一、应用现状 市场竞争就是企业争夺客户资源的竞争，企业要实现盈利必须依赖于客户，要在市场竞争中保持优势和长期稳定发展，必须重视客户的个性化需求，深入挖掘客户价值才能达到企业-客户双赢的目的。因此，CRM越来越受到企业的青睐，通过CRM以及多种业务系统的数据采集，采用数据挖掘的方式，可以产生一些所需要的信息，例如通过挖掘客户的消费信息，可以有针对性地进行服务，在物流方面，可以提供缩短订货周期、提高物流效率、减少货损货差和进行个性化、定制化的物流服务。[1] 二、存在的不足 相较于传统的客户价值分析方法，ABC分类法、因素组合分类法、客户价值矩阵法等，其在数据的挖掘方面存在明显不足，具体表现在如下几个方面： 1.对顾客需求变化的把握不足。在我国的一些大中型城市，零售行业已经历了趋近饱和、竞争同质化的一个时期，正开始跨入新一轮消费升级的成熟期，根据ACNielsen的一项市场调查，我国大城市中各个收入阶层在零售业渠道的花费是比较均衡，其中大型卖场和超市两者渠道占有率超过了80%[2]。参考日本和台湾的零售业的发展经验，随着城市人口人均年收入日益增长，消费者对价格的敏感度会降低，更为认同时间价值，更加关注享受到的服务质量。也就是说，顾客变得更挑剔，如果不能及时地追踪发现顾客需求的变化，零售行业企业可能面临着严重的客户流失问题。 2.物流业总体水平落后。目前我国物流产业仍处在初级阶段，2010年，我国社会物流总费用与GDP的比率为17.8%，这个比例比发达国家高了许多，影响了国民经济效益的提高。而目前我国物流业界缺乏重量级的企业，大大小小的物流公司各自为战，无序发展，尤其是许多销售终端企业纷纷自建配送中心和仓库，造成了大量重复建设，而物流的社会化需求不足。例如我国产品销售物流中，采用第三方物流的比例仅为16.1%。很显然，缺少大规模的现代化物流企业，物流信息数据挖掘的难度也很大。 3.停留在静态数据分析阶段。目前国内销售终端企业对客户信息进行数据挖掘大多采用报表系统，属于静态的统计分析，在操作过程中存在一定的延迟性和孤立性，而比这更严重却又普遍存在的一个重要问题是：执行数据挖掘的信息化部门严重缺乏与业务经营有关的业务知识，业务部门则缺乏将业务特性经验贡献出来，并输入到信息系统中的意识，而且部门之间的沟通也普遍不够通畅，这样就容易造成数据挖掘的困局，挖掘出的“知识”无法给出合理的业务解释，只能作为陈设。在进行数据分析的时候，信息化部门与业务部门之间的沟通十分重要，必须将技术资源与业务资源相融合，让信息部门参与到业务部门的管理中去。 三、基于数据挖掘-聚类的客户价值分析方法及策略 如上所述，传统的客户分析方法一般只能满足企业某些方面的需要，企业应该根据不同的需要，综合使用不同的分析方法。随着客户资料的不断增加，传统的客户分析方法显示出明显的不足。因此，有必要进一步优化现有的CRM模型，做好数据挖掘工作，即采用聚类的客户价值分析方法及策略，以期最大限度地利用客户数据，从不同维度进行客户分析，从而增加客户分析的准确度。其具体操作步骤如下： 1.确立客户价值评价原则。首先从研究问题的目的出发，进行指标体系的选取，选取的指标要尽可能反映研究对象的各个方面，且不具有偏向性，其变化应存在规律性，受偶然因素干扰就会发生剧烈变化的指标不宜入选，并且这些评价指标应是可行的，即指标数据易得且真实准确。构建指标体系必须将定性分析与定量分析结合起来，评价指标体系必须采用科学、准确的元素和结构，运用合理的指标计算方法。分层次建立综合评价指标体系，为进一步的因素分析创造条件。 2.确立客户价值评价体系。为了能更准确地评估客户价值，本案例在构建指标体系时，采用定性与定量计算相结合的方法，尝试构建一个客户价值评价的多层次指标体系，本模型不仅考虑了客户的当前价值，还看重客户的潜在价值，以期得到更准备、更优预见性的评估指标体系。 3.运用K-means对客户价值进行分类。接着采用K-means聚类算法来分析客户评价指标体系。值得注意的是，在进行聚类分析时，需要对存在着不同量纲、不同数量级的变量采用归一化等方式进行数据转换，使这些变量具有可比性[3]。 4.客户价值分析结果。经过以上步骤之后，可以采用四象限法进行客户价值分类，分类结果如图1所示。
由上图可知，根据客户的潜在价值和当前价值的高低可以将客户分为四种类型：低价值客户、潜力价值客户、次价值客户和高价值客户。分类结果可以对决策进行支持[4]。 四、CRM模型引入数据挖掘技术对物流管理的意义 通过数据挖掘给出的客户价值聚类结果，销售终端企业能更准确地把握客户真正的价值，更有效地利用其有限的企业资源。 对于低价值客户，其当前价值和潜在价值都较低，企业应对这类客户限定资源输出，在物流服务上，可以对其订单进行普通处理。例如可以按照本企业常用的缺货水平进行货物分拨，以维持较低的库存水平。
