Vad är CRM Data Mining?

CRM (Data Relations Management Management) hänvisar till processen att söka igenom kundrelationsdatabaser och analysera data om kundbeteende som samlats in. Denna information hjälper marknadsförare att bättre fokusera sina kampanjer, vilket leder till ökad kundbevarande och försäljning. CRM-data mining är också känd som data exploration och kunskapsupptäckt. Det finns två huvudkategorier associerade med data mining: beskrivande analys och prediktiv modellering.

Den beskrivande analysen använder segmentering och kluster för att bättre analysera ett uppsatt beteendemönster bland en viss kundgrupp. Kunder kan grupperas efter kön, ålder, ras och andra kategorier. Huvudmålet för ett segment är att förse marknadsföraren med en grupp liknande kunder för att mer effektivt gruva upp data för användbar insikt.

Clustering aggregerar segmentgrupper. Varje kluster är ömsesidigt exklusiva och kännetecknas av en uppsättning förutbestämda egenskaper. Till exempel kan ett kluster inkludera kvinnor i åldrarna 18 till 25 som köpte en viss nagellack under de sista två veckorna i december 2010. Detta är ett exempel på kvalitativ metod CRM-data mining.

I icke-uteslutande segment, en annan form av beskrivande analys, leder en viss uppsättning kundbeteenden till en helt ny uppsättning beteenden. En grupp kunder kan till exempel spendera en betydande summa pengar på spatjänster, men inte spendera mycket pengar på relaterade tjänster som hår- och salongvård. Denna typ av brytning av CRM-data kräver mer avancerad statistisk analys än grundläggande segmentering.

Prediktiv modellering är den mer populära av de två kategorierna för CRM-data mining. Den mäter graden av korrelation mellan två kundbeteende faktorer och den statistiska tillförlitligheten för denna korrelation. Den prediktiva modellen är byggd med hjälp av en data mining-applikation som tilldelar poäng till varje kund, vilket indikerar sannolikheten för att kunden kommer att bete sig på samma sätt i framtiden. Till exempel kan modellen hjälpa en marknadsförare att fastställa sannolikheten för att en gift manlig kund mellan 31 och 42 år med barn kommer att köpa ett visst märke av gräsklippare inom de kommande sex månaderna.

Specificitet är mycket viktigt vid CRM-dataanvändning med hjälp av prediktiva modeller. Det finns flera typer av metoder som används för detta ändamål. En univariat modell jämför en enda variabel med flera andra variabler för att bestämma sambandet med den högsta korrelationen. Chi-Squared automatisk interaktion detektionsanalys (CHAID) och klassificering och regression träd (CART) modeller visar beslutsträd, där en variabel orsakar förekomsten av en eller flera variabler. En multivariat regressionsmodell testar flera variabler mot varandra för att utvärdera möjliga korrelationer.