基于数据挖掘技术的房地产客户关系管理研究

基于数据挖掘技术的房地产客户关系管理研究[摘要] 房地产行业的竞争越来越激烈,企业越来越重视客户关系管理,利用
数据挖掘技术作为分析与辅助决策工具在房地产行业中的应用更加广泛。

本文从应用角度出发,介绍数据挖掘技术的基本概念及常用的挖掘技术,从房地产客户分析中说明数据挖掘技术在房地产CRM中的应用及具体步骤。

[关键字] 数据挖掘;客户关系管理(CRM);房地产
一、引言
数据挖掘是信息领域发展最快的技术,很多不同领域的专家都从中获得了发展的空间,使得数据挖掘成为企业界讨论的热门话题。

它的出现为商业决策提供了有价值的知识,让企业获得了利润。

房地产行业的竞争越来越激烈,数据挖掘技术作为分析与辅助决策工具,从繁杂的数据中找出真正有价值的信息知识,提高房地产企业对客户了解程度,时时快捷地发现并满足客户的需求,并发掘出潜在的客户群,从而提高企业的竞争力。

二、数据挖掘技术和客户关系管理
(一)数据挖掘(Data Mining)技术及常用方法
数据挖掘是从海量的数据中提取或挖掘知识的技术,是从大数据集中识别出有效的、新颖的、潜在有用的以及最终可理解的模式的技术。

它是一门涉及面很广的交叉学科,包括机器学习、数理统计、神经网络、数据库、模式识别、粗糙集、模糊数学等相关技术。

常用的数据挖掘技术包括关联分析、分类分析、聚类分析、预测、序列分析、孤立点分析等。

事实上,解决一个已给的业务问题时,数据挖掘一般混合使用两种及两种以上的技术类别。

(1)关联分析:关联分析主要用于发现不同事件之间的关联性,即一个事件发生的同时,另一个事件也经常发生。

关联分析的目的是挖掘出隐藏在数据间的相互关系,它经常被用来描述不同种类的物品经常被一起购买的关系。

通过对收集存储的大量历史事务数据进行分析,就可以得到有关顾客购买行为的极有价值的信息。

(2)分类分析:分类分析通过分析具有类别的样本的特点,得到决定样本属于各种类别的规则或方法,利用这些规则和方法对未知类别的样本分类提供依据,是数据挖掘技术中应用最广泛的技术之一,也是商业上应用最多的技术。

利用分类技术,可以根据顾客的消费水平和基本特征对顾客进行分类,找出对商家有较大利益贡献的重要客户的特征,通过对其进行个性化服务,提高他们的忠诚度。

(3)聚类分析:聚类分析是根据“物以类聚”的原理,将本身没有类别的样本聚集成不同的组,并对每一个这样的组进行描述的过程,使得类间的相似性尽量小,类内的相似性尽量大。

(4)预测:预测与分类类似,但预测是根据样本的已知特征估算某个连续类型的变量的取值的过程,而分类则只是用于判别样本所属的离散类别而己。

预测模型可以使用较为传统的统计回归技术,也可以使用新的分类技术,目前最通用的是决策树归纳技术。

(5)序列分析:序列分析技术主要用于发现一定时间间隔内接连发生的事件,这些事件构成一个序列,发现的序列应该具有普遍意义,其依据除了统计上的概率之外,还要加上时间的约束。

(6)孤立点分析:数据库中可能包含一些数据对象,它们与数据的一般行为或模型不一致,这些数据对象称为孤立点。

对这些数据的挖掘分析可以用于处理一些罕见事件,比如信用卡欺诈等。

(二)客户关系管理(Customer Relationship Management,CRM)
客户关系管理(CRM)首先是一种管理理念。

其核心思想是将企业的客户作为重要的资源,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。

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,它实现于企业的市场营销、销售、服务与技术支持等与客户相关的领域。

通过向企业的销售、市场和客户服务的专业人员提供全面、个性化的客户资料,并强化跟踪服务、信息分析的能力,使他们能够维护一系列与客户和生意伙伴之间卓有成效的“一对一关系”从而使企业得以提供更快捷和更周到的优质服务,提高客户的满意度。

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、销售自动化以及其他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业务自动化的解决方案,使企业能够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。

三、数据挖掘技术在房地产客户关系管理中的应用
(一)数据挖掘在房地产市场分析中的应用
数据挖掘技术在房地产业上实际应用十分丰富。

应用数据挖掘技术,可以帮助房地产行业找出有价值的信息,十分有助于企业发现商机、制定开发计划与营销策略。

对于房地产市场研究,数据挖掘可以应用于宏观经济形势研究、市场发展趋势研究、楼盘供应研究、竞争对手研究、客户研究等多方面:
(1)宏观经济形势研究:研究房地产波动周期,寻找特定国家或区域房地产波动周期的规律、相似性和特点,分析房地产周期的影响因素和它们之间的关系,对房地产市场的宏观分析很有参考价值。

(2)市场发展趋势研究:分析房地产市场的需求与国民经济增长、人均可支配收入、土地出让面积、房地产投资开发总额等因素之间的关系,通过各种方法得到房地产市场的需求模型,进而对市场进行预测。

(3)楼盘供应研究:通过地理发展空间的多维分析,综合人口住房条件及分布、土地利用现状及政府规划、交通现状分布信息,通过聚集及层次化描述,发掘区域内需建立的高档别墅,高、中、低档公寓的数量及各自的地理位置和发展计划。

(4)客户研究:客户信息的多维关联和序列模式分析,可在客户信息中发现客户的消费行为模式,帮助营销人员找出影响消费者的机会与方式。

目前,专业市场研究公司对房地产行业的调研主要集中在客户需求分析方面,因此,本文接下来主要探讨房地产客户信息管理的数据挖掘。

(二)数据挖掘在房地产CRM中的应用
随着房地产行业竞争的加剧,房地产企业要想在竞争中制胜,必然需要充分的信息支持和准确的市场判断。

房地产行业拥有大量的数据积累,包括行业信息、经济环境信息、客户信息等。

这些数据是房地产企业市场运作的重要参考。

面对海量数据的积累,传统的查询已不能识别其中有价值的信息,数据挖掘技术正是在这种市场需求下逐渐发展并越来越广泛地应用于房地产CRM中。

房地产行业的客户信息有许多特点,一方面房地产行业面对的客户群广泛,而且客户的特征描述的结构复杂,另一方面房地产客户需求的层次不一,且易受外界因素影响,具有多层次性和多变性。

对于复杂、多样而且擅变的客户信息,房地产行业客户信息的数据挖掘有助于识别客户购买行为,发现客户购买模式和趋势。

从而,帮助房地产企业改进服务质量,取得更好的客户关系和满意程度,设计更好的营销方案,减少商业成本,并帮助企业分析出解决问题所需要的关键因素,使企业处于更有利的竞争位置。

数据挖掘在房地产客户关系管理中的应用见表1。

表1 数据挖掘在房地产客户关系管理中的应用
“谁拥有客户信息,谁就拥有未来”。

在房地产企业管理客户生命周期的各个阶段都会用到数据挖掘中的各种技术。

数据挖掘能够帮助房地产企业确定客户的特点,从而可以为客户提供有针对性的服务。

通过数据挖掘,可以发现购买客户的特征,从而可以挖掘出那些也同样具有这些特征却没有购买的客户品;若找到流失客户的特征,也可以在那些具有相似特征的客户还未流失之前,采取针对性的措施。

在企业CRM中有效利用数据挖掘技术,可以为企业高层决策者提供准确的客户分类、忠诚度、赢利能力及潜在用户等有用信息,指导企业制订最优的企业营销策略、降低银行运营成本、增加利润,加速企业的发展。

(三)数据挖掘在房地产CRM中应用的具体步骤
(1)明确商业目标
应用数据挖掘的首要任务就是要明确商业目标,描述出需要解决的问题,并且确定所要解决的问题属于哪种应用类型,如上面提到的数据挖掘技术中的关联、分类、聚类、预测还是综合应用。

(2)数据准备
数据挖掘时由可以获取的数据驱动的,其成功很大程度上取决于所收集数据的数量与质量,建立可靠数据资源的第一步就是确定系统将要使用数据的数据字典,在建立数据字典后,要清洗数据,逐列检查数据的完整性、有效性,并验证各数据库之间的一致性。

(3)利用数据挖掘技术建立模型
利用数据挖掘的算法对数据进行分析,建立模型,并选择好相应的实现工具。

选择好模型的类型及实现工具后,有时还需对数据进行预处理。

(4)反复验证
验证应从较小的系统(如较小的客户群体)开始,但要完成全过程,即从数据收集和处理,到数据挖掘,最后到产生促销数据结构。

通过验证,可以纠正系统中的错误,并有利于用户对系统功能的进一步理解。

(5)实施与维护
在应用模型之后,还要不断监控模型的效果。

因为事物在不断发展变化,很可能过一段时间之后,随着购买方式、消费观点的变化,该模型就不再起作用了。

因此随着模型使用时间的增加,要不断地对模型做重新测试,有时甚至要重新建立新的模型。

四、结论
房地产行业是一个数据量大、关联性强、影响因素多的复杂非线性系统。

数据挖掘技术在房地产行业的应用是一个年轻且充满希望的研究领域,人们对它的研究正日益广泛和深入。

数据挖掘是房地产CRM的前提和基础,房地产CRM是数据挖掘的延续和创新,通过将两者进行有效的组合,不断促进企业单个客户价值的提升和客户规模的扩大,有效地推动着企业价值和实力的不断攀升。

对于政府部门合理分析产业发展,制定产业政策及开发企业和个人正确判断房地产市场形势、做出投资或购房决策具有重要意义。

[参考文献]
1.李琪.客户关系管理.重庆大学出版社[M],2004.8.
2.[美]迈克尔·贝利,戈登·利若夫.高管商学院数据挖掘[M].袁卫等译.中国劳动社会保障出版社,2004.10.
3.朱惠云.数据挖掘在客户关系管理中的应用[J].企业管理,2003.
4.
4.Jona R M Hosking,et al A statistical perspective on data mining[j]. Future Generation Computer Systems,1997,13(2):117-134
5.陈峻青.基于数据挖掘的房地产价格分析与预测[D].广州:中山大学硕士学位论文,2007.。