最新通过数据挖掘技术在酒店行业提升客户关系1.docx
《最新通过数据挖掘技术在酒店行业提升客户关系1.docx》由会员分享，可在线阅读，更多相关《最新通过数据挖掘技术在酒店行业提升客户关系1.docx（10页珍藏版）》请在冰豆网上搜索。
最新通过数据挖掘技术在酒店行业提升客户关系1
通过数据挖掘技术在酒店行业提升客户关系管理
（1）
通过数据挖掘技术在酒店行业提升客户关系管理
MirelaDANUBIANU,LecturerPh.D.Eng,Ec.
“StefancelMare”UniversityofSuceava
ValentinCristianHAPENCIUC,AssociateProfessor,Ph.D.Ec.
“StefancelMare”UniversityofSuceava
关键词：
CRM，数据挖掘，酒店行业
1、简介
事实上，一个成功的公司不仅把客户放在第一位，而且把客户放在组织的中心，因为客户行为的变化决定了不可预知的盈利能力和可能的低效的营销策划原因。
CRM的主要目的是处理在不同的渠道和功能的客户互动，为了建立忠诚和可盈利的客户关系。
虽然削减成本和竞争力的定价策略可能会吸引来自竞争对手的顾客，在许多服务行业的价格优势并不足以成为客户在供应商之间移动原因。
在这些情况下成功的竞争策略包括开发与客户良好的关系并交叉销售他们的其他服务。
数据挖掘-技术是为了探索和分析大量数据以发现有意义的模式和规则-帮助企业从看似无关的数据筛选出有意义的关系，在那里他们可以预见的而不是简单地对客户的需求作出反应。
2.CRM概述
客户关系管理（CRM）是一项以客户为中心的事业，需要运用不同的技术去了解和影响顾客的行为。
这个流程包括两个客观要求：
•影响与客户关系相关的所有方面（提升客户满意度，加强客户忠诚或加强购买率）。
•确保组织中的员工使用CRM工具。
更多的盈利要求组织更积极推进与客户的关系。
[5]
在真实的世界中，要求，建立和留住客户正在成为最高优先级。
对于许多公司来说，他们的客户关系质量提供了相比于其他业务的竞争优势。
此外，客户的定义已扩大到包括即时消费者，合作伙伴和经销商-换句话说，所有的参与者，提供信息，或者需要从公司获得服务人。
公司都开始意识到在竞争激烈的市场和全球市场生存需要与客户更紧密的关系。
反过来，增强客户关系能够在三个方面提升盈利能力：
•通过吸引更多适合的客户
•通过交叉销售和向上销售活动产生利润
•通过留住客户扩大利润
通常的CRM可以由四个单元组成的框架来定义：
知识，目标，销售和服务[6]。
它要求企业认识和了解它的市场和客户。
包括详细的客户信息，以便选择最有利可图的客户，并确定哪些不再值得作为目标。
CRM也需要在提供发展：
哪些产品通过哪个渠道卖给哪些客户。
在销售过程中，公司利用活动管理来提高营销部门的有效性。
最后，它旨在通过服务，如呼叫中心和服务台来保留客户。
CRM是几部分组成的关联。
该过程开始之前，该公司必须有客户的信息。
这些信息可以从内部资源中获得（汇总表描述客户，客户调查或包含行为数据的交易系统）。
或者数据可以从外部购买的资源中获得。
一个成功的CRM战略的一个重要组成部分，是企业级数据仓库。
然后，它必须使用统计工具，OLAP和数据挖掘分析数据。
最后的组件是活动执行和跟踪。
3、数据挖掘
数据挖掘是，通过自动或半自动的手段，从大量数据中探索和分析，以发现有意义的模式和规则[3]。
所以，数据挖掘被定义为从从数据中提取有趣的和先前未知的信息，并且它被广泛接受的是作为一个复杂的单相过程，这个过程被称为数据库知识发现（KDD）。
这一过程由下述步骤组成[12]：
•在分析最终用户的目标，并收集到所有必要的知识之后，可以选出一个目标数据集。
这意味着将重点放在变量的子集或数据样本上。
•对目标数据进行预处理和清洗，以除去噪声或离群。
人们也必须决定如何处理丢失的数据字段。
有用的功能必须被发现以展示数据，这取决于发现任务的目标。
维数被降低，例如，一个必须找到有效的正在被考虑的变量数字，或者不变的代表数据。
•知识发现过程的主要目标是预测未来有趣的变量价值或寻找人类可解释的数据模式值。
•根据这个目标的适当的数据挖掘算法被选择和应用。
还有的关联，分类，聚类，基于序列的分析算法，和其他任务。
•图案被解释和评估，例如使用辅助的可视化工具。
每个步骤之后，可以返回到之前任何其他步骤以修正当前步骤。
因此，该知识发现过程中可能含有的任何两个步骤之间有许多循环。
为了确保由数据挖掘算法所提取的信息是有用的，其他活动是必需的，例如结合适当的先验知识，和数据挖掘结果的正确解释。
在一般情况下，CRM承诺通过为企业提升客户为导向的流程，例如销售，市场营销和客户服务带来更高的投资回报。
数据挖掘通过在整个顾客生命周期中识别和预测客户的需求帮助企业建立个人和可盈利的客户关系。
数据挖掘技术可以帮助减少信息过载，提高决策能力。
这是通过导出，并通过过程与搜索从组织收集的大量数据关系和模式，提炼有用的知识实现的过程。
所提取的信息被用于预测，分类模型，并汇总数据。
数据挖掘技术，如规则归纳，神经网络，遗传算法，模糊逻辑，和粗集，在许多行业用于分类和模式识别[4][10][11]。
例如，某超市举办在消费者的购买模式基础上的现货库存，机票预订系统使用客户的出行模式和趋势，以增加座位利用率。
或利用网页改变其组织结构或基于请求页面的个人信息的可视化外观。
数据挖掘使用统计和机器学习技术建立客户的行为模式。
基本目的是构造一个模型，其中，应答或输出是已知的，当应答或输出是被期望的则该模型适用于另一种情况。
上述技术的最好的应用程序被集成数据仓库和其它交互式的，灵活的商业分析工具。
因此，数据挖掘的应用可以帮助企业识别细分市场包含客户提供高利润的潜力，通过搜索不同变量之间的模式来服务于购买行为并进行有效预测。
那么营销人员可以设计和实施活动，这将增强目标细分市场的购买决策。
为了推动这一活动，营销人员增强数据挖掘输出成系列管理软件，并专注于定义的细分市场。
关于上述三种盈利方式在上述部分中的讨论，数据挖掘技术可以用于如下：
•吸引更多适合客户：
数据挖掘可以帮助企业了解哪些客户最有可能购买特定的产品和服务，从而使企业制定更高的响应率和投资更好的回报有针对性的营销计划。
•更好的交叉销售和向上销售：
企业可以通过提供实际需要的客户额外的产品和服务，从而提高满意度，并加强购买习惯增加他们的价值主张。
•对于更好的保留：
数据挖掘技术可以识别哪些客户更容易缺损的原因。
一个公司可以使用这些信息来产生想法，使他们能够保持这些客户。
此外，在还有数据挖掘中支持CRM倡议的其他方式。
•数据库营销：
数据挖掘帮助数据库营销开发活动是接近目标的需要，欲望和他们的客户的态度。
如果那些必要的信息驻留在一个数据库中，数据挖掘可以模拟各种各样的顾客的活动。
主要目标是确定符合当前的业务问题模式。
例如，数据挖掘可以帮助解答问题，例如
•“哪些客户最有可能要求确定的服务？
”回答这些类型的问题可以提高客户保留和活动响应率，从而最终提高投资的销售和回报。
表一
数据挖掘技术与CRM业务之间可能存在的关联
数据挖掘技术
CRM业务
关联规则
从客户的购买历史信息被用于制定为了后续购买的概率规则
决策树
从数据自动构造，这些得到的阶梯状的规则的序列;好用于识别变量之间的重要预测变量，非线性关系和相互作用。
描述性统计
平均值，变异，数量，百分比，交叉表，简单的相关性;用在数据挖掘过程的开始描绘的结构和识别数据的潜在问题。
遗传算法
仿照进化生物学的使用程序，以解决预测和分类问题或开发组的决策规则。
神经网络
应用模仿人类大脑的处理;能够从实例学习（数据大训练集）来发现数据中的模式。
查询工具
提供综合性指标，如数量，总计和平均值。
回归模型
普通最小二乘回归，l逻辑回归，判别分析;大多用于确认通过“机器学习”技术建立的模型。
可视化工具
集合直方图，箱线图，散点图;几大量数据到一个简洁，易于理解的有用画面
•客户收购：
企业的发展战略在很大程度上取决于获取新客户，这可能需要找人谁已经不知道各种产品和服务，谁刚进入特定的产品类别（例如，新的父母和尿布类）的，或者谁购买竞争对手。
虽然有经验的营销人员常常可以选择一组正确的人口标准，处理增加的困难与卷的客户数据，图案的复杂性，以及粒度。
强调客户细分的挑战，导致了消费者数据库的爆炸性增长。
数据挖掘提供了多种解决方案，细分，可以提高响应速度为客户收购活动。
营销人员需要使用创造力和经验来调整新的和有趣的报价，通过数据挖掘作业识别客户。
•运动优化：
许多营销组织有多种方法与现有和潜在客户进行互动。
优化营销活动的过程中确立提供的组织机构设置和一组给定的客户满足运动的特征和约束条件，确定了营销渠道中使用之间的映射，并指定相关的时间参数。
数据挖掘可以通过客户的特定通道的反应建模提供营销活动提升优化流程的有效性。
不同的数据挖掘技术可以与CRM任务相关联。
表1给出了一些这些联系。
4、数据挖掘在酒店行业中的应用
信息技术最初是由酒店业视为一个后台办公功能，支持金融和会计领域。
在过去的十年中行业的发展远远超越了这一观点。
在国际饭店与餐馆协会（IH＆RA），一个在新加坡，1997年，第二次在法国尼斯，1998年发起的两会上，酒店业领袖沉吟技术的作用。
其中得出的结论是：
“展望未来，科技将成为最有竞争力的武器，对任何的酒店管理公司。
”
如果待客组织要在竞争中取胜，就必须使用技术来推动价值客户和对公司这样做的。
[7]在酒店业知道客人-他们来自哪里，他们花了多少钱，而当和他们度过它-可以帮助企业制定营销策略和实现利润最大化。
由于技术发展的酒店企业已经积累了大量的客户数据，这可以组织并集成在可使用规定来指导营销决策数据库。
由于识别重要的变量，位于这些消费信息系统的关系可以是一个艰巨的任务，一些酒店企业都试图利用数据挖掘技术，对消费者利用这些数据提高信息的力量。
这样的数据挖掘技术，可以让酒店公司预测消费者行为的发展趋势，这是市场营销的应用可能有用。
例如，最佳西方营销人员可以运行报告和分析存储在所有公司性质结合客户和交易信息的数据仓库和客户数据的占用。
这些信息显示在那里住谁访问特定酒店的客户。
如果数据表明，最佳西方inGura洛伊在四月份经历了从雅西游客丰富，比如，酒店营销人员可以提高雅西促销力度在晚冬月。
相关酒店业通过数据挖掘所执行的任务可被分成以下五类。
•分类整理客户到预先定义的段，允许大小和要监视市场组的结构。
此外，预测性模型可以建立分类活动。
分类使用载于集预测器的信息变量，如人口和生活方式数据，为客户分配给段。
•基于领域知识和数据库集群的客户群体，但不依赖于预定的组定义。
此功能是有益的，因为它有助于谁是他们的客户在酒店业的认识。
例如，聚类可以揭示的预定段与可以有效地通过特定的广告活动的范围，该子组的成员将增加他们的数目来靶向均匀的购买行为（假日购物者的瞬时分段内的子组）内的一个亚组撑杆或变得更加忠诚。
另一方面，聚类可以指示先前确定的段是不简约和应合并以增加广告的效率。
信息，例如人口特征，生活方式描述符，和实际产品的购买通常用于聚类。
•偏差检测揭示数据异常，如在突然增加购买由客户。
这种类型的信息可以，如果酒店公司要感谢客人对她或他最近增加支出或提供促销在欣赏证明是有用的。
营销经理也可能尝试绘制浪涌之间的相关性的偏差与未在数据库中代表不可控的经营环境因素。
•连接即是指检测记录之间的连接，由协会和顺序检测驱动。
例如，一种可能的检测到的关联可以是逗留增加特定后的特定段的平均长度广告攻势。
另一个关联的任务，可以在其他地方使用的，以努力确定为什么特定促销成功在一个市场，但是效果不佳。
以客户购买历史的具体信息是要制定有关后续购买概率规则。
•预测预测连续变量的基础上，数据中的模式和趋势的未来价值。
例如，该预测函数可以用来预测细分市场的未来大小。
与预测人们也可以使用数据趋势项目，该项目的酒店设施也日益重视和消费者的将是消费者的价值感知未来的关键驱动因素。
数据挖掘应用的CRM的重要任务是建立适当的细分和预测模型。
为了获得良好的结果必需要有广泛的的酒店业务知识。
[8]有人提出了客户细分的方法。
这指的是像人口统计方面：
年龄，生命周期阶段，性别，收入，或者消费心理方面的，如：
社会阶层，生活方式，个性，行为，用户状态（潜在的，之前的，第一次的）或忠诚度的状态。
不同的种类（瞬时酒店，会议酒店长住酒店）顾客细分是不同的。
此外，客人细分是与众不同的大多数酒店物业。
举例来说，最佳西方或假日酒店物业管理系统领域和代码市场在物业水平，因为每个位置都有自己特定的领域。
一个给定的属性可能成为一组客户，一组为政府客户和社会客户（婚礼或聚会）。
上面讨论的段的类别可以被链接至一大组的组合。
此外，客人可能适合几类，这是对当前的数据挖掘技术的挑战
一旦一个数据挖掘模型建成，它必须进行测试，以评估其预测精度。
例如，旨在预测谁将会为响应促销活动的模式，应根据事先提供其所知道是谁做了或没有回应。
后的模型构造，从以前的促销样品基可以被分析以验证可靠性。
如果样品的预测不复制过去推动的结果，那么模型可能不显著的预测。
为了进一步提高精度，分数可被分配给基于所述样品组和整个组之间的协议层次模型。
准确的数据收集是成功的数据挖掘的关键。
数据的问题导致的任何数据仓库中的值的降低，除了降低提出的模型的价值。
第一个可能的问题涉及缺失或不准确的数据。
例如，当职业信息可用于一组数据的10％，则难以创造的顾客的职业的轮廓。
然后再次，这是一个问题，如果该数据文件包含职业信息为90％的人口，但这些信息的准确性较差。
酒店公司可以通过询问客人他们目前的职业以减少这种误差。
第二个问题是不良的编码数据。
数据库必须有标准数据格式，文本案例，和冗余代码。
当数据输入源被在延长的时间加入，并且没有一个已确保进入仓库中的数据具有正确的格式时可能会出现问题。
如果安装了原始数据挖掘技术的时候，这种情况会发生，预测作了基于订票系统和物业管理系统，但随后作出从客户满意度调查的输入数据的决定。
当额外数据输入不规范或不正确编码时会出现问题。
例如，一些模型需要连续和有序数据，而另一些需要分类数据字段或二进制构建体。
基于这样的事实，许多分析工具可以用于将数据转换为有用的信息是非常重要的，选择用于分析和预测的适当的工具。
每种方法都有自己的长处和短处，每个都适用于特定的场景。
很明显，技术必须服务于管理者的目的，而不是规定的进程。
沿着这条线，数据挖掘无法捕捉到所有与驱动消费行为相关的信息。
数据挖掘是其中一种简单的研究方法，帮助预测旅客的需求趋势。
因此，数据挖掘技术应该与其他预测和研究技术一起使用。
数据挖掘是一个有用的工具，但管理者应该注意以下事项
数据挖掘技术的局限性：
•数据挖掘分析只能从现有客户收集的数据。
数据挖掘软件通过分析从公司的预约，物业管理，评价和忠诚度计划系统获得的数据模式产生的信息。
因此，检测可以帮助预测现有客户在这些制度和措施具有相似的需求和欲望的行动。
但数据挖掘技术不提供在该公司的数据库中没有找到的有关细分市场信息。
此外，一个细分市场中当前小但上经历大幅增长的极限可能不被数据挖掘检测。
•在挖掘过程中使用的数据库通常酒店品牌特有的。
正如数据挖掘技术无法分析竞争对手的市场，这也创造了品牌特有预测模型。
因此，经常经营多个品牌的企业必须建立一个数据仓库，对每个品牌进行数据挖掘。
这也适用于那些有投资的加盟商，例如，六假日酒店和四最佳西方。
•数据挖掘也许不能区分旅行者的消费心理特征。
细分基于消费心理特征，如性格和生活方式，在酒店业非常有用。
这是因为心理和情感在酒店客人的决策过程中发挥的作用显著。
也就是说，旅客可以选择目的地的各种心理原因（教育，逃避，放松，社会交往）。
数据挖掘的一个限制是常用系统的投入不考虑影响旅行者的购买决策心理因素。
•
5、结论
数据挖掘技术可以成为那些希望了解和预测客户行为的酒店企业的有用工具。
基于从数据挖掘获得的信息，酒店可以做出信息灵活的营销决策，包括应该联系谁，向谁提供奖励（或没有），还有应该建立哪种类型的关系。
参考文献
1.Berry,M.,Linoff,G.,（1997）DataMiningTechniquesforMarketing,SalesandCustomerSupport,JohnWhiley&Sons;
2.DanubianuM.（2003）Determinareametodeioptimedeexplorareadatelorpentruunsisteminteligentdeevaluareaactivităţiiînturism,volumul„TehnologiiInformaţionale”,Suceava,pag.156-163,ISBN793-666-059-1;
3.DanubianuM.（2005）DeterminareaclaselorpebazatehniciiSBA,volumulseminarului“Procesaredistribuită”,page.86-90,ISBN973-666-177-6;
4.DanubianuM.（2006）Usingdataminingtechniquesfordecisionsupportsystems–ProceedingsoftheInternationalConferenceonSignal/ImageProcessingandPatternRecognition-"UkrObraz-2006",pag.19-22,August28-31,2006,Kiev,Ucraina;
5.Fleisher,C.S.,&Blenkhom,D.（2003）Controversiesincompetitiveintelligence:
Theenduringissues.Westport,CT:
Praeger;
6.IDC&CapGemini.Fourelementsofcustomerrelationshipmanagement.CapGeminiWhitePaper;
7.Kotler,P.,Bowen,J.,andMakens,J.,（1999）MarketingforHospitalityandTourism,secondedition,UpperSaddleRiver,NJ:
Prentice-Hall;
8.Olsen,M.,Connolly,D.,（1999）AntecedentsofTechnologicalChangeintheHospitalityIndustry,TourismAnalysis,Vol.4,p.29;
9.Pentiuc.,Ghe-St,MORARIU,N.Morariu,M,Pentiuc.L（2001）IntelligentSystemForImpactPrognosisOfTheEconomicDecisionsAtDistrictLevel,AdvancesinElectricalandComputerEngineeringISSN1582-7445-Volume1（18）,Number1（15）,2001;
10.Zhao,L.J.,&Zhu,D.（2003）.WorkflowresourceselectionfromUDDIrepositorieswithmobileagents.ProceedingsofWeb2003,USA;
11.Zhu,D.,Premkumar,G.,Zhang,X.,&Chu,C.（2001）.Dataminingfornetworkintrusiondetection:
Acomparisonofalternativemethods.DecisionSciences,32（4）,635-660;
12.Wirth,R.andHipp,（2000）J.CRISP-DM:
Towardsastandardprocessmodelfordatamining.InProceedingsofthe4thInternationalConferenceonthePracticalApplicationsofKnowledgeDiscoveryandDataMining,pages29-39,Manchester,UK.
升级会员 