數據挖掘在客戶全生命周期管理中的應用研究

王縱虎，劉速，楊文軍

數據挖掘在客戶全生命周期管理中的應用研究

王縱虎，劉速，楊文軍

隨著企業客戶信息和交易數據不斷積累，如何從這海量的數據中發現隱藏背后的有價值的客戶特征、消費行為特征、客戶價值等知識，從而更好地識別、獲取、發展、保持客戶，改進對客戶的服務水平，提高客戶的價值、滿意度和忠誠度，為客戶提供更好的服務的同時為企業帶來更多的利潤是每個企業都迫切關注的問題。介紹了客戶全生命周期各個階段的特點，總結了常用的客戶關系管理相關的典型分析場景，提出了數據挖掘如何切入客戶全生命周期各個階段，并對企業中進行數據挖掘需要注意的問題進行了思考。

客戶全生命周期；客戶細分；客戶價值

0　引言

隨著企業信息化建設的不斷深入，積累了大量的客戶信息及交易記錄等業務數據，數據已經成為各行各業的生產要素，這些數據背后往往隱含著客戶群體特征、客戶消費行為、客戶價值等重要信息，如何對這些數據進行挖掘分析得到有用的知識對實現企業決策方式從“業務驅動”向“數據驅動”轉型有著重要的意義。從目前的研究和應用來看，數據挖掘在客戶關系管理中應用極為普遍［1］，尤其是在金融、通信運營商、零售、保險行業，在客戶細分［2］、客戶價值分析［3］、客戶流失預測［4］等方面都有深入的研究和應用實踐。

在數據挖掘客戶全生命周期客戶關系管理中的應用方面：方蕾等［5］應用數據挖掘中決策樹算法，結合客戶生命周期定性研究的一些研究成果，構建了電信行業的客戶生命周期判定模型。齊佳音等［6］研究了基于客戶全生命周期管理的營銷管理體系，認為企業應該根據客戶關系的不同階段采取不同的營銷策略。在移動通信業CRM應用的研究在國外起步相對較早，已有很多成功的案例，如英國電信在客戶各周期將數據挖掘技術應用到客戶行為的分析、研究與預測中，并以此作為提升CRM水平的重要手段，在客戶發展期為了從營銷中獲得最大價值［7］。吳小紅［8］等以客戶為導向研究各種細分方法和技術，詳細介紹了基于客戶統計學、客戶行為、客戶價值和客戶生命周期的客戶細分方法。直接營銷專家Bob Stone提出了RFM模型，即企業從近期購買（Reeeney）、購買頻率（Frequeney）和購買金額（Monetary）三方面分析客戶，以識別最有價值的客戶匯。齊佳音等［9］提出了一種評價客戶－企業價值（客戶流向企業的價值）的充分價值評價體系，不僅能充分地反映客戶在現在和將來所能帶給企業的利潤的凈現值，還強調了銷售量與客戶帶給企業發展潛力的貢獻兩項指標的重要性。英國電信公司使用SPSS的數據挖掘產品Clementine建立模型來確定潛在客戶的購買傾向和他們變為用戶后可能的價值，該系統的應用使英國電信更好的了解客戶的特征，從而為銷售人員和營銷活動提供了“最佳客戶”清單，而且使得直郵回復提高了100%［10］。文獻［4］根據客戶流失預測研究的發展歷程和智能化程度的高低，將客戶流失預測研究劃分為基于傳統統計學、基于人工智能和基于統計學習理論的預測方法三個階段，并通過分析每個階段存在的問題提出了未來可研究的方向。

1　客戶全生命周期

客戶全生命周期理論是從動態角度研究客戶關系的重要工具［11］，可以清晰地洞察客戶關系隨時間變化的動態發展軌跡：客戶關系的發展是分階段的，不同的階段客戶的行為特征和為企業創造的利潤不同；不同階段驅動客戶關系的客戶主觀感知價值不同；企業在客戶生命周期的不同階段應有不同的關系投入及管理策略。通過對客戶生命周期的研究，可以更加清楚地了解客戶關系的價值及其發展特征，為企業的客戶關系管理提供有效的指導?？蛻絷P系管理用一句話總結便是：在最佳的時機，用最合適的價格對最合適的客戶提供最佳的商品或服務。因此如何通過數據挖掘識別、分析客戶各個生命周期階段中的行為和特點意義重大。企業所要做的是努力縮短考察階段，加快形成階段、延長穩定階段、避免退化階段。目前在國內影響較大的是陳明亮［12］提出的四階段客戶生命周期模型，將客戶生命周期劃分為考察期、形成期、穩定期和退化期四個階段。

1.1客戶考察期

考察期是客戶關系探索和試驗的階段，雙方相互了解不足、不確定性大是考察期的基本特征，評估對方的潛在價值和降低不確定性是這一階段的中心目標。企業的主要任務就是主動尋求客戶信息并向客戶提供企業的相關信息，雙方互相識別和評價，通過對營銷機會的捕捉、篩選、線索跟蹤和效果評估，識別客戶特征、找到潛在客戶、獲得新客戶。

1.2客戶形成期

形成期是客戶關系快速發展的階段，在這一階段， 企業對目標客戶開發成功后，客戶己經與企業發生業務往來，隨著雙方了解和信任的不斷加深，雙方交易不斷增加，相互依賴的范圍和深度也日益增加，逐漸認識到對方有能力提供令自己滿意的價值，雙方的風險承受意愿增加，愿意承諾一種長期關系。企業的投入和考察期相比要小得多，主要是發展投入，目的是進一步融洽與客戶的關系，提高客戶的滿意度、忠誠度，進一步擴大交易量。此時客戶已經開始為企業做貢獻，企業從客戶交易獲得的收入已經大于投入，開始盈利。但客戶尚未產生交叉購買意圖及推薦傾向，所以企業獲得的是基本購買收益和增加購買量的收益。該階段的主要任務是提升客戶價值，根據客戶貢獻率和潛在價值指標綜合評價客戶價值，并歸入相應的價值客戶類。企業在價值提升的同時，還應該結合客戶行為特征的維度，有針對性的實施策略，最終將客戶轉化為穩定的忠誠客戶。

1.3客戶穩定期

在這一階段，雙方或含蓄或明確地對持續長期關系作了保證，雙方對對方提供的價值高度滿意，交互依賴水平達到整個關系發展過程中的最高點，雙方關系處于一種相對穩定狀態，雙方為能長期維持穩定的關系都作了大量有形和無形投入，交易量很大，穩定期內客戶愿意支付較高的價格，帶給企業的利潤較大，而且由于客戶忠誠度的增加，企業將獲得良好的間接收益。在這一階段，客戶忠誠度增加，開始出現交叉購買及推薦行為。除了獲得基本購買收益和增加購買收益外，企業還可以獲得交叉銷售收益及推薦收益，其中推薦收益表現為新客戶開發成本的節約?？蛻粲绊懥υ酱螅扑]收益越多。因此保持客戶尤其是忠誠度較高的穩定客戶，對企業而言是客戶關系管理中的重要環節。此時，企業應該注重對客戶價值和消費模式的細分而采取針對性的客戶保持和提升策略。

1.4客戶退化期

退化期是關系發展過程中關系水平逆轉的階段，表現為客戶維系成本的增加，企業與客戶之間滿意度的不斷下降和交易量的驟減。事實上，這種關系的退化并不總是發生在穩定期后的第四階段，在任何一階段關系都可能退化，有些關系可能永遠越不過考察期，有些關系可能在形成期退化，而有些關系則越過考察期，形成期而進入穩定期，并在穩定期維持較長時間后退化。退化期的主要特征有：交易量下降，一方或雙方正在考慮結束關系甚至物色候選關系伙伴（供應商或客戶），開始交流結束關系的意圖等。

2　客戶關系管理中相關分析場景

隨著企業客戶信息和交易數據不斷積累，正是有了數據挖掘技術的支持，才能從這海量的數據中發現隱藏背后的有價值的客戶特征、消費行為特征、客戶價值等知識，從而更好地洞察和理解客戶，為有針對性地制定市場營銷及客戶服務戰略提供重要的決策依據。目前常見的客戶分析場景如下：

1）客戶細分

客戶細分又稱為客戶聚類分析，是指將客戶按照人口統計屬性、客戶價值、客戶消費行為特征等因素的相似程度分成不同的群組，使得同一客戶群體組內客戶相似度高，組間客戶差異明顯，并進一步刻畫各個群組中客戶的共同特征，生成可控的目標客戶群，發現各個細分的客戶特征畫像和需求，更好地識別不同客戶群體對企業的價值及需求，支持營銷人員針對不同細分的客戶群體特征實施差異化的營銷策略，為結合營銷自動化工具實現精準營銷提供決策支持，可使企業的資源更為有效配置，集中精力為高價值的客戶提供個性化服務，以達到資源的合理分配以及效益的最大化，提升企業的盈利能力和競爭優勢。

2）客戶價值分析

隨著“以客戶為中心”的理念逐漸被企業接受，洞察客戶并引導客戶的需求已成為企業客戶管理的重要課題，如何識別具有高價值的顧客，對企業的獲利來說至關重要。面對客戶的不同需求和企業有限的資源，企業只能將有限的資源用于最有價值和最需要服務的客戶。因此，企業必須進行有效的客戶細分和識別，可以通過按客戶細分或者RFM分析等來實現客戶的價值劃分，識別高價值客戶。

3）營銷響應分析

在促銷等營銷活動中，由于企業營銷活動的預算是有限的，因此必須找到可能購買該產品的客戶群進行促銷。如企業通常針對潛在客戶采用一系列促銷活動來獲取新客戶，由于潛在客戶的數量日益龐大，需要有針對性地完成潛在客戶的篩選工作。通常有下列方法可以刪選促銷客戶名單：隨機選擇客戶進行促銷活動推送；通過RFM分析選擇消費金額較大的客戶；根據過去的銷售經驗選擇客戶；構建數據挖掘預測模型來預測誰可能會響應促銷活動。我們可以使用數據挖掘技術完成潛在客戶的篩選，首先列出可能對產品感興趣的客戶名單，然后進行市場試驗活動或根據以前的促銷活動收集客戶的反應數據。客戶反應行為模式分為二元反應行為模式和多元反應行為模式。二元反應行為模式是將客戶的反應歸納成兩類：有或者無；而多元反應行為模式可以允許定義多種反應行為，如在積極的反應行為模式中可進一步分為客戶詢問、購買了推薦的產品、購買了沒有推薦的產品等，在消極的反應行為模式中可分為沒有反應或拒絕。市場推銷在很大程度上依賴于正確的信息。這些信息用于客戶保持活動、生命周期內的分析、趨勢預測和有針對性地促銷活動等。實際上，只有充分了解客戶，才能正確定位促銷活動，才能提高相應率，降低活動成本。最后可采用分類技術對客戶反應行為進行建模，并以此來對其他客戶的反應行為進行預測。

4）客戶消費行為分析

消費行為分析是指根據客戶消費歷史來分析客戶的消費時機與消費規律，從而實現客戶消費行為洞察，析客戶在區域和時間上的偏好。其主要目的是增加和豐富客戶的特征刻畫，提高對客戶在消費時空維度上的準確定位，如：客戶消費偏好刻畫了客戶的消費行為。如果客戶的消費偏好構成了公司的主要收入來源，如何刺激客戶的消費偏好就成為了一個非常重要的問題。不同的客戶群體有著不同的消費偏好?？蛻舻南M行為通常隱藏在每次交易的歷史記錄中。通過對客戶交易及基礎信息的分析，可以清楚的看到客戶的消費習慣，從而為市場營銷提供更加有效、多樣的客戶描述信息。同時針對消費行為異常的客戶，能進行預警和分析。

5）客戶識別

客戶識別是企業發現潛在客戶、獲取新客戶的過程。新客戶往往是以前沒有聽說過或者使用過企業產品的人、以前不需要企業產品的人甚至是競爭對手的客戶。由于企業對新客戶信息掌握的很少，所以企業一般通過一些手段（如廣告宣傳、促銷活動的同時進行調查問卷或者網上調查或者通過客戶經理上門拜訪等）來獲取客戶信息，這些信息應該包括客戶人口統計信息、經濟狀況、對產品的需求和購買偏好等。得到這些信息后，企業可以通過小范圍的實驗觀察潛在客戶對企業產品和促銷活動的不同反應，根據反饋結果建立預測模型，找到對產品感興趣的客戶群，發現適合不同客戶群的促銷方式。得到分析結果后，可以縮小下一步需要進行營銷活動來獲取的客戶范圍和促銷方式，提供營銷活動的精準性。

6）交叉銷售分析

交叉銷售是指向原有客戶銷售新的產品或服務的營銷過程，它不僅是通過滿足客戶對產品和服務的進一步需求以增加利潤的一個有效手段，而且是提升企業形象、培育客戶忠誠度、實現企業可持續發展的重要戰略。在交叉銷售活動中，關聯規則分析可以發現客戶傾向于同時購買哪些相關的商品，找出最優的銷售組合方式。客戶細分則可以發現對特定產品感興趣的客戶群。決策樹、神經網絡等方法能夠預測客戶購買新產品的可能性。通過分析客戶的消費行為數據，建立模型來預測客戶消費行為，以決定向客戶提供哪種交叉銷售方式最合適。

7）客戶流失分析

隨著行業競爭越來越激烈，而客戶保留的成本遠遠低于開發一個新客戶，及時發現高價值的有流失傾向的客戶并進行挽回變得越來越重要?？蛻袅魇Х治隹梢岳脭祿诰蚬ぞ邽橐呀浟魇У目蛻艚?，在模型中固化流失客戶的行為模式特征，然后預測當前客戶中流失傾向較高的客戶，同時分析客戶流失的原因，企業可以針對這些高流失傾向客戶的價值及時調整營銷和服務策略，針對客戶特點采取相應的挽留措施，達到保持原有客戶的目的，可以大大降低盲目爭取新客戶的成本。

8）客戶忠誠度分析

主要是對客戶的持久性 、牢固性和穩定性進行分析。持久性指客戶與企業持續交易的時間。牢固性反映了客戶受各種因素（價格、促銷、廣告宣傳）的影響程度。穩定性指客戶購買的頻率、周期和數量是否穩定。客戶忠誠度分析主要運用時序模式中的趨勢分析，包含趨勢走向、周期走向和周期變化規律等方面。通過趨勢分析可以了解客戶在過去一段時間的消費和消費隨時間的變化情況，同時還能預測客戶在未來一段時間內的消費趨勢。通過模型跟蹤客戶的忠誠度變化趨勢，對忠誠度較低的用戶提供“一對一”的服務，同時通過積分累積與積分兌換的方式提高客戶消費粘性，提升客戶價值，從而實現向高忠誠度的轉變；對忠誠度較高的用戶則實施積極的獎勵制度，達到提高整體客戶忠誠度的效果。比如大型超市通過會員的消費信息，如最近一次消費、消費頻率、消費金額三個指標對數據進行分析，可以預測出顧客忠誠度的變化，據此對價格、商品的種類以及銷售策略加以調整和更新，以便留住老顧客，吸引新顧客，進一步培養和維護客戶對企業產品或服務的忠誠度，延續客戶高價值時間的過程。

9）客戶滿意度分析

客戶滿意度就是度量客戶滿意水平的數據指標，目標在于將客戶滿意這一主觀感知進行量化。分析客戶對企業產品和服務的滿意度，可以幫助企業改進客戶營銷策略，從而增加客戶的忠誠度。利用數據挖掘技術和企業的數據倉庫中關于客戶對企業的產品和服務的反饋等信息，如服務整體狀況、服務質量、客戶接觸情況、客戶服務情況、滿意度調查、客戶投訴等數據，通過自定義的定量度量標準和公式，同時根據時間及其他參數可對客戶的滿意度進行量化評分，同時通過分析在客戶服務和生產經營中需要改進的事項，找出客戶不滿意的原因并制定針對性的客戶營銷策略，改善與客戶的關系，提高客戶忠誠度，從而增加企業的利潤。客戶滿意度這一衡量指標在現今以客戶為中心的市場背景下就變得越來越重要，已成為評價一個企業經營管理水平的重要指標，也是企業成敗的關鍵因素所在。

3　數據挖掘在客戶生命周期各階段的應用

在整個客戶生命周期中，不同階段有著不同的特點，每個階段都為客戶關系管理的數據挖掘提供了切入機會。如圖1所示：

圖1　數據挖掘在客戶全生命周期中的應用

客戶生命周期是中心主題，數據挖掘所支持的業務流程都圍繞著客戶生命周期來組織。

客戶細分、營銷響應分析貫穿客戶全生命周期的始終，客戶價值分析、客戶消費行為分析等分析結果可以作為客戶細分的維度。同時客戶基于客戶細分的結果在某一客戶群體進一步開展交叉銷售分析以及、營銷響應分析、消費行為分析等。客戶滿意度和忠誠度分析用于對現有客戶忠誠度進行跟蹤，可以對忠誠度下降的客戶進行預警，分析其下降的原因，同時可以為客戶流失分析提供分析的影響因素維度。不同的分析場景之間往往是互相補充、關聯的，貫穿于客戶全生命周期的多個階段。

在客戶考察期，通過客戶細分以及營銷響應分析，可以更加準確的定位目標潛在客戶群體，然后通過有效的營銷手段將潛在客戶轉變成真正的客戶，并降低營銷的成本。

在客戶形成期，通過客戶細分、客戶價值分析，發現高價值的客戶群體，通過營銷響應分析、客戶消費行為分析、客戶提升分析為潛在高價值客戶提供更具針對性的個性化服務和營銷手段，不斷提高客戶價值，同時通過客戶滿意度和忠誠度分析，提高客戶對企業的忠誠度，從而幫助企業獲得更多的利潤。

在客戶穩定期，通過客戶價值分析、客戶細分等發現高價值客戶群體，可以針對這一群體結合營銷響應分析、消費行為分析及價格敏感度分析，提供針對性的個性化服務，同時可以通過交叉銷售分析進行交叉銷售，向現有的客戶提供新的產品和服務，實現購買推薦和增量銷售。同時結合客戶滿意度分析和忠誠度分析，跟蹤客戶的忠誠度變化，分析客戶忠誠度下降原因，及時采取措施防止客戶流失。對客戶歷史交易行為的消費行為分析，警示客戶異常行為，并提出相應的對策建議?，F在的營銷環境下，企業實施市場細分的動因已不僅僅是要拓展企業經營的觸角和確定市場突破的方向，還應當強化企業與高價值客戶間的互動關系，其最終的目的是要通過增量銷售和交叉銷售的方式，來擴大企業的市場份額和客戶份額。這個時候就需要企業辨別出那些高價值的客戶。客戶價值特征主要包括客戶終身價值、忠誠度等。

在客戶退化期：通過客戶消費行為分析、客戶流失分析等，發現已經流失的客戶以及有高度流失傾向的客戶群體，通過客戶價值分析、客戶細分等，發現這部分客戶中的高價值客戶，根據客戶價值高低分為需挽留客戶和不需挽留客戶，對兩者分別采取客戶關系恢復策略和終止策略。通過營銷響應分析對高價值流失客戶進行優先的個性化營銷，實現客戶的挽回。根據已經存有的客戶流失數據進行分析，將相關數據如客戶屬性、服務屬性、客戶消費等與客戶流失概率建立相關聯的數學模型，找出其內在聯系，明確其內在規律。然后通過分析流失客戶特征，發現客戶流失原因。針對未流失客戶，通過比對已流失客戶的特征，發現其中具有高流失傾向的客戶。針對已流失和高流失傾向客戶，同時考慮客戶價值等因素，采取一定的營銷和挽回措施，使客戶的忠誠度提高，盡量減少客戶的流失。這就使以往存在的不能對流失客戶進行原因分析的情況得到了大大的改善。

4　結論

結合目前在企業中客戶分析業務需求和客戶分析模型開發中遇到的問題，有以下幾個方面值得注意：

1）模型開發的各階段應該加強與業務人員的溝通

在開始模型開發之前需要深入調研，了解數據和業務人員的實際需求、存在問題。在解決業務問題時，真正關鍵的環節是業務需求的分析理解過程，數據挖掘所追求的是分析結果否符合實際的業務情況，能否為業務人員帶來幫助。在模型開發獲得一定結果后，也需要與業務人員進行交流，根據他們的業務經驗判斷分析結果是否合理，經得業務人員實踐的考證和評估后進一步改進模型，使挖掘工作及挖掘結果更好的適應實際業務的需要。

2）需要認真考慮數據挖掘的結果如何應用于企業實踐

整個數據挖掘項目的成功不僅僅取決于數據挖掘模型的成功構建，更重要的是如何將挖掘出的結果應用到企業的營銷實踐中去，能夠指導企業的經營據測，這樣才能實現價值。分析的結果需要通過合適的可視化技術和渠道，呈現給業務人員使用，最好能融入到業務流程中，幫助業務人員養成通過數據進行決策的習慣。

3）需要對各種數據進行整合，并高度重視數據質量

企業各類業務數據往往存在于不同的信息系統中，各系統之間數據互相隔離，往往存在著信息孤島，因此需要搭建統一的數據倉庫，實現數據的整合和共享?？蛻魯祿?、交易數據等的質量直接影響著分析的結果，缺失、錯誤的數據甚至可能導致產生錯誤的規則，數據質量是保證數據應用的基礎，因此要加強數據質量的影響因素：信息因素、技術因素、流程因素和管理因素的管理，保證數據的完整性、一致性、準確性、及時性，如加油站客戶信息的采集質量問題等需要高度重視。

4）模型的改進是持續的過程

模型建立是一個反復的過程，模型具有使用時限的，隨著交易和客戶數據的的不斷變化的，包括模型使用者的需求也是在不斷變化的，數據挖掘是具有動態性特點的，模型不能一勞永逸地解決所有的問題，隨著數據和目標發生改變時，模型也需要進行適時的調整甚至是重建。如由于各個地區公司的特點不同，一個模型可能不能適用所有地區公司，因此需要為每個地區公司訓練各自的模型。

5）借助大數據平臺對海量數據進行分析

隨著企業的發展，積累的交易和客戶數據越來越多，逐漸從GB級別向TB級別轉變，傳統的數據庫和數據分析軟件從性能上逐漸無法支撐海量數據的管理和分析挖掘。這時就需要借助目前的大數據分析平臺對海量數據進行有效管理，通過通過Hadoop、Mapreduce、Spark、Mahout等新技術實現對海量數據的分析和處理能力。

［1］ 董寧.數據挖掘技術在CRM 中的應用［J］.計算機工程與應用，2007，28（6）：1429-1431.

［2］ 鄭國榮，張鄭禮，郭鵬，等. 聚類分析在電信消費模式中的應用［J ］. 重慶大學學報：自然科學版， 2006， 29 （4） ： 119 -121.

［3］ 蔣國瑞，劉沛，黃梯云. 一種基于 AHP 方法的客戶價值細分研究［J］. 計算機工程與應用.2007，43（8）：238-241.

［4］ 于小兵，曹杰，鞏在武.客戶流失問題研究綜述.計算機集成制造系統［J］.2012，18（10）：2254-2259

［5］ 方蕾， 王金桃. 數據挖掘在客戶生命周期中的應用研究［D］. 武漢理工大學學報（信息與管理工程版），2008，30（4）：613-615.

［6］ 齊佳音，舒華英.電信業顧客價值研究的緊迫性及方向探討［J］.電信科學，2003，19（6）：1-6.

［7］ 郭道寧，舒華英.數據挖掘在電信運營市場決策支持中的應用［J］.北京郵電大學學報（社會利學版），2004，（2）：28-32.

［8］ 吳小紅. 綜述客戶細分的方法與技術［J］.科技前沿.2012，1：110-111.

［9］ 齊佳音，韓新民，李懷祖.一種新的客戶-企業價值評價體系的設計［J］.管理工程學報，2002，16（4）：4-8.

［10］ 魯義軒.英國電信中國推銷新一代CRM［J］.通信世界，2007，（44）：3.

［11］ 吳琳林.基于客戶生命周期的客戶關系管理策略研究［D］.北京交通大學碩士學位論文.2004.

［12］ 陳明亮.客戶生命周期模式研究［J］ .浙江大學學報：人文社會科學版， 2002， 32（6）：88 -90.

Research on Application of Data Mining in Customer Full Life Circle Management

Wang Zonghu1，2， Liu Su2， Yang Wenjun2
（1. Renmin University of China， Beijing 100872， China；2. China Petroleum and Petrochemical Engineering Institute of PetroChina Co Ltd.， Beijing 100083， China）

With the continuous increasing of customer information and transaction data， it becomes a pressing concern of each company that how to find the covered valuable information in the massive data， such as customer characteristics， consumption behavior characteristics and customer value， to indentify， obtain， develop and maintain customers， to promote service level， to improve customer value， satisfaction and loyalty， and to provide customers with better services. This paper introduces the Characteristics of different stages in the customer full life circle， and summarizes the correlative typical analysis scenes of the common customer relation management. After that， it points out how to make the data mining involve in the customer full life circle， and then thinks about the problems needed to be concerned in the data mining of the companies.

Customer Full Life Circle； Customer Segments； Customer Value

TP391

A

1007-757X（2016）06-0073-04

2016.01.20）

王縱虎（1984-），男，中國人民大學，站博士后，中國石油規劃總院，工程師。研究方向：數據挖掘，大數據分析，客戶消費行為分析，北京，1000083

劉 速（1984-），女，中國石油規劃總院，工程師，博士，研究方向：數據挖掘，商務智能，北京，102206

楊文軍（1977-），男，中國石油規劃總院，高級工程師，博士，研究方向：數據挖掘，北京，102206