随着信息技术的发展，人们采集数据的手段越来越丰富，由此积累的数据日益膨胀，数据量达到gb甚至tb级，而且高位数据也成为了主流，于是数据挖掘这一融合多种分析手段，从大量数据中发现有用知识的方法就应运而生了，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，在客户内在需求管理中，数据挖掘正在起着导向的作用。
一、以客户为中心的数据分析框架思想
信息时代到今天已经发生了三个变迁，从80年代的硬件时代，到90年代的软件时代，到2000年开始的客户为中心的信息时代。
我们也在这个阶段看到了服务业的竞争也发生了翻天覆地的变化——从以服务内容取胜，到服务渠道取胜，到现阶段的客户体验取胜。
1、从客户视角构建业务框架
从宏观视角看，业务战略方向逐渐深入以客户为中心的思想，从微观视角看，在客户为中心的思想驱动下，企业需要进行一整套的机制流程改变，包括客户为中心的数据挖掘与分析，客户为中心的业务规划，客户为中心的营销规划，客户为中心的设计，客户为中心的绩效体系构建等。
传统业务规划我们通常只考虑业务之间的逻辑关系，较小的考虑客户操作视角中形成的一连串的心理反映、行为特征、价值取向等等，而在客户为中心的业务规划中，客户的每个操作都需要详细分析，记录在案，通过行为轨迹综合分析客户心理特征，所以能够更有效的促进客户完成业务，以下为传统业务规划和客户为中心的业务规划的两个对比：
（1）传统业务规划
①大脑风暴构建业务流程，从业务规划者角度而非客户角度出发。
②我们不知道客户需要什么，更糟糕的是客户可能也不知道。
③每个环节都存在客户流失，而我们不知道发生了什么。
④客户每次点击都是营销机会，但是我们错过了每一次机会。
⑤客户在每一个环节都错过了本来他可能会购买的商品。
⑥当客户离开时我们永久的失去了该客户，没有留下有价值的信息。
（2）从客户视角构建业务框架
①以客户为中心的思维方式构建业务框架。
②系统需要满足不同类型的客户的个性化需求，其核心为数据挖掘和应用。
③系统需要协助客户达成实现客户期望，并帮助客户发现并实现潜在需求。
④系统需要智能寻找最佳的帮助时机，智能的进行客户协助。
⑤系统建设需要考虑未来系统的发展方向，其核心为客户需求挖掘。
2、业务及营销为中心的数据体系建设
今天的营销正在发生巨大的转变，客户需要更大的参与度，与企业更多的互动，特别在电子渠道中互动营销正在成为主角。
客户对企业的要求越来越高，对应的行为也在发生变化，而传统以推送方式为主体的营销方式不仅仅效率低下，而且使客户越来越厌恶，这充分体现在了营销转化率低下，客户拒绝率提升，满意度下降等数据上。
如果我们细心观察今天的广告价格，您可以发现今天的营销行为已经不再是把广告投放到“新媒体”那么简单，今天的营销人员必须找到出路，努力在多种高度互动的营销渠道中展开高级个性化和相关沟通，创造良好的客户体验，努力提升营销效率。
以购买为例，我们经过客户研究发现几个行为特征，消费者首先对产品开始感兴趣，此时销售人员虽然可以帮助客户，但是不宜直接对话，最佳方式通过系统智能的与消费者进行互动，帮助消费者决策，而当消费者产生了真正购买的冲动之后，消费者更愿意主动通过im方式与客服沟通形成购买行为。
所以，营销人员必须对整个每个营销时机有提前预估，这就要求我们在数据体系构建时，必须能够帮助营销人员统计客户变化情况，并且需要满足营销人员针对客户每时每刻不断变化的需求进行个性化营销定制的需求，协助营销人员展开精准营销活动。
①数据框架建设必须以业务及营销为中心
②数据框架建设需要满足现有的业务需求，并且需要尽可能满足未来业务发展的需求
③数据框架建设重点在于实现智能交互
④数据需要能够用于分析，判断，决策，使用
⑤数据框架建设需要能够反应出数据的变化趋势，协助业务的分析判断
二、数据分析框架的主要事件
主要事件事件描述分类根据业务的需要进行必要的分类，比如对客户评级的分类，aa等级或aaa等级估计根据业务数据判断的需要定义需要估计的数据和数据区间值，对业务进行补充和协助。
例如根据客户储蓄和投资行为估计客户投资风格预测根据数据的变化趋势预测数据的发展方向；例如根据历史投资数据帮助客户预测投资行情等数据分组根据业务需要对数据进行分组；例如购买a类的客户通常也会购买b类，购买a的客户后有一个b周期会产生c行为聚类数据集合的逻辑关系，比如同时拥有a特征和b特征的数据，可以推断出其也拥有c特征描述描述性数据有助于提取关键要素进行数据归纳；例如从数据关键词中进行近似业务营销，备忘录等复杂数据挖掘例如video，audio，图形图像等等。
1、分类（classification）
在业务构建中，最重要的分类一般是对客户数据的分类，主要用于精准营销。
通常分类数据最大的问题在于分类区间的规划，例如分类区间的颗粒度以及分类区间的区间界限等，分类区间的规划需要根据业务流来设定，而业务流的设计必须以客户需要为核心，因此，分类的核心思想在于能够完成满足客户需要的业务。
由于市场需求是变化的，分类通常也是变化的，例如银行业务中vip客户的储蓄区间。
2、估计（estimation）
通常数据估计是互动营销的基础，基于客户行为进行数据估计为基础进行互动营销已经被证实具有较高的业务转化率，银行业中通常通过客户数据估计客户对金融产品的偏好，电信业务和互联网业务则通常通过客户数据估计客户需要的相关服务或者估计客户的生命周期。
数据估计必须基于数据的细分和数据逻辑关联性，数据估计需要有较高的数据挖掘和数据分析水平。
3、预测（prediction）
根据数据变化趋势进行未来预测通常是非常有力的产品推广方式，例如证券业通常会推荐走势良好的股票，银行会根据客户的资本情况协助客户投资理财以达到某个未来预期，电信行业通常以服务使用的增长来判断业务扩张和收缩以及营销等。
数据预测通常是多个变量的共同结果，每组变量之间一般会存在某个相互联系的数值，我们根据每个变量的关系通常可以计算出数据预测值，并以此作为业务决策的依据展开后续行动。
4、数据分组（affinity grouping）
数据分组是精准营销的基础，当数据分组以客户特征为主要维度时，通常可以用于估计下一次行为的基础，例如通过客户使用的服务特征的需要来营销配套服务和工具，购买了a类产品的客户一般会有b行为等等。
数据分组的难点在于分组维度的合理性，通常其精确性取决于分组逻辑是否与客户行为特征一致。
5、聚类（clustering）
数据聚类是数据分析的重点项目之一，例如在健康管理系统中通过症状组合可以大致估计病人的疾病，在电信行业产品创新中客户使用的业务组合通常是构成服务套餐的重要依据，在银行业产品创新中客户投资行为聚合也是其金融产品创新的重要依据。
数据聚类的要点在于聚类维度选取的正确性，需要不断的实践来验证其可行性。
6、描述（description）
描述性数据的最大效用在于可以对事件进行详细归纳，通常很多细微的机会发现和灵感启迪来自于一些描述性的客户建议，同时客户更愿意通过描述性的方法来查询搜索等，这时就需要技术上通过较好的数据关联方法来协助客户。
描述性数据的使用难点在于大数据量下数据要素提取和归类，其核心在于要素提取规则以及归类方法，要素提取和归类是其能够被使用的基础。
7、复杂数据挖掘
复杂数据挖掘比如video，audio等，其要素目前依然难以通过技术手段提取，但也可以从上下文与语境中提取一些要素帮助聚类，例如重要客户标记了高度重要性的video一般优先权重也应该较高。
复杂数据的挖掘目前处理的方式一般通过数据录入的标准化来解决，核心在于数据录入标准体系的规划，马海祥建议为了整理的方便，初期规划是尽可能考虑完善，不仅仅适用现在，而且可以适用于未来。
三、从客户需求到业务
针对不同客户群体的特点和需求，我们也应有针对性的数据挖掘和分析，用个性化的服务赢得了广大客户。
1、客户为中心的业务规划思想
客户为中心的业务规划大致有三个环节：从客户研究到需求挖掘，从需求信息到数据化的需求管理，从需求文档到业务规划与设计。
客户为中心的业务规划不仅仅需要考虑业务需求是否能够满足需求的问题，还需要考虑到业务的变化趋势，业务的营销重点。
2、数据挖掘技术
对于客户数据的挖掘，我们可以通过以下几种方法来获取：
（1）clickstream data点击流数据
①直接访问数量
③访客地理位置
④点击流跟踪
（2）outcomes data结果型数据
①访客（初次访问数，访问总数，平均回访数，关注点）
②页面浏览（平均浏览数，总pv ，访问超过一页的访客比）
③时间（全局，人均）
④关键行为（如：注册，购买）
⑤转化率
（3）research data研究性数据
①客户研究
②启发式评估，客户体验测试
③客户属性（数据库分析）
④客户期望分析（从数据到服务）
（4）competitive data 竞争性数据
①“面”数据测量（大众分析）
②网络服务数据测量（行业分析）
③搜索引擎测量（舆情分析）
3、数据分析技术
对于数据分析技术，我们有可以分为初级数据分析和高级数据分析2种：
（1）初级数据分析
①click density analysis 点击密度分析
②visitor primary purpose 访客首要目的
③task completion rates 任务完成率
③数据估计值组合
④数据预期值组合
⑤聚类组合分析
⑥客户深层次研究
4、跨渠道的数据交互思想
①跨渠道数据交互一般服务或者营销为目的。
②跨渠道数据交互必须客户为中心。
③跨渠道数据交互能够给客户立体式体验，有效提升品牌体验。
5、基于数据的互动式业务规划
①基于数据交互的业务规划对象一般是一个系列产品或服务链条，通常广泛应用于通信业，银行业，保险业，零售业等。
②基于数据交互的业务规划必须以客户为中心，分析客户出现需求的各种时机，并智能匹配以产品或服务，其实现以数据挖掘为核心。
6、基于数据的互动式营销规划
基于数据的交互式营销主要指互动营销，核心思想为分析客户的特定时机需求，并根据该需求推荐相关产品或服务满足客户需要，广泛应用于各种行业。
基于数据交互的业务规划同样必须以客户为中心，分析客户出现需求的各种时机，并智能匹配以产品或服务，其实现同样以数据挖掘为核心。
7、数据预测
数据分析：对照a服务和b服务的使用记录，使用a服务的客户在1个月收益小于b服务，而3个月会产生收益大于b服务。
互动营销：建议需要1个月服务的客户使用b服务，建议需要3个月的客户使用a服务。
业务创新：面向需要两个月服务的客户开发非a非b的c类型服务。
udesk 精品文章
udesk功能专题
工单处理时间
每日5000+工单的解决之策
udesk系统之用户互动
通过udesk获取客户需求点
呼叫中心
如何用呼叫中心提升用户体验
下一代客服型呼叫中心发展方向
呼叫中心客服交流三大法宝
在呼叫中心成长：认知比行为更重要
突破呼叫中心，小企业客服的化蝶之路
如何正确利用呼叫中心来实现客服管理
客服系统
如何选择一款优秀的客服系统？
好的客服系统让客服成为企业行销利器
客服系统发展带来新的营销套路
从udesk看未来客服系统发展
移动互联网时代客服系统的变革之路
客服系统比企业更懂客户需求
客户服务
教你如何绕开他们踩过的“坑”
客户服务对企业影响有多大
洞察客户，创造更好的客户服务
未来的战役——“客户服务“之争
别再浪费时间和资源，客户服务这么做
什么是好的客户服务？
提升企业服务的5个技巧
客户管理
如何客户定位及管理？
是什么抢走了你客户的忠诚度？
搞定客户15招，忠诚才是你的拥护者
如何将你的客户转化为企业效益
将潜在客户转换成真实客户的4个秘诀
干货技能
如何晋升到呼叫中心管理层？
呼叫中心客服主管初入秘籍
客服中心服务质量提升——不妨这样做！
做客服3年，我学到了什么？
客户案例
海底捞为什么选择udesk客服系统？
星巴克高效内部沟通背�...