Web數據挖掘在SCRM中的應用

周欣

摘 要：隨著互聯網在人類生活中應用的日益深入，大量商務及社交活動都在網絡上進行，如何挖掘出海量信息中的價值成為人們關注的話題，Web數據挖掘技術在這樣的背景下得到了迅猛的發展。與此同時，社交媒體的出現讓社會化客戶關系管理（SCRM）應運而生，為此，探討了Web數據挖掘技術于SCRM的應用，分別從Web使用挖掘收集客戶特征、Web結構挖掘識別重要客戶、Web內容挖掘處理抱怨三個方面進行了闡述，為企業提供一定的參考。

關鍵詞：Web數據挖掘；社會化客戶關系管理；SCRM；社交媒體

中圖分類號：F27

文獻標識碼：A

文章編號：16723198（2015）19006202

1 背景

互聯網在人類生活中的應用日益深入，大量商務及社交活動都在網絡上進行，商務及交流方式的轉變促使了客戶關系管理理念與技術的變革。

傳統的客戶關系管理主要針對客戶交易記錄及個人信息進行數據挖掘，了解用戶的需求并為其進行更好的服務，然而這樣的方法在社交網絡時代并不適用。2009年，美國學者提出了社會化客戶關系管理（Social CRM，簡稱SCRM）的概念，客戶與企業溝通的媒介發生了改變，企業應該打破圍墻，傾聽用戶在社交媒體中的聲音，更好地開發與利用這些存在于網絡之中、急劇膨脹的信息資源成為一個重要議題。

在這樣的背景下，Web數據挖掘技術得到迅猛的發展，其應用的廣泛性同時也加速了技術與理論的發展與革新。有學者探討了Web內容挖掘在企業電子商務網站中的應用，及其對市場營銷、客戶關系管理以及信用評價領域的現實意義；還有學者研究了應用Web數據挖掘技術于捕獲網絡檔案信息資源提供個性化服務的具體措施；更多的學者從技術的角度對信息采集代碼與方案進行了優化、信息處理算法進行了改進。

在社交網絡時代應用Web數據挖掘技術于SCRM，挖掘出海量信息中的價值顯得尤為重要，文章在前面學者研究的基礎上，結合社交媒體用戶數據收集為例，探究了Web數據挖掘技術在SCRM中的具體應用，為正在使用SCRM的企業提供參考。

2 Web數據挖掘技術

在Web數據挖掘出現前，數據挖掘的技術就已在CRM中得以廣泛地應用，它通過從數據源中探尋有用的模式或知識進而挖掘出信息可利用價值。數據挖掘用到的理論與技術非常豐富，包括信息檢索、可視化、概率統計、機器學習、人工智能等。

隨著環境的變化，網絡上的數據變得更加難以收集，信息的種類多樣，面對海量數據人們對其價值的需求仍在不斷增強，這也促使了Web數據挖掘的流行。Web數據挖掘并非傳統數據挖掘的應用，而是對前者的繼承與發展，它涵蓋了數據挖掘技術的理念與技術，并在此基礎上發展了新的算法與任務。

Web挖掘過程與數據挖掘過程比較相似，不同之處在于Web數據挖掘的數據項收集是項艱巨而復雜的工作，且后期數據處理用到的具體技術與數據挖掘有較大區別。Web數據挖掘的應用范圍十分廣泛，包括市場營銷、銷售與客戶關系管理等。

根據挖掘過程中所針對的對象分類，Web數據挖掘可以被分為Web使用挖掘、Web結構挖掘和Web內容挖掘。文章將從Web使用挖掘收集客戶特征、Web結構挖掘識別“重要”客戶、Web內容挖掘處理抱怨三個方面介紹Web數據挖掘技術于SCRM的應用。

3 Web數據挖掘技術在社會化客戶關系管理中應用

3.1 Web使用挖掘收集客戶特征

Web使用挖掘是自動發現和分析模式，這些模式來自于收集的點擊流和相關數據或用戶與一個或多個網站互動的結果。其主要目的是捕獲、建模并分析用戶與網站之間的交互行為模式。一般可以得到的用戶頻繁訪問的頁面、對象或者資源。用挖掘的數據來源主要是使用記錄數據、內容數據、結構數據以及用戶數據。

使用記錄數據是被Web和應用服務器自動收集的日志數據，它很具體地表現了用戶在不同頁面中的跳轉、連接行為。每條日志記錄可能包含的信息很多，包括HTTP服務器訪問請求的時間與日期、用戶客戶端的IP地址、所請需求的資源的地址等。

當收集到客戶所處社交網絡中的這些半結構化的數據后，就可以有針對性地分析客戶對話題的參與程度、傳播話題的頻率，進一步可以分析用戶更傾向于哪類形式的網絡交互及其交互的習慣，包括瀏覽、評論、購物等事務經常發生時間段等。

電子商務網站淘寶網利用Web數據挖掘分析得到網絡消費者在每周二登陸賬號、瀏覽商品并下單的頻次顯著高于其他時間，并將此信息公開給淘寶商家輔助其做出經營策略。為了迎合消費者的購物心理及習慣，淘寶上大多數商家都會選擇在每周二進行商品上新，或者做促銷活動，以吸引消費者購買。這就是一個利用Web使用挖掘收集用戶特征的典型案例。

網絡時代，消費者面對的信息渠道眾多，通過Web數據挖掘，發現用戶性格及習慣上的特征有助于企業發起用戶感興趣的話題與互動，從眾多同類信息中脫穎而出，與客戶建立深層次互動，留下良好而深刻的印象。

3.2 Web結構挖掘識別重要客戶

Web結構挖掘是在表示Web結構的超鏈接中找出有用的信息，包括這些網站之間的拓撲結構，網站質量及重要程度等，一般會以網站的鏈入鏈接數量及與之相連的網站質量等指標來衡量。

類似的，企業可以通過這種技術來分析出客戶在社交網絡中所處的位置及其重要性。企業可以按照自己的需求來設計爬蟲，捕獲所需要的信息。以新浪微博為例，收集帶有“戶外”和“80后”標簽的微博賬號，抓取其之間的連接關系。將每一位用戶抽象成一個節點，他們之間的關注關系抽象為節點之間的連邊，這樣就可以抽象出一張網絡。在這張網絡中可以揭示熱愛戶外運動，年齡在30歲左右的這樣一個群體之間的聯系。每個節點在網絡中都占據著特殊的位置，可以分析出周圍的連接數量龐大的中心節點，這樣的節點在網絡中影響較大，其所傳遞的信息或觀點能夠在網絡中迅速地擴散與傳播，我們認為這樣的節點在網絡中相對更重要。

在社交媒體的框架下，過去簡單按客戶購買記錄的方式判斷客戶重要性已不再適用。社交網絡上，不同客戶在網絡中所處節點的位置也是一種資本。在考慮客戶重要程度與關系維護的投資時，需要加入該因素再衡量，通過Web結構挖掘找出客戶關系網絡中需要高度關注的重要客戶。

3.3 Web內容挖掘處理抱怨

Web內容挖掘主要是從網頁內容中收集、分析及提煉有用信息，這里涉及到的技術更為復雜與寬泛。

在社交網絡中要對用戶的評論、博文、回帖等內容進行挖掘用戶的觀點或態度，不僅具有技術挑戰性，也對客戶關系管理具有很大的實際意義。因為在社交網絡背景下，用戶抱怨的發泄渠道與以往不同，他們可以在短時間內通過Twitter、Facebook、微信、微博等社交媒體傳達自己情緒。企業不能再向過去一樣等待著客戶通過電話、郵件等方式主動向企業反饋信息，而需要主動、實時地分析與跟蹤客戶們對產品與服務的看法。

這里可以運用Web內容挖掘技術來面向社區收集非結構化數據，進行觀點挖掘，把握客戶意見。其中的技術較為復雜，現在已經有比較強大的工具可供企業直接使用，比如Google Alerts、Spy、Social Mention等工具就可以收集新聞、網頁、博客、微博、視頻等不同渠道的關于企業評論的信息。

這里以Social Mention為例。簡單介紹內容挖掘在SCRM中的應用。企業可以根據自身需求，在檢索框中直接輸入關鍵詞，可以選擇搜索的范圍，點擊回車就可以得到所有規定范圍內提及過該詞的文本所在網頁如圖1所示。當然，這樣檢索出來的數據是比較全的，但噪音也比較大，需要進行篩選、分詞及語義分析。在檢索結果頁面的左邊呈現有很多直接分析出來的信息結果，可以給企業提供一定的參考。

圖1 Social Mention探索界面

這樣有助于企業及時地了解客戶看法，全面地收集用戶抱怨，更好地應對社交網絡中的負面輿論，面向社區與個人迅速響應并反饋，從而改進產品與服務質量。

4 總結

文章從Web使用挖掘、Web結構挖掘及Web內容挖掘三個方面介紹Web數據挖掘技術在SCRM中的應用。這里探討的三個方面不能割裂開來看待，它們之間是相互配合與協同的關系。

比如通過Web結構挖掘分析出哪些客戶是非常有影響力的節點后，結合Web使用挖掘，有針對性地向重要客戶們推薦商品，設計有趣的互動，通過個性化的服務與豐富的體驗加強與客戶之間的合作關系，延長客戶保持的時間，并讓這些重要節點成為企業的獵犬，然后運用Web內容挖掘及時掌握用戶們對產品、服務及活動的反饋信息，包括其態度、情緒、積極性等等，進而改進體驗，有利于形成良性循環。

互聯網與社交媒體的出現給企業帶來了機遇與挑戰，企業重視并應靈活運用信息技術手段更好地在社交網絡時代下保持進行客戶關系管理。

參考文獻

[1]Paul Greenberg.Social CRM Comes of Age[Z].Sponsored by Oracal.

[2]李霞.Web內容挖掘在企業電子商務網站的應用研究[J].網絡財富，2015，（5）：130.

[3]張倩.應用Web數據挖掘技術捕獲網絡檔案信息資源的個性化服務研究[J].檔案與建設，2008，（7）：1518.

[4]郭世龍，王晨升.主題爬蟲設計與實現[J].軟件，2013，34（12）：107109.

[5]王錚，張君玉.Web用法挖掘數據采集方案的優化設計[J].中國科學院研究生院學報，2008，25（4）：445451.

[6]孫靜.數據挖掘中基于最小遺憾度的偏好感知算法[J].計算機應用與軟件，2015，23（5）：5964.

[7]J.Srivastava，R.Cooley，M.Deshpande，and P.Tan.Web Usage Mining： Discovery and Application of Ussage Patterns from Web Data[J].SIGKDD Explorations，2000，1（2）：1223.

[8]Bing Liu.Web數據挖掘[M].北京：清華大學出版社，2009：323334.