引言

    随着经济全球化和科技信息技术的快速发展。世界进入了一个崭新的知识经济时代。企业所处的竞争环境发生了深刻的变化，原有的市场开始衰落、竞争对手成倍增长、新技术突飞猛进、产品淘汰加速。与此同时，客户消费心理日趋成熟，出现了理性化、个性化的消费趋势。在这种情况下，实施客户关系管理（Customer Relationship Management，CRM）的效果与企业的预期相差甚远。着名管理咨询专家Jim Berkowitz认为CRM的成功除了需要一个合理的组织结构外，还需要一个合理的信息结构，传统的CRM虽然记录了企业与客户交往过程中形成的大量客户数据，但并没有将这些数据用于有效地理解客户。在激烈的竞争环境下，企业对有限数目客户的争夺日趋白热化。如果不能及时了解客户的需求、掌握客户的消费模式，预测客户的行为动向，企业失去竞争的能力，而CRM仅仅局限于事务处理，没有充分地将客户及其知识转化为企业的持续竞争力。

    针对CRM的不足，近年来关于客户知识管理（Customer Knowledge Management，CKM）的研究获得了普遍的关注和重视。CKM的出现是全球电子商务大潮对传统商业模式的改变，它要求企业以全新的思维看待未来的客户，以客户需求为心设计和实现信息技术驱动的商务活动。从而给企业带来长久利益。企业期望通过CKM建立一个客户需求导向的销售、营销、服务和支持应用的自动化价值链，以便加强企业与客户的关系，提高客户的满意度和忠诚度，增强企业的竞争优势。目前，CKM主要的应用领域集中在制造业、公共事业、电信业、零售业和金融服务业等行业，许多新兴的企业如Amazon、Cisco等已率先成为CKM的使用者和受益者。CKM的核心是潜在客户知识的发现，包括与客户有关的各种概念、规则、模式、规律和约束，通常都是隐含在客户数据中的深层信息内容。尽管客户数据是形成潜在客户知识的源泉，但从数据中提取知识并不容易。这主要在于，首先，企业所积累的客户数据往往数量非常庞大，且在企业的发展过程中客户数据会不断地增加与更新：其次，客户数据的结构复杂，可以是结构化的，如存储在关系数据库中的数据，也可以是半结构化的。

    如文本、图形和图像数据，甚至是分布在网络上的异构型数据；再次，许多客户数据是零散的、断续的、冗杂的和动态的。从某种意义上说。潜在客户知识的发现是一种高级的人类智力活动。但是人脑对于处理如此大量繁复的数据并不擅长。因此，人的经验和技巧必须与自动化知识处理工具结合起来才能达到从海量数据中获取知识的目的。显然，潜在客户知识发现需要的不是常规的数据录入、查询和统计工具，而是能够归纳数据特征、分析数据内部关联、推断数据发展趋势的高效、智能化工具。因此，潜在客户知识发现与管理是一项以智能信息处理技术为支撑的多学科交叉融合的前沿研究领域。

    数据挖掘是指从大量不完全的、有噪声的、模糊的和随机的数据中，提取隐含的、未知的且潜在有用的知识和模式的过程。它综合运用计算机科学、人工智能、统计学、信息管理、认知科学等领域的先进理论与技术，研究如何从海量信息资源中快速准确地获取潜在的知识，是一种信息资源深层开发的新型信息处理技术，不仅具有很高的理论研究价值。而且对于企业和国家信息化的跨越发展乃至整个社会经济建设与发展都具有极为重要的意义。当前，众多发达国家企业纷纷开展以数据挖掘技术为基础的知识资源管理和工商企业的智能化管理，具有代表性的应用领域有科学研究、Web智能、商务智能、风险投资、制造业、银行、国土安全、气象、医学、通讯等，将数据挖掘合理地融入CKM过程之中，能够有助于实现从“客户数据矿山”中挖掘“客户知识金矿”的目的。

    一、当前主流的客户知识管理模型及其存在的问题

    客户知识管理是一个较新的研究领域，目前关于客户知识管理的模型还没有形成统一的认识，不同国度、不同研究领域的专家学者从不同的角度来探讨客户知识管理的模型，比较具有代表性的客户知识管理模型主要有：

    （1）Tiwana提出的客户知识管理宏观模型。从电子商环境下新兴的信息技术和知识管理方法对客户关系管理的推动作用出发，详细分析了实施客户知识管理的前提和步骤，并在此基础上提出了客户知识管理的研究模型，如图1所示。该模型将客户知识管理分为三个部分：客户知识获取、客户知识共享和客户知识应用，从企业宏观经营的角度结合知识管理和客户关系管理两个方面分析了客户知识管理的步骤以及客户知识资本和客户关系资本的有效结合方法，为企业实施客户知识管理提供了很好的参考价值。

（2）Garcia-Murillo和Annabi提出的客户知识管理微观模型。Garcia-Murillo提出了深入到具体操作层面的客户知识管理微观模型，如图2所示。该模型从企业与客户之间的知识交流行为出发，将客户知识管理过程分解为一个三阶段的知识流动过程。模型具体分析了企业与客户在整个客户知识管理过程中所获得的知识价值、知识提升和知识流动的循环过程以及实现该模型所利用的知识管理技术。

（3）Swift提出的基于客户流程循环模式挖掘的客户知识管理模型。swift根据企业客户流程的循环模式，提出了基于客户流程循环模式的客户知识管理模型，如图3所示。该模型主要通过知识发现、营销计划、客户互动、分析与区别四个子任务动态循环来挖掘、积累客户知识，通过提升客户知识管理来提高客户关系管理的效率和效果。

    （4）孟丽君、张大亮和胡旭初提出的客户知识管理模型。孟丽君、张大亮和胡旭初提出的客户知识管理模型，如图4所示，侧重于研究客户知识管理实施所依赖的组织条件，其目的是为企业有效实施和开展客户知识管理提供指导和参考借鉴。该模型以有助于开发客户知识的组织条件作为企业实践的指导，强调企业在获取客户知识的同时，需要对获取的知识进行整合、分析、反馈和优化，从而保证客户知识的准确性和全面性。

    这些主流的客户知识管理模型都强调客户知识管理的重要性，揭示了客户知识的深度获取与有效管理是提高企业竞争优势和抗风险能力的根本保障。但这些模型存在的问题主要在于其客户知识管理和知识获取的方法主要依靠人工方法进行浅层面的知识归纳、汇总，难以挖掘深层客户知识和适应当前海量客户数据的急速增长与动态客户知识的获取与管理的需要。缺乏知识获取与管理的动态化、自动化和智能化。
  二、基于数据挖掘的客户知识管理模型

    基于数据挖掘的客户知识管理模型是数据挖掘技术和知识管理方法在客户管理领域的结合，是未来客户知识管理的发展方向。它将当前主流的智能信息处理技术——数据挖掘技术作为客户知识管理的核心，通过自动化、智能化地挖掘客户知识，实现企业与客户之间的互动学习和协作创新。从而增强客户价值，提高客户满意度和忠诚度，适应当前知识经济时代客户对企业产品和服务的多样化、差异化需求，逐步提升企业的竞争优势。基于此，本文构建了基于数据挖掘的客户知识管理模型，如图5所示。该模型利用数据挖掘技术从海量的动态客户数据中有效地挖掘出特定的客户知识，并对获取的知识进行高效的深层次管理，从而为企业决策提供智力支持。

该模型是一个动态循环的模型，主要分为五个模块：客户数据采集与监控模块、客户数据整合模块、客户数据挖掘模块、客户知识管理模块和知识应用模块，各模块的主要功能描述如下：

   （1）客户数据采集与监控模块。客户数据采集与监控模块的功能主要体现在两个方面：一是自动采集企业内外部相关联的客户数据信息，并提交给服务器进行处理；二是自动监控这些信息的变化，并及时更新变化。企业信息化程度的加深是企业积累大量客户数据的有力保障，各级企业信息系统是产生和存放客户数据的主要场所。在以客户为中心的企业战略的指导下，企业的各项业务，如计划、采购、生产、销售等都围绕着客户展开，而运作和管理这些业务过程的企业信息系统都会或多或少地积累一些与客户相关的数据。因此，企业信息系统构成了客户知识获取和管理的数据源。客户数据源可以是内部的也可以是外部的。来源于企业内部的数据源主要包括客户数据库、交易数据库、促销活动数据库和客户服务数据库。其中，客户数据库记录企业现有或历史客户的相关信息，有时客户数据库会直接包含每个客户所有的销售额和活动记录，但更常见的情况是标识信息，用于连接到交易数据库等其他数据库，以得到客户表现的即时信息；交易数据库包含企业与客户进行交易活动的记录，通常是最丰富、最有预测性的信息，也是最难使用的，根据业务类型，交易数据库呈现出不同的形式，但通常都用一条记录表示一个交易，每个客户可以有不同数目的多个交易记录，为了有效地使用这些数据，有时会将其汇总、聚集到客户水平上；促销活动数据库包含了对当前客户、潜在客户或同时对二者所做的宣传活动的细节，最有用的格式是一个记录对应一个客户或潜在客户。从这个数据库创建的变量在响应预测模型和销售活动定位模型上是最有预测性的，由于竞争的加剧，这类促销活动的信息越来越重要，一个客户促销活动数据库应该包含所有交叉销售、提升销售和保持客户的促销活动的数据：客户服务数据库包含了企业为客户提供的除交易外的其他任何服务的细节，客户服务数据库有多种形式，如客服中心的邮件或电话咨询记录、投诉记录、商品维修记录等，通常客户服务数据库中的一条记录代表一次客户服务，每个客户可能拥有多个记录。企业外部数据源是企业获得新客户或提高现有客户利润的有效途径，外部数据源主要有列表销售商。列表销售商出售的是列表，根据业务类型，他们通常收集和销售姓名、地址和电话号码，以及人类统计学数据、行为数据和心理数据。

    （2）客户数据整合模块。客户数据整合模块的主要功能就是在领域知识库的帮助下，对来自不同数据源的客户数据整合在一起。解决结构异构和语义模糊性，形成一个统一的数据集合，以便为数据挖掘工作提供完整的数据基础。数据挖掘主要从各种事务处理系统中的海量、动态客户数据中挖掘出潜在的、有用的客户知识，挖掘过程十分复杂。需要良好的数据对象作为支撑。由于数据采集与监控模块获取的原始数据来源于企业内外部不同的事务处理系统，它们在结构和语义上都存在较大差别，需要对其进行统一处理。该过程主要包括数据转换、数据清理和数据集成三个子步骤。数据转换主要是针对数据仓库建立的模型，通过一系列的转换将数据从业务模型数据转换为分析模型数据，通过内建的库函数、自定义脚本或其他的扩展方式，实现多复杂转换，并且支持调试环境，监控转换状态。它是将源数据变为目标数据的关键环节，包括数据格式转换、数据类型转换、数据汇总计算、数据拼接等等，但转换工作可以视具体情况在不同的过程中实现，比如可以在数据抽取时转换，也可以在数据加载时转换。数据清理主要是对来自不同数据源中的数据所具有的不规范、二义性、重复和不完整等问题进行处理，消除数据中的错误和不一致，例如关于“高薪”和“低收入”的含义在不同的数据源中可能有不同的定义，在一个数据源中“高薪”的人在另一个数据源中则可能不是“高薪”，而数据挖掘对挖掘的数据要求具有一致的含义。数据集成的主要目的是将经过数据转换和数据清理后的客户数据综合在一起，为数据挖掘提供良好的数据。

    （3）客户数据挖掘模块。客户数据挖掘是整个模型的核心组成部分。其主要功能是利用数据挖掘技术和方法对经过整合后的客户数据进行自动地深入挖掘分析和知识发现，获取高质量的深层客户知识。数据挖掘技术的出现大大增强了客户知识发现和管理的能力，其中的分类分析、聚类分析、关联分析等技术使客户知识挖掘与知识发现更加完备和丰富，为企业决策提供更准确、更全面的客户知识。该过程主要包括客户数据选择、客户数据预处理、客户数据变换、客户数据挖掘和客户知识评价五个子步骤。客户数据选择主要是确定发现任务的操作对象，即目标数据，是根据企业的知识需求从原始信息数据库中抽取的一组数据；客户数据预处理主要包括消除噪声、推算计算缺值数据、消除重复记录、完成数据类型转换等工作，为后续处理提供良好的平台；客户数据变换的主要目的是消减数据维数或降维，即从初始特征中找出真正有用的特征以减少数据挖掘时要考虑的特征或变量个数：客户数据挖掘阶段首先确定挖掘任务和目的，选择合适的挖掘工具、算法和语言进行挖掘，获取有用的模式或知识；客户知识评价主要是对挖掘结果进行量化评价，删除冗余或无关的模式，并以用户易于理解的方式进行展现。

    （4）客户知识管理模块。客户知识管理模块的主要作用是将数据挖掘模块挖掘的客户知识进行进一步处理，实现获取的客户知识与企业知识库中的现有知识进行融合。完成对现有知识的修订与补充。该过程主要由知识转换、知识检测、知识融合和知识共享共四个子步骤组成。知识转换的主要目的是对数据挖掘模块的挖掘结果进行知识表示，按照已有的知识存储结构与方式进行相应的转换。知识检测主要是对知识转换的处理结果进行一致性和完整性检测。知识融合对不一致和不完整的情况进行处理，并将二者融合为新的知识，存入企业知识库中。知识共享是将企业原有的客户知识和新获取的客户知识进行融合后，以利于存放与动态更新，方便企业人员进行查询与利用。

    （5）客户知识应用模块。客户知识利用是客户知识挖掘与管理的最终目标。该模块的主要作用是将数据挖掘的结果应用于企业各项工作的接口中，辅助企业各部门制定决策，如帮助营销部门制定与客户需求相匹配的“一对一”营销计划等，进而影响企业各业务系统的运作。

    基于数据挖掘的客户知识管理模型不只是一个简单的客户数据分析器，而是一个具备自动挖掘和智能管理的知识处理与共享系统，与其他知识管理模型相比，其优势主要体现在：

    （1）可实现基于语义的深层次客户知识挖掘和高效管理。本文的客户知识管理模型融合领域本体和数据挖掘技术进行客户知识的组织、挖掘和管理，获取深层次的客户知识：利用本体的约束。提高了客户数据采集与整合的相关性与深层性，减少了数据挖掘算法的运算量，挖掘的对象是经过整合的客户数据，提高了数据挖掘的精度与准确度；在本体的协助下进行数据挖掘，可以实现客户知识的语义挖掘与智能管理，全面提升知识获取与管理的质量和处理效率。

    （2）可实现客户知识管理的智能性和自动性。本文的客户知识管理模型应用领域本体指导客户数据采集与整合。实现客户数据信息的高效整合和语义组织：在此基础上利用数据挖掘技术实现客户知识自动化、智能化地深入挖掘分析，获取具有动态性、知识性和前瞻性的客户知识，并将挖掘出的客户知识运用到企业实际业务中去，能够显着提高企业知识管理和利用的水平，实现自动化和智能化的客户知识管理。

    （3）适应未来客户知识管理的发展趋势。本文的客户知识管理模型运用本体指导客户数据的采集与整合。实现客户数据信息的高效采集与深层整合，能够适应客户数据的快速增长和动态变化，在高度整合的基础上进行客户知识挖掘与管理，可实现客户知识语义挖掘与智能管理，提升客户知识管理的深层性和智能性，可使模型迅速适应未来语义Web和KM2.0（Knowledge Management 2.0，KM2.0）的发展和应用。

    结束语

    客户知识管理是企业确定其独特竞争优势的一种战略选择，数据挖掘技术是企业客户知识管理的核心技术，也是企业发现知识、组织知识、运用知识的综合能力体现。本文在分析当前企业所处的环境和主流的客户知识管理模型存在问题的基础上，将数据挖掘技术融入客户知识管理之中，构建了基于数据挖掘的客户知识管理模型，论述了模型中各个模块的主要功能及其实现策略，并对模型具备的优势进行了分析。下一步的研究将在该模型的基础上进行系统原型的开发与实现。