通信市场的竞争日益严峻，通信运营商在企业大客户、长途业务、IP业务、数据业务等领域形成了复杂的竞争局面。在这种情况下，如何找到自己最有效，忠实的客户，如何开发有竞争力的业务，如何提高经营效率，是通信企业面临的一大难题，因此，通信企业需要拥有一套迅速、灵敏、功能强大的通信市场分析系统以及客户关系管理系统。未来中国通信市场上还会有一段充满变数时间，数据挖掘会将大量通信数据转换成可靠的、商用的决策支持信息的最好解决方案，面向通信企业客户关系管理系统的数据挖掘可以为通信企业提供市场分析力量。
一、数据挖掘的概念
数据挖掘是根据企业的既定业务目标和存在的问题，对大量的业务数据进行探索，揭示其中隐藏的规律，并将其模型化，指导并应用于企业的实际经营。数据挖掘是建立在数据仓库基础上的高层应用，但数据挖掘跟数据仓库的其它一些应用如OLAP分析、预定义报表和即席查询等有很大的区别。后三者通常是用户根据已知的情况对所关心的业务指标进行分析；而前者则是在业务问题和目标明确但考察的问题不清楚时，对数据进行探索，揭示隐藏其中的规律性，进而将其模型化。
二、数据挖掘的方法
1．神经网络方法
神经网络由于本身良好的自组织自适应性、并行处理、分布存储和高度容错等特性非常适合解决数据挖掘的问题，因此近年来越来越受到人们的关注。典型的神经网络模型主要分3大类：以感知机、BP反向传播模型、函数型网络为代表的，用于分类、预测和模式识别的前馈式神经网络模型；以Hopfield的离散模型和连续模型为代表的，分别用于联想记忆和优化计算的反馈式神经网络模型；以ART模型、Koholon模型为代表的，用于聚类的自组织映射方法。神经网络方法的缺点是“黑箱”性，人们难以理解网络的学习和决策过程。
2．遗传算法
遗传算法是一种基于生物自然选择与遗传机理的随机搜索算法，是一种仿生全局优化方法。遗传算法具有的隐含并行性、易于和其它模型结合等性质使得它在数据挖掘中被加以应用。Sunil已成功地开发了一个基于遗传算法的数据挖掘工具，利用该工具对两个飞机失事的真实数据库进行了数据挖掘实验，结果表明遗传算法是进行数据挖掘的有效方法之一。遗传算法的应用还体现在与神经网络、粗集等技术的结合上。如利用遗传算法优化神经网络结构，在不增加错误率的前提下，删除多余的连接和隐层单元；用遗传算法和BP算法结合训练神经网络，然后从网络提取规则等。但遗传算法的算法较复杂，收敛于局部极小的较早收敛问题尚未解决。
3．决策树方法
决策树是一种常用于预测模型的算法，它通过将大量数据有目的分类，从中找到一些有价值的，潜在的信息。它的主要优点是描述简单，分类速度快，特别适合大规模的数据处理。最有影响和最早的决策树方法是由Quinlan提出的著名的基于信息熵的ID3算法。它的主要问题是：ID3是非递增学习算法；ID3决策树是单变量决策树，复杂概念的表达困难；同性间的相互关系强调不够；抗噪性差。针对上述问题，出现了许多较好的改进算法，如Schlimmer和Fisher设计了ID4递增式学习算法；钟鸣，陈文伟等提出了IBLE算法等。
4．粗集方法
粗集理论是一种研究不精确、不确定知识的数学工具。粗集方法有几个优点：不需要给出额外信息；简化输入信息的表达空间；算法简单，易于操作。粗集处理的对象是类似二维关系表的信息表。目前成熟的关系数据库管理系统和新发展起来的数据仓库管理系统，为粗集的数据挖掘奠定了坚实的基础。但粗集的数学基础是集合论，难以直接处理连续的属性。而现实信息表中连续属性是普遍存在的。因此连续属性的离散化是制约粗集理论实用化的难点。现在国际上已经研制出来了一些基于粗集的工具应用软件，如加拿大Regina大学开发的KDD-R1美国Kansas大学开发的LERS等。
5．覆盖正倒排斥反倒方法
它是利用覆盖所有正例、排斥所有反例的思想来寻找规则。首先在正例集合中任选一个种子，到反例集合中逐个比较。与字段取值构成的选择子相容则舍去，相反则保留。按此思想循环所有正例种子，将得到正例的规则(选择子的合取式)。比较典型的算法有Michalski的AQ11方法、洪家荣改进的AQ15方法以及他的AE5方法。
6．统计分析方法
在数据库字段项之间存在两种关系：函数关系(能用函数公式表示的确定性关系)和相关关系(不能用函数公式表示，但仍是相关确定性关系)，对它们的分析可采用统计学方法，即利用统计学原理对数据库中的信息进行分析。可进行常用统计(求大量数据中的最大值、最小值、总和、平均值等)、回归分析(用回归方程来表示变量间的数量关系)，相关分析(用相关系数来度量变量间的相关程度)、差异分析(从样本统计量的值得出差异来确定总体参数之间是否存在差异)等。
7．模糊集方法
即利用模糊集合理论对实际问题进行模糊评判、模糊决策、模糊模式识别和模糊聚类分析。系统的复杂性越高，模糊性越强，一般模糊集合理论是用隶属度来刻画模糊事物的亦此亦彼性的。李德毅等人在传统模糊理论和概率统计的基础上，提出了定性定量不确定性转换模型——云模型，并形成了云理论。
三、数据挖掘的流程
1．定义问题：清晰地定义出业务问题，确定数据挖掘的目的。
2．数据准备：数据准备包括：选择数据——在大型数据库和数据仓库目标中提取数据挖掘的目标数据集；数据预处理——进行数据再加工，包括检查数据的完整性及数据的一致性、去噪声，填补丢失的域，删除无效数据等。
3．数据挖掘：根据数据功能的类型和和数据的特点选择相应的算法，在净化和转换过的数据集上进行数据挖掘。
4．结果分析：对数据挖掘的结果进行解释和评价，转换成为能够最终被用户理解的知识。
5．知识的运用：将分析所得到的知识集成到业务信息系统的组织结构中去。
四、客户关系管理(CRM)
客户关系管理(CRM)首先是一种管理理念，起源于西方的市场营销理论，产生和发展在美国。其核心思想是将企业的客户(包括最终客户，分销商和合作伙伴)作为最重要的企业资源，通过完善的客户服务和深入的客户分析来满足客户的需求，保证实现客户的终生价值。
客户关系管理(CRM)又是一种旨在改善企业与客户之间关系的新型管理机制，它实施于企业的市场营销、销售、服务与技术支持等与客户相关的领域。客户关系管理(CRM)也是一种管理软件和技术，它将最佳的商业实践与数据挖掘、数据仓库、一对一营销、销售自动化以及其它信息技术紧密结合在一起，为企业的销售、客户服务和决策支持等领域提供了一个业务自动化的解决方案，从而顺利实现由传统企业模式到以电子商务为基础的现代企业模式的转化。
五、数据挖掘在通信企业
客户关系管理中的应用客户的获取。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以及交易心理等方面具有相似性，而不同群体间差异较大。那么这就有助于企业在营销中更加贴近顾客需求。分类和聚类等挖掘方法可以把大量的客户分成不同的类(群体)，适合于用来进行客户细分。通过群体细分，CRM用户可以更好地理解客户，发现群体客户的行为规律。在行为分组完成后，还要进行客户理解、客户行为规律发现和客户组之间的交叉分析。
重点客户发现。就是找出对企业具有重要意义的客户，重点客户发现主要包括：发现有价值的潜在客户；发现有更多的消费需求的同一客户；发现更多使用的同一种产品或服务；保持客户的忠诚度。根据80/20(即20％的客户贡献80％的销售额)以及开发新客户的费用是保留老客户费用的5倍等营销原则，重点客户发现在CRM中具有举足轻重的作用。
交叉营销。商家与其客户之间的商业关系是一种持续的不断发展的关系，通过不断地相互是接触和交流，客户得到了更好更贴切的服务质量，商家则因为增加了销售量而获利。交叉营销指向已购买商品的客户推荐其它产品和服务。这种策略成功的关键是要确保推销的产品是用户所感兴趣的，有几种挖掘方法都可以应用于此问题，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。
客户流失分析。分类等技术能够判断具备哪些特性的客户群体最容易流失，建立客户流失预测模型。从而帮助企业对有流失风险的顾客提前采取相应营销措施。利用数据挖掘技术，可以通过挖掘大量的客户信息来构建预测模型，较准确地找出易流失客户群，并制定相应的方案，最大程度地保持住老客户。通过研究，认为数据挖掘技术中的决策树技术(Decision Tree)能够较好地应用在这一方面。
性能评估。以客户所提供的市场反馈为基础，通过数据仓库的数据清洁与集中过程，将客户对市场的反馈自动地输入到数据仓库中，从而进行客户行为跟踪。性能分析与客户行为分析和重点客户发现是相互交迭的过程，这样才能保证企业的客户关系管理能够达到既定的目标，建立良好的客户关系。
对不同信誉度用户给予不同的服务及优惠。
五、小结
数据挖掘的出现只有短短的几年时间，而它所表现出的广阔应用前景令人瞩目。CRM作为一个涉及知识管理、业务流程再造和企业信息化的概念正以前所未有的速度发展，并且迅速扩大着用户群体。随着市场经济的推动和信息技术的发展，尤其是网络通信和数据仓库技术，广大用户也越来越注重CRM的实用价值。
CRM的良好应用前景会进一步加快数据挖掘技术的成熟和发展。在CRM中有效利用数据挖掘，可以指导企业高层决策者制定最优的企业营销策略，降低企业运营成本，增加利润，加速企业的发展。只有融合了数据挖掘技术的高效的客户关系管理才能更好地适应当今信息时代及其网络化特征，成为现代企业在激烈的市场竞争中生存的根本和制胜的关键。
