当下汽车市场整体萎靡，整车销售利润空间不断压缩，保养、维修、保险、延保、二手车、汽车租赁、道路救援、汽车精品八大增值服务成为4S店愈加重要的赢利源，然而，4S店缺乏有效的、直接的八大增值服务营销推广手段、运营方式和车主维系通道，现有方式成本投入大、推广到达率低、车主满意度低流失率高。

汽车未联网无法自动获取数据，4S店只能人工处理保养手册和维修记录，粗略的判断车主是否需保养或维修，车友互联的营销管理系统可从终端自动获取车辆的里程和车况数据，进行精准判断，变人工为智能，化被动为主动，实时获取精准商机。

获取精准商机后，通过营销管理系统向车主的导航屏幕推送消息或直接致电及时提醒车主，推销业务俨然已变成温馨的关爱，而不再是另人厌烦的骚扰。一旦新品上市或有新的促销活动，4S店往往通过电台广告、户外广告进行推广，广告价格不菲且精准度低，而通过4S营销管理系统，4S可将促销信息以图片、文字、声音等富媒体的形式直接通过车载屏幕推送给目标消费车主。 车主可一键导航至4S店，服务式营销转化率高。

车主流失，4S店售后业务必然下滑。如何维系车主是4S店开展售后业务的关键。以往，4S店更多的是通过举办车友会活动提高车主粘性，举办活动成本高频率低，车主归属感并不强。车友互联4S营销管理系统改变车主沟通渠道单一现状，提供音乐点播、弹屏祝福、温馨消息、手机APP、车友在线社区、O2O车友会等多种车主关爱通道。如车主生日前夕，系统自动弹屏提醒4S店进行关怀营销，一条祝福消息、点播一首音乐抑或一张生日贺卡直接推送到导航屏幕，都能获取车主的青睐，提升预约率、返店率、忠诚度不再是难题。

思科认为，“万物互联”将打破行业界线，带来新的机会、业务、体验和服务，并为个人、企业以及国家带来巨大机遇。“万物互联”的经济价值将体现在政府与企业充分利用联接的数据，分析做出更快、更明智的决策，迎接前所未有的机遇。在此背景下，未来十年，全球私营企业将面对高达14.4万亿美元亟待挖掘的商机。

思科全球资深副总裁Howard Charney

思科全球资深副总裁Howard Charney表示：“数据正在成为信息，信息变成知识，知识将引领我们变得更为智慧。我们挖掘海量数据，并有效利用传送中的瞬间数据。我相信，诸如制造、信息服务、零售、医疗、保险、金融等行业将从‘万物互联’中获取巨大优势，这些行业将对中国的发展起到至关重要的作用。”

思科全球副总裁张思华在“思科万物互联助力中国新梦想”的主题演讲中，强调思科对中国的长期承诺，并将通过“万物互联”助推中国实现产业转型，促进社会和经济的可持续发展。

Cisco Connect是继Cisco Plus之后，2013年思科在全球推出的又一重量级旗舰活动，吸引了逾千名行业伙伴、技术专家以及资深学者。

1、基于历史的MBR分析（Memory-Based Reasoning；MBR）

基于历史的MBR分析方法最主要的概念是用已知的案例（case）来预测未来案例的一些属性（attribute），通常找寻最相似的案例来做比较。
记忆基础推理法中有两个主要的要素，分别为距离函数（distance function）与结合函数（combination function）。距离函数的用意在找出最相似的案例；结合函数则将相似案例的属性结合起来，以供预测之用。记忆基础推理法的优点是它容许各种型态的数据，这些数据不需服从某些假设。另一个优点是其具备学习能力，它能藉由旧案例的学习来获取关于新案例的知识。较令人诟病的是它需要大量的历史数据，有足够的历史数据方能做良好的预测。此外记忆基础推理法在处理上亦较为费时，不易发现最佳的距离函数与结合函数。其可应用的范围包括欺骗行为的侦测、客户反应预测、医学诊疗、反应的归类等方面。

2、购物篮分析（Market Basket Analysis）

购物篮分析最主要的目的在于找出什么样的东西应该放在一起？商业上的应用在藉由顾客的购买行为来了解是什么样的顾客以及这些顾客为什么买这些产品，找出相关的联想（association）规则，企业藉由这些规则的挖掘获得利益与建立竞争优势。举例来说，零售店可藉由此分析改变置物架上的商品排列或是设计吸引客户的商业套餐等等。

购物篮分析基本运作过程包含下列三点：

（1）选择正确的品项：这里所指的正确乃是针对企业体而言，必须要在数以百计、千计品项中选择出真正有用的品项出来。

（2）经由对共同发生矩阵（co-occurrence matrix）的探讨挖掘出联想规则。

（3）克服实际上的限制：所选择的品项愈多，计算所耗费的资源与时间愈久（呈现指数递增），此时必须运用一些技术以降低资源与时间的损耗。

购物篮分析技术可以应用在下列问题上：

（1）针对信用卡购物，能够预测未来顾客可能购买什么。

（2）对于电信与金融服务业而言，经由购物篮分析能够设计不同的服务组合以扩大利润。

（3）保险业能藉由购物篮分析侦测出可能不寻常的投保组合并作预防。

（4）对病人而言，在疗程的组合上，购物篮分析能作为是否这些疗程组合会导致并发症的判断依据。

3、决策树（Decision Trees）

决策树在解决归类与预测上有着极强的能力，它以法则的方式表达，而这些法则则以一连串的问题表示出来，经由不断询问问题最终能导出所需的结果。典型的决策树顶端是一个树根，底部有许多的树叶，它将纪录分解成不同的子集，每个子集中的字段可能都包含一个简单的法则。此外，决策树可能有着不同的外型，例如二元树、三元树或混和的决策树型态。

4、遗传算法（Genetic Algorithm）

遗传算法学习细胞演化的过程，细胞间可经由不断的选择、复制、交配、突变产生更佳的新细胞。基因算法的运作方式也很类似，它必须预先建立好一个模式，再经由一连串类似产生新细胞过程的运作，利用适合函数（fitness function）决定所产生的后代是否与这个模式吻合，最后仅有最吻合的结果能够存活，这个程序一直运作直到此函数收敛到最佳解。基因算法在群集（cluster）问题上有不错的表现，一般可用来辅助记忆基础推理法与类神经网络的应用。

5、聚类分析（Cluster Detection）

这个技术涵盖范围相当广泛，包含基因算法、类神经网络、统计学中的群集分析都有这个功能。它的目标为找出数据中以前未知的相似群体，在许许多多的分析中，刚开始都运用到群集侦测技术，以作为研究的开端。

6、连接分析（Link Analysis）

连接分析是以数学中之图形理论（graph theory）为基础，藉由记录之间的关系发展出一个模式，它是以关系为主体，由人与人、物与物或是人与物的关系发展出相当多的应用。例如电信服务业可藉连结分析收集到顾客使用电话的时间与频率，进而推断顾客使用偏好为何，提出有利于公司的方案。除了电信业之外，愈来愈多的营销业者亦利用连结分析做有利于企业的研究。

7、OLAP分析（On-Line Analytic Processing；OLAP）

严格说起来，OLAP分析并不算特别的一个数据挖掘技术，但是透过在线分析处理工具，使用者能更清楚的了解数据所隐藏的潜在意涵。如同一些视觉处理技术一般，透过图表或图形等方式显现，对一般人而言，感觉会更友善。这样的工具亦能辅助将数据转变成信息的目标。

8、神经网络（Neural Networks）

神经网络是以重复学习的方法，将一串例子交与学习，使其归纳出一足以区分的样式。若面对新的例证，神经网络即可根据其过去学习的成果归纳后，推导出新的结果，乃属于机器学习的一种。数据挖掘的相关问题也可采类神经学习的方式，其学习效果十分正确并可做预测功能。

9、判别分析（Discriminant Analysis）

当所遭遇问题它的因变量为定性（categorical），而自变量（预测变量）为定量（metric）时，判别分析为一非常适当之技术，通常应用在解决分类的问题上面。若因变量由两个群体所构成，称之为双群体 —判别分析 （Two-Group Discriminant Analysis）；若由多个群体构成，则称之为多元判别分析（Multiple Discriminant Analysis；MDA）。

（1） 找出预测变量的线性组合，使组间变异相对于组内变异的比值为最大，而每一个线性组合与先前已经获得的线性组合均不相关。

（2） 检定各组的重心是否有差异。

（3） 找出哪些预测变量具有最大的区别能力。

（4） 根据新受试者的预测变量数值，将该受试者指派到某一群体。

10、罗吉斯回归分析（Logistic Analysis）

当判别分析中群体不符合正态分布假设时，罗吉斯回归分析是一个很好的替代方法。罗吉斯回归分析并非预测事件（event）是否发生，而是预测该事件的机率。它将自变量与因变量的关系假定是S行的形状，当自变量很小时，机率值接近为零；当自变量值慢慢增加时，机率值沿着曲线增加，增加到一定程度时，曲线协率开始减小，故机率值介于0与1之间。

信息时代产生了海量的数据，如何从其中快速获得有价值信息，成为全世界数据分析领域的前沿技术。如何存储、管理和利用这些海量的信息，从海量的信息中挖掘出丰富的知识，并将多源分散的信息转化为能发挥价值的服务，已经成为信息领域面临的重大挑战和发展机遇。

据介绍，大数据计算技术则可以从凌乱纷繁的数据背后找到更符合用户兴趣和习惯的产品和服务，并对产品和服务进行针对性地调整和优化。目前，大数据计算技术已经日益显现出对各个行业的推进力。

此次论坛上，国家杰出青年基金获得者、973首席学家吴朝晖，国家杰出青年基金获得者徐常胜，中国工程院院士、973首席科学家等分别作《人工智能新方向——混合智能研究》、《以用户为中心的社会多媒体计算》、《大数据与信息安全》报告。

作为本次论坛的主办方，由国家“千人计划”特聘专家、教育部长江学者吴信东教授领导的合肥工业大学数据挖掘与智能计算研究团队近年来主要致力于多源海量数据处理与服务、普适与个性化计算和智能信息处理等研究方向。

据悉，吴信东教授因其在数据挖掘及应用领域作出的先驱性贡献，2010年当选为美国电气和电子工程师协会IEEEFellow，2012年当选为美国科学促进会AAASFellows，并被美国电气和电子工程师协会(IEEE)计算机学会授予的2012年技术进步奖，成为大陆华人学者中获此殊荣的第5位科学家。

今日下午，邓寿鹏在以探讨移动互联网趋势及WI-FE无线云打印为主题的高峰论坛上表示，大数据时代的移动互联网，价值在于数据挖掘。他说，在大数据领域，非常有价值的是数据挖掘，其通过特定的数学模型和算法，对大量的数进行自动分析，揭示数据之间隐藏的关系、模式或趋势，为决策提供新的知识。数据挖掘被看做是“基于数据库的知识发现(Knowledge Discovery in Database)”,发挥数据的潜在价值。

邓寿鹏认为，大数据有5个特征，即是海量的同时也是可细分的、动态的也可扩展的、实时的也可追溯的，沉淀的也可挖掘的以及专属的也可共享的，正反两面都看清了大数据的本质。“大数据现在普遍认同的观点是其超过传统尺度，不同行业、企业的不同时期，大数据的规模不尽相同。”他说。

在邓寿鹏看来，现在互联网已经过了三个时期的代际演进，第一代是固定互联网、第二代是移动互联网、第三代是传感互联网。“今天我们正处在移动互联网快速发展时期，传感网还有待在未来数年甚至10年之后才能大规模应用。我们把第一、二代都叫做互联网，只是固定和移动的区别，可第三代就不应该叫互联网了，而应该叫物联网。第一、二代实现了人和人的互联，第三代是人和人、物和物、人和物都实现了互联。所以，第一、二代只能做一般性的数据处理，第三代支持数据挖掘，同时也是决策的依据。”邓寿鹏最后说，从技术层面上看差异，第一、二代其带宽有限，它们最重要的区别是使用的IP地址。

“云海数量”就是一个专注垂直行业大数据挖掘、研发和市场行销的团队，目前云海数量科技在成都和长沙设有两个共计27人的研发团队。

“云海数量”的数据总监余非介绍说，对大数据挖掘这个行业来说，“云海数量”算是刚刚起步的新秀，团队的第一款产品—到会网，已经完成平台搭建和数据模型建立，于年内完成正式运营规划。到会网目前已经累积沉淀12万条全国各地会议场地信息和会议信息，是国内专业的会议大数据服务平台，数据库均为结构化数据呈现，对企业用户和个人用户开放付费账号和API。

第一个走入大数据领域投资的大企业是IBM。于2007已启动“Big Data”计划，透过并购分析公司，发力于石油探勘与医药行业等垂直领域。根据《哈佛商业评论》10月报道，世界每天产生的数据量约为2.5 EB（超大级别的单位），而这个数字会在每四十个月左右再次增长一倍。

如此庞大的数据量，要如何能转化为商业运用，这样的解决方案定能成为未来的新兴产业。而目前，数据分析的大师企业有甲骨文，IBM,SAP等，他们集中在企业内部数据为主，提供高效的数据分析具体和数据决策平台。目前在新一轮数据创业领域关注焦点集中在社会化媒体为主的外部数据，以Facebook，Twitter,，新浪微博等数据为主，如Elasticsearch, Jetlore等企业。

基于数据的深度挖掘，数据的可视化呈现，数据的精确提供，将数据转化为生产力，关注数据背后的价值，云海数量应运而生。

一期数据中心建设主要集中在音乐、娱乐、会议三个部分数据，其中成都团队中拥有数据挖掘工程师，数据科学家和数据分析师等15名；在长沙，云海数量与湖南农业大学复杂系统与电子商务创新实验室深度合作，倾力打造到会网，深挖万亿市场规模的会议行业市场，目前重点是在会议信息化和会议网络行销两部分做数据的重点挖掘。

在云海数量的创始人团队中，数据总监余非此前曾在贵州创办了国内有名的音乐网站——中国音乐在线，在音乐分享和歌词数据积累上有着丰富的资源，累计有100万条结构化的音乐娱乐数据；另一个合伙创始人王晴则在娱乐演出行业和电子商务行业有着丰富的经验，出任云海数量的市场商务总监。

2008年11月IBM提出“智慧地球”概念，2009年1月，美国奥巴马总统公开肯定了IBM“智慧地球”思路，2009年8月，IBM又发布了《智慧地球赢在中国》计划书，正式揭开 IBM“智慧地球”中国战略的序幕。近两年世界各国的科技发展布局，IBM“智慧地球”战略已经得到了各国的普遍认可。数字化、网络化和智能化，被公认为是未来社会发展的大趋势，而与“智慧地球”密切相关的物联网、云计算等，更成为科技发达国家制定本国发展战略的重点。自2009年以来，美国、欧盟、日本和韩国等纷纷推出本国的物联网、云计算相关发展战略。

但是这些云计算、物联网都离不开数据的支撑。一群互联网爱好者聚集人人都是产品经理3群（217321695），共同浅谈了大数据&物联网。

一、“大数据”&“物联网”，谁是大数据？谁是物联网？

谁是大数据？【认识大数据】

初识大数据，首先我们需要知道什么是大数据呢？用通俗一点的话来说就是一堆一堆又一堆的、海量的数据。通过百度百科我们知道“大数据(big data)，或称巨量资料，指的是所涉及的资料量规模巨大到无法透过目前主流软件工具，在合理时间内达到撷取、管理、处理、并整理成为帮助企业经营决策更积极目的的资讯。”

在当下的互联网飞速发展的时代，任何一个技术都是为了达到某种目的而发展的，而大数据从根本上来说就是为了做决定存在的，大数据为企业的决策提供有力的依据。比如市场方针的制定，精准营销的目标群体、营销数据等等。大数据的存在不仅是为企业提供了数据支撑，而且为用户提供了更为便捷的信息和数据服务。

大数据体现的是数据的数量多，数据类型丰富。我们需要通过对数据的关系的的挖掘，才能最终将数据进行更好地利用。

谁是物联网？【认识物联网】

物联网是什么呢？通俗的概念来讲，物联网就是通过网络信息技术和工业自动化控制技术将硬件和网络进行有效的集合并通过传感器进行对应的信息控制，以此达到对物件的自动控制的混合网络。通过百度百科我们知道“物联网（The Internet of things）就是物物相连的互联网”。这有两层意思：第一，物联网的核心和基础仍然是互联网，是在互联网基础上的延伸和扩展的网络；第二，其用户端延伸和扩展到了任何物品与物品之间，进行信息交换和通信。物联网通过智能感知、识别技术与普适计算、泛在网络的融合应用。”

随着工业控制、信息识别和互联网网络的发展，物联网将是下一个信息浪潮。

大数据 ？= 物联网【大数据与物联网的联系】

大数据与物联网的联系既有区别也关联。以小编的个人愚见，物联网行业如果需要有较好的发展，那么需要大数据强力的支持，而针对物联网行业的大数据，则是不断来源于物联网超级终端的数据采集。所以，物联网对大数据的要求相比于大数据对物联网的依赖更为严重。

二、大数据来之哪里？大数据会去哪里？

浅谈大数据的来源

大数据的来源这个问题其实很简单，大数据的来源无非就是我们通过各种数据采集器、数据库、开源的数据发布、GPS信息、网络痕迹（购物，搜索历史等）、传感器收集的、用户保存的、上传的等等结构化或者非结构化的数据。

浅谈大数据能够带给我们什么

大数据能给我们带来什么？很多公司现在都在炒大数据的概念，但是真正能做好的有几个呢 ？大数据重在积累、强在分析、利于运用。没有经过多年的有意的数据收集、没有经过严谨细心的数据分析。那么，如何来谈论大数据能给企业或者个人来带来便捷呢？

大数据能带给企业的项目立项的数据支撑、精准化营销、电商的仓位储备等等。但是针对个人用户有时候就是麻烦了，因为你随时都可以接收到很多的营销短信、隐私暴露太多。另外对于个人用户大数据的好处是可以快速找到自己想要东西、为用户提供信息服务、获取消费指导等等。换个角度看问题的话，小编认为应该是利大于弊。

大数据是怎么带给我们想要的支撑？

庞大的数据需要我们进行剥离、整理、归类、建模、分析等操作，通过这些动作后，我们开始建立数据分析的维度，通过对不同的维度数据进行分析，最终我们才能得到我们想到的数据和信息。

1、 项目立项前的市场数据分析为决策提供支撑；

2、 目标用户群体趋势分析为产品提供支撑和商务支撑；

3、 通过对运营数据的挖掘和分析为企业提供运营数据支撑；

4、 通过对用户行为数据进行分析，为用户提供生活信息服务数据支撑和消费指导数据支撑。

三、如何通过大数据挖掘潜在的价值？

模型对于大数据的含义

模型有直观模型，物理模型，思维模型，符合模型等。我们在进行数据挖掘前需要考虑我们需要用这些数据来干什么？需要建立怎么样的模型？然后根据模型与数据的关系来不断优化模型。

只有建立了正确的模型才能让数据的挖掘和分析更有便捷。

四、大数据相关的工具

1、I2、SPSS

2、Tanagra

3、GGobi

工具只是一种手段，对于大数据的挖掘和分析，一定要通过建立模型来构建分析的维度。在工作的过程中，不断建立自己的数据分析思维，有了这样的数据思维，那再在工具的基础上，数据的挖掘和分析才能更加准确，才能最终提供有价值的数据支撑信息。

图4：

2011年两岸互联网发展论坛现场

论坛特别就云计算时代互联网智能计算应用这一话题与参会嘉宾展开探讨。目前国内谈得更多的是“云”的概念，而不是“云”的计算和“云”的应用，只有通过“云”中的智能计算才能把互联网上庞杂、异构的信息结构化和智能化。

云计算是计算平台的演变和互联网兴起的必然产物，由此引发的信息爆炸使得数据分析与数据挖掘成为一个长久的话题，如何将非结构化的数据转化为结构化的信息，如何将信息转化为知识和情报，是目前我们亟待解决的问题，也是我们致力追求的目标。

“保10洁互联网净化服务”是国内首创的专业互联网净化服务“云计算”平台，具备提高效率、节约成本、规避风险等方面的特点，能够有效识别和清除垃圾广告，提升用户体验，增加网站粘度。 “保10洁”凭借独创的“中文语义分析、行为分析、版式分析”等多项国际领先的智能计算技术，面向互联网社区论坛，提供网站内容净化服务，对网站互动栏目中的垃圾广告进行自动识别和清除。

据悉，本次竞赛由勒卡斯集团主办，复旦大学计算机科学技术学院以及北京华章图文信息有限公司协办。届时，复旦、中国人大、淘宝等知名数据挖掘专家学者将与勒卡斯集团数据挖掘总监陈友义先生一起担任大赛评委会成员，共同为本次竞赛评选出一二三等奖。本次竞赛将会评选出一等奖一名、二等奖两名、三等奖三名，奖金分别是一万元、六千元和两千元。

据了解，勒卡斯集团立足大数据行业，力争做全球大数据综合服务商的领导者。勒卡斯自主研发了集数据采集、数据存储、数据分析和数据运用于一体的云计算平台。勒卡斯通过与IBM、NEC、SAP等诸多知名软件公司合作，针对企业数据，为企业提供eCRM服务，助力其整合从门店、消费者、合作方、电商网站和广告营销等多渠道收集到的数据，通过数据挖掘和数据分析，充分利用大数据的价值，帮助其实现高ROI的营销回报。

数据挖掘是勒卡斯集团一直注重的大数据整合应用的核心环节之一。勒卡斯集团致力于多维度研究大数据的潜在价值，并将研究成果运用于品牌客户的营销和商业运营，以此为品牌客户带来高投资回报率的商业价值。目前，集团已经为宝洁、强生等知名企业进行过数据挖掘相关服务。

据悉，“勒卡斯杯”数据挖掘活动是勒卡斯集团数据挖掘联盟的品牌系列活动。自今年Q2季度以来，集团先后举办了第一届“勒卡斯杯”数据挖掘竞赛和第二届“勒卡斯杯”数据挖掘讲座。这些活动携手沪上知名高校，联合热衷于校企活动的知名企业，一同为广大数据挖掘相关专业的高校学子以及社会在职数据挖掘师搭建展示竞技的平台，营造交流分享的良好氛围。近千余名高校学子及社会在职数据挖掘师响应参与了这些活动，并从中收获颇多。第三届“勒卡斯杯”数据挖掘竞赛活动页面详询：http://www.ledmclub.com/ 敬请期待!

一、CRM实施的前提——客户细分

客户细分就是把客户根据其性别、收入、交易行为特征等属性细分为具有不同需求和交易习惯的群体，同一群体中的客户对产品的需求的及交易心理等方面具有相似性，而不同群体间差异较大。客户群体细分可以使企业在市场营销中制定正确的营销策略，通过对不同类别客户提供有针对性的产品和服务，提高客户对企业和产品的满意度，以获取更大的利润。

客户细分可以采用分类的方法，也可以采用聚类的方法。比如，可以将客户分为高价值和低价值的客户，然后确定对分类有影响的因素，再将拥有相关属性的客户数据提取出来，选择合适的算法对数据进行处理得到分类规则。使用聚类的方法，则在之前并不知道客户可以分为几类，在将数据聚类后，再对结果数据进行分析，归纳出相似性和共性。

每一类别的客户具有相似性的属性，而不同类别客户的属性也不同，从而确定特定消费群体或个体的兴趣、消费习惯、消费倾向和消费需求，进而推断出相应消费群体或个体下一步的消费行为。细分可以让用户从比较高的层次上来察看整个数据库中的数据，也使得企业可以针对不同的客户群采取不同的营销策略，有效地利用有限的资源。合理的客户细分是实施客户关系管理的基础。

二、获取新客户——客户响应分析

在大多数商业领域中，业务发展的主要指标里都包括新客户的获取能力。新客户的获取包括发现那些对你的产品不了解的顾客，他们可能是你的产品的潜在消费者，也可能是以前接受你的竞争对手服务的顾客。在寻找新客户之前，企业应该确定哪些客户是可能的潜在客户、哪些客户容易获得、哪些客户较难获得，从而使企业有限的营销资源得到最合理的利用。因此，预测潜在客户对企业销售推广活动的反应情况是客户获得的前提，由于潜在客户的数量日益庞大，如何提高市场促销活动的针对性和效果成为获取新客户的关键问题。数据挖掘可以帮助企业识别出潜在的客户群，提高客户对市场营销活动的相应率，使企业做到心中有数、有的放矢。根据企业给定的一系列客户资料及其他输入，数据挖掘工具可以建立一个“客户反应”预测模型，利用这个模型可以计算出客户对某个营销活动的反应指标，企业根据这些指标就可以找出那些对企业所提供的服务感兴趣的客户，进而达到获取客户的目的。数据挖掘技术中的关联分析、聚类和分类功能可以很好地完成这种分析。

三、提升客户价值——交叉销售

交叉销售是指企业向原有客户销售新的产品或服务的营销过程，它不仅是通过对现有客户扩大销售来增加利润的一个有效手段，而且还是提升企业形象、培养客户忠诚度、保障企业可持续发展的重要战略。

公司与其客户之间的商业关系是一种持续的、不断发展的关系。在客户与公司建立起这种双向的商业关系之后，可以有很多种方法来优化这种关系，延长这种关系的时间。在维持这种关系期间，增加互相的接触，努力在每一次互相接触中获得更多的利润。而交叉销售就是这种工具，即向现有的客户提供新的产品和服务的过程。

在交叉销售活动中，数据挖掘可以帮助企业分析出最优的销售匹配方式。在企业所掌握的客户信息，尤其是以前购买行为的信息中，可能正包含着这个客户决定他下一个购买行为的关键，甚至决定因素。通过相关分析，数据挖掘可以帮助分析出最优的、最合理的销售匹配。一般过程是这样，首先分析现有客户的购买行为和消费习惯数据，然后用数据挖掘的一些算法对不同销售方式下的个体行为进行建模;其次是用建立的预测模型对客户将来的消费行为进行预测分析，对每一种销售方式进行评价;最后用建立的分析模型对新的客户数据进行分析，以决定向客户提供哪一种交叉销售方式最合适。有几种数据挖掘方法可以应用于交叉销售。关联规则分析，能够发现顾客倾向于关联购买哪些商品;聚类分析，能够发现对特定产品感兴趣的用户群;神经网络、回归等方法，能够预测顾客购买该新产品的可能性。

相关分析的结果可以用在交叉销售的两个方面：一方面是对于购买频率较高的商品组合，找出那些购买了组合中大部分商品的顾客，向他们推销“遗漏的”商品;另一方面是对每个顾客找出比较适用的相关规律，向他们推销对应的商品系列。

四、保持客户——客户流失分析

随着企业竞争越来越激烈，企业获取新客户的成本不断上升。对大多数企业而言，获取一个新客户的花费大大超过保持一个已有客户的费用，保持原有客户的工作越来越有价值，这已经成为大多数企业的共识。你保留一个客户的时间越长，收取你在这个客户身上所花的初期投资和获取费用的时间也越长，你从客户身上获得的利润就越多。但由于各种因素的不确定性和市场的不断增长，以及一些竞争对手的存在，很多客户为了寻求更低的费用和其他服务商为新客户提供比你更多的额外优惠条件，不断地从你这里转向另一个服务商。我们把客户从一个服务商转向到另一个服务商的行为称之为客户转移。为了分析出是哪些主要因素导致客户转移，并可以有针对性地挽留那些有离开倾向的客户，我们可以通过使用数据挖掘工具为已经流失的客户建模，识别导致他们转移的模式，然后用这些找出当前客户中可能流失的客户，以便企业针对客户的需要，采取相应的措施防止客户的流失，进而达到保持原有客户的目的。

解决客户流失问题，首先需要明确流失的客户是什么样的客户。如果流失的是劣质客户，企业求之不得;如果流失的是优质客户，企业则损失巨大。如果企业优质客户的稳定期越长，企业与其维持关系的成本越低，获得的收益越大。因此，为保持优质客户，需要先辨识优质客户。这通过前面的客户细分就可以完成这项工作，分析出客户盈利能力，辨识和预测客户的优劣。当能够辨识出客户的优劣时，首先，根据已流失客户数据，可以利用决策树，神经网络等进行分析挖掘，发现流失客户特征;然后，对现有客户消费行为进行分析，以确定每类客户流失的可能性，其中着重于发现那些具有高风险转移可能性并具有较高商业价值的客户，在这些客户转移到同行业其他服务商那里之前，采取相应的商业活动措施来保持住这些有价值的客户。我们把这个过程叫做客户保留或客户保持。

在选择数据挖掘工具时，若希望能够对客户进行细分，并且能够对客户流失的原因有比较清晰的了解，那么决策树工具是比较好的选择。尽管其他的一些数据挖掘技术，如神经元网络也可以产生很好的预测模型，但是这些模型很难理解。当用这些模型做预测分析时，很难对客户的流失原因有深入的了解，更得不到对付客户流失的任何线索。在这种情况下，也可使用细分技术和聚类技术来得到深入的了解，但用这些技术生成预测模型就相对复杂得多。一般来说，在客户保持中，大多使用分类回归决策树来生成预测模型。

综上所述，数据挖掘在CRM中有着广泛的应用，从某个角度可以说它是CRM的灵魂。通过运用数据挖掘的相关技术，发现数据中存在的关系与规则，为管理者提供重要的决策参考，用来制定准确地市场策略。并且，通过销售和服务等部门与客户交流，争取最优化的满足客户的需求，提高客户忠诚度和满意度、提升客户价值、提高企业收益，达到企业与客户的“双赢”局面。正是这一点，使得CRM得到了很大成功。

目前，关于CRM中应用的数据挖掘技术和方法的研究有很多，不同行业、不同环境下企业的CRM应用差异很大，应用到的具体数据挖掘技术和方法也会不同。数据挖掘技术和方法层出不穷，在这里也难以涵盖全部的技术和方法。虽然，不同的CRM应用到的数据挖掘技术很多，也很复杂…