基于知识的客户关系管理中知识仓库系统研究与应用

摘要

随着CRM系统在企业中的应用，企业的业务数据库中积累了越来越多的客户数据，由于技术和观念的局限性，很多客户数据背后隐藏的信息和客户知识无法被快速有效地挖掘出来，如何将这些数据转化成对企业有用的信息并使其可以在企业间共享已经成为CRM系统的一个瓶颈问题。因此，本文提出应用知识管理的思想，对客户关系管理进行研究，应用知识管理领域的知识发现技术分析、挖掘出潜在的、有价值的信息和知识，用于支持决策，从而提高客户满意度、增强客户保留、提高企业盈利能力。本文比较系统地研究了基于知识的客户关系管理的相关理论和方法，对于基于KM的CRM的系统的实现技术做了初步的探讨，具有重要的理论与实践意义。
　　 本文从课题的研究背景出发，对客户关系管理以及知识管理的概念、特点以及国内外研究现状进行了归纳和总结，指出了目前存在的主要问题和不足，提出了基于知识的客户关系管理思想，分析了课题研究的理论与实践意义，为全文的研究奠定了基础。对CRM系统的知识仓库进行了系统的探讨，提出了基于本体知识仓库系统。创建了基于本体的知识模型，并以客户本体的语义模型为例介绍模型的具体创建过程。定义了本体的映射过程，从语法、属性、结构、实例四个方面进行相似性的计算，实现把本体库的实例映射到知识库的过程。在知识仓库的案例知识推理的过程中，采用基于本体的建模方式，案例本体可作为案例知识的一种通用表示模型，不但可以对案例知识进行有效表达，还可表达案例的特征、支持基于内容的检索。
　　 详细分析了客户细分的内涵和特点，鉴于网络信息化的深入应用给企业和客户带来的变化，扩宽了传统商务环境下的细分指标，创建了以客户价值为核心的动态指标体系，并采用层次分析法确定设置指标权重。针对客户细分知识发现模型采用的单一分类器存在的一些局限，提出建立基于SOM&SVM的组合分类器模型。通过实验比较，得出了组合模型对于分类器效能的提高具有很好的作用。
　　 为了支持客户行为分析中的交叉销售分析，针对现有经典关联规则挖掘算法在产生规则时的缺点，提出了具有利润约束的频繁模式树关联规则发现方法。该方法通过将原始交易数据库中的重要信息压缩在一个称为频繁模式树(FP-树)的数据结构中，来压缩数据的搜索空间。其特点是在挖掘过程中无需生成大量的候选集，能够有效减少数据库的扫描次数，提高规则的挖掘效率，并通过利润约束的设置避免产生大量无用的规则。并通过实例验证了该方法的有效性和实用性。
　　 针对BP算法存在的不足，提出了改进措施。用遗传算法优化神经网络，利用遗传算法全局寻优的特性来弥补BP算法收敛速度慢、易陷入局部最小点的缺点，从而达到快速寻优，精确预测的目的。并在优化前对传统的遗传算法进行了改进，改进后的遗传算法较改进前的遗传算法具有更好的收敛性，较好的解决了早熟收敛问题。并且通过实例对比分析验证了该方法的可行性和有效性。法的可行性和有效性。针对KCRM的计算机辅助支持问题，设计并开发了基于知识客户关系管理软件系统。阐述了该软件系统的体系结构，分析了该系统的功能模块组成，并结合应用实例介绍了该系统的实现过程。