【摘要】客户就上帝，客户是企业盈利的源泉，如何保留老客户、不断开发新客户成为企业发展的关键所在。在客户购买行为分析中使用数据挖掘技术可以帮助企业更好的分析客户行为、进行交叉销售、实施客户细分。为此本文提出了基于数据挖掘的客户购买行为分析系统的架构，介绍了基于数据挖掘的客户购买行为分析系统的具体应用。
【关键词】数据挖掘 客户关系管理 客户购买行为
一、基于数据挖掘的客户购买行为分析系统研究的意义
客户购买行为分析是从海量的客户交易行为数据中找出客户的交易、流转等方面的规律，并在此基础上构建信息视图，从而帮助企业更好地了解客户，开发客户价值，提高客户服务质量，并最终提高企业收益。数据挖掘是从大量的、不完全的、有噪音的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又潜在有用的信息和知识的过程，它是数据库研究中一个很有应用价值的新领域，融合了数据库、人工智能、机器学习、统计学等多个领域的理论和技术。
客户就上帝，客户是企业盈利的源泉，在目前这个大数据时代，企业如何更好的管理客户数据信息，如何更好地保持老客户、不断开发新客户更成为其成功的关键所在。因此，基于数据挖掘技术构建的客户行为分析系统可以有效地支持在大数据环境下对客户行为的有效分析，帮助企业有效的管理客户、注重客户关系管理，实现盈利。
二、基于数据挖掘的客户购买行为分析系统架构
基于数据挖掘的客户购买行为分析系统包括数据挖掘分析功能处理层、数据挖掘分析模型层、客户购买行为分析应用层三个部分，如图1所示。
其中数据挖掘分析功能处理层是整个系统的基础层，为客户购买行为分析应用层提供相应的数据挖掘分析方法，经常使用的数据挖掘算法有聚类、分类、预测与关联分析等。聚类是将数据划分到不同的类或者簇的过程，常用的聚类算法包括k-means算法、DBSCAN算法、CURE算法等；分类是指通过已知的属性对人或事物进行分类，常用的分类算法包括ID3算法、C4.5算法、贝叶斯分类算法等。预测是指根据历史数据和当前数据来推测出未来数据的一种挖掘方法，普遍使用的预测方法有时间序列分析、回归分析与神经网络等；关联分析是通过分析特定事件与其他事件之间的依赖或同时出现的规律，找出数据库中隐藏的关联网络，常用的关联分析算法有Aprioir算法、FP增长算法等。
客户购买行为分析应用层包括交叉销售分析、客户细分、顾客潜在购买模式分析、未来购买趋势预测等。
三、基于数据挖掘的零售业客户购买行为分析系统的应用
（一）交叉销售
数据挖掘中的关联分析算法可以找出数据之间隐藏的关系网，寻找数据之间的关联性，通过关联分析可以帮助企业对顾客的购买历史数据进行分析，可以发现顾客购买的不同商品之间的关系，分析顾客的购买习惯，找出顾客的购买行为模式，分析哪些商品或服务被顾客同时购买，实现交叉销售。这有利于企业实施品类管理、存货安排，从而制定相应的交叉销售策略。
（二）客户细分
使用数据挖掘的聚类算法可以从客户的消费心理、消费习惯、购买频率、对产品的需求或对产品获利的贡献等标准等方面来区分客户、划分客户群体，实现客户细分，进而针对客户的不同要求开发出差异化的产品，提供差异化的服务，提升客户的满意度，最大限度的挖掘客户价值。
（三）顾客潜在购买模式发现
数据挖掘的时间序列分析目的在于发现事件之间在时间上的关联性，它重点强调时间在分析中的重要作用。通过序列模式分析，企业可以发现顾客潜在的购买模式、可以不断发现具有潜在价值的新的客户群体（包括旧有的、但只消费固定商品的用户和从未消费过任何商品的客户），扩大客户群。运用时间序列分析可以在客户原有的消费历史记录中发现他们潜在的对其他商品的需求。也可以对市场调查问卷进行分析从而发现有可能成为企业真正客户的客户。
（四）未来购买趋势分析
分类与预测是通过对当前数据集合的描述，识别未知数据的归属或预测未来数据的发展趋势。分类也就是根据数据类别对数据库中的数据进行分类或归类，将已经分好类的数据视为训练集，对训练集利用分类技术建立模型，然后对没有分类的数据进行分类。
分类分析可分为两个步骤：第一步，建立模型：描述指定数据类集或概念集；第二步，使用模型进行分类分析，并作出预测。使用分类及预测算法对大量销售数据进行分析，确定顾客的消费习惯、消费偏好及消费需求，进而预测其未来的消费行为，方便企业制定针对性的营销策略，从而改进服务质量。