盈利能力最大化 129
9.7 預測未來的盈利能力 130
9.8 預測客戶盈利能力的變化 131
9.9 以客戶盈利能力為導向的市場策略 131
9.10 為什麼只計算營業收入是不夠的 132
9.11 增量客戶盈利能力 133
9.12 什麼是增量客戶盈利能力 133
9.13 讓銷售人員停止推銷 134
9.14 如何系統地開始套用 135
9.15 用替代品通常比什麼都不用更糟 136
9.16 聖杯 136
9.17 如何評估數據挖掘技術的價值 137
第十章 客戶的獲取 139
10.1 介紹 139
10.2 數據挖掘和統計模型如何發揮作用 140
10.3 一些關鍵概念的定義 140
10.4 一切從數字開始 142
10.5 試驗活動 142
10.6 評估試驗活動 143
10.7 用反應行為模式建立數據挖掘模型 143
第十一章 交叉行銷 145
11.1 介紹 145
11.2 如何進行交叉行銷 146
11.3 處理步驟 146
11.4 開始分析 148
11.4.1 建模階段 148
11.4.2 評分階段 148
11.4.3 最佳化階段 149
11.5 多種服務 153
第十二章 客戶的保持 155
12.1 介紹 155
12.2 行動電話業的客戶流失 156
12.3 用到的數據挖掘技術 158
12.4 案例分析——移動通信業的客戶保持 158
12.4.1 數據 158
12.4.2 定義預測目標 159
12.4.3 實施數據挖掘 159
12.4.4 數據挖掘模型 159
12.5 商業實施 162
12.6 結果 163
12.7 經驗教訓 164
12.7.1 令人驚訝的結果 165
12.7.2 改變預測模式的目標 165
12.7.3 其它的數據源亦能提供幫助 165
12.7.4 考慮客戶價值 165
12.7.5 關於保留團隊和其他市場努力 165
12.8 其他行業中的客戶保持 166
第十三章 客戶的細分 167
13.1 介紹 167
13.2 什麼是細分 167
13.3 細分的意義是什麼 168
13.4 與“一對一”市場的區別 168
13.5 什麼是數據驅動的細分 168
13.6 如何完成數據驅動細分 169
13.7 細分的不同用途 170
13.7.1 了解你的業務並執行一個策略 170
13.7.2 人口統計學細分 170
13.7.3 心理學細分 170
13.7.4 目的性細分 171
13.8 細分完成的方法 171
13.9 數據挖掘如何運用到細分上來 171
13.10 用集成數據驅動細分 172
13.11 引入和去除細分模式 173
13.11.1 市場區隔是公司的共用語言 173
13.11.2 正確使用它們 173
13.11.3 改變市場區隔 173
13.12 案例分析 174
13.13 參考文獻 175
第四部分 建立解決方案的關鍵 177
第十四章 建立商業案例 179
14.1 介紹 179
14.1.1 數據挖掘很複雜 179
14.1.2 你如何知道已經取得了成功 180
14.1.3 商業戰略的根本轉變 180
14.2 發現公司對數據挖掘的需要 180
14.2.1 執行得不好的CRM或者簡單的促銷活動管理 180
14.2.2 不相稱的客戶投資和客戶價值 181
14.2.3 缺乏將客戶轉移到高價值群體的能力 181
14.3 定義商業價值 181
14.3.1 收益的增長 181
14.3.2 利潤 181
14.3.3 降低成本 182
14.3.4 投資回報率(ROI) 182
14.3.5 競爭優勢 183
14.3.6 成為早的採納者 183
14.4 成本 183
14.4.1 數據 183
14.4.2 基礎設施的成本 184
14.4.3 人力成本 184
14.4.4 維護成本 185
14.4.5 控制成本：利用已有的投資 185
14.5 創建商業案例 185
第十五章 在CRM中套用數據挖掘系統 187
15.1 介紹 187
15.2 啟動一個數據挖掘套用的10個步驟 187
15.3 問題定義 188
15.3.1 找到關鍵環節 188
15.3.2 定義可交付系統的標準 189
15.3.3 選擇明確的小問題 189
15.3.4 理解已有的CRM 流程 190
15.4 用戶定義 190
15.4.1 為每一個用戶建立個人資料 191
15.4.2 利用快速啟動程式培訓未來的用戶並了解用戶的需求和願望 191
15.5 數據定義 192
15.5.1 定位數據字典 192
15.5.2 找到數據情報員 193
15.5.3 指標定義 193
15.6 真正地定義數據 194
15.6.1 評估數據完整性的符合程度 194
15.6.2 驗證數據源 194
15.7 控制項目的範圍 194
15.7.1 用文檔來控制項目範圍的平穩擴大 195
15.7.2 控制數據清洗的範圍 195
15.7.3 控制數據轉移、建模和存儲的範圍 195
15.7.4 控制數據挖掘的範圍 195
15.7.5 控制試驗性設計和評價的成本 195
15.8 試驗 196
15.8.1 不要等待太久 196
15.8.2 從小的系統開始但要完成全過程 196
15.9 質量保證 197
15.9.1 使質量保證成為一個程式 197
15.9.2 驗證和傳達模型的結果 197
15.10 教育培訓 198
15.11 發布 198
15.11.1 選擇第一批用戶 198
15.11.2 在得到全部結果前保守秘密 199
15.11.3 協助用戶解釋所得結果 199
15.12 持續的過程 199
15.13 結論——使數據挖掘成為業務流程的一部分 200
第十六章 收集客戶數據 201
16.1 介紹 201
16.2 三種類型客戶數據 201
16.2.1 描述性數據 202
16.2.2 市場促銷活動的數據 203
16.2.3 客戶交易數據 203
16.3 收集客戶數據 203
16.3.1 內部數據源 204
16.3.2 Web數據 204
16.4 連線客戶數據 205
16.4.1 數據倉庫和數據集市 205
16.4.2 數據泵和連線器 205
16.4.3 遠距離連結 206
16.5 客戶數據和隱私 207
16.6 隱私和數據挖掘技術 207
16.7 處理隱私問題的方針 208
16.7.1 匿名和身份信息 208
16.7.2 具體數據與匯總數據 209
16.7.3 信息用於市場定位或評估 209
16.7.4 合併數據源 210
16.7.5 匿名系統結構 210
16.8 與數據挖掘有關的法律問題 210
第十七章 為客戶評分 213
17.1 介紹 213
17.2 評分過程 214
17.3 評分系統結構和配置 215
17.4 準備數據 216
17.4.1 直接映射 217
17.4.2 偏移映射 217
17.5 將評分過程與其他套用集成 218
17.5.1 創建模型 218
17.5.2 動態地給數據評分 219
第十八章 最佳化CRM過程 221
18.1 介紹 221
18.2 通過最佳化提高客戶收益率 222
18.3 為什麼不最佳化客戶關係 223
18.4 控制要最佳化的對象 224
18.5 為什麼現在可以 224
18.6 最佳化了的CRM 225
18.7 完整的過程 226
18.8 最佳的CRM過程：評價、預測和行動 226
18.9 促銷最佳化不是什麼 227
18.10 使用數據挖掘技術來最佳化CRM客戶關係管理系統 228
18.11 最佳化技術 228
第十九章 對數據挖掘和CRM工具市場的看法 231
19.1 介紹 231
19.2 數據挖掘市場 231
19.3 數據挖掘工具的分類 232
19.4 工具評估：屬性和方法學 233
19.5 工具評估 234
19.5.1 Clementine(SPSS) 234
19.5.2 4Thought和Scenario(Cognos) 235
19.5.3 Darwin (Oracle) 237
19.5.4 Database Mining Workstation(HNC) 239
19.5.5 Decision Series(NeoVista) 240
19.5.6 Enterprise Miner(SAS) 242
19.5.7 Intelligent Miner(IBM) 243
19.5.8 KnowledgeSEEKER and Knowledge Studio(Angoss) 245
19.5.9 Model 1 and Pattern Recognition Workbench(Unica) 246
19.6 別的數據挖掘工具 248
19.7 客戶關係管理工具 249
19.7.1 個性化工具 249
19.7.2 市場活動管理/行銷工具 250
19.7.3 銷售自動化和客戶服務工具 251
第二十章 有效進行客戶關係管理的下一代信息挖掘和知識發現技術 253
20.1 商業智慧型和信息挖掘 253
20.2 文本挖掘和知識管理 254
20.3 文本挖掘的好處 255
20.4 文本挖掘技術 255
20.4.1 網際網路搜尋 255
20.4.2 文本分析 256
20.4.3 語義網路和其他技術 256
20.5 文本挖掘產品 257
20.6 使用人腦的力量 261
20.7 結論 264
20.7.1 知識管理 264
20.7.2 電子商務世界中的客戶關係管理 264
20.7.3 套用服務提供商 266
附錄 術語表 269
