网络化制造环境下分析型CRM模式的产品推荐系统

网络化制造环境下分析型CRM模式的产品推荐系统：0 引 言

利用计算机网络所具有的优势对企业产品及营销进行网络化管理，已成为现代制造业发展的必然趋势，个性化服务是Web站点在设计和功能上向智能化发展的体现，同时也是与现代客户关系管理(Customer Relationship Management，CRM)思想相结合的体现，它可广泛应用于制造业企业的产品服务和供应链管理，目前已受到广泛的重视、开发和应用。网络化制造环境下的产品推荐系统是借助先进的信息技术和管理思想整合产品和客户信息资源，实现产品信息和客户资源的共享，为客户提供一对一的个性化服务、改进客户的价值、客户的满意度、客户的忠诚度以及企业的赢利能力，并保持和吸引更多的客户。

实现这些目标，就有必要分析用户行为模式，提升用户兴趣，优化网站架构，充分应用CRM管理技术和Web领域的信息检索、挖掘技术。当前，在制造业企业的产品生产、管理和销售中，以“客户为中心”的核心思想通过Web个性化服务这一手段得到了有效的体现，本文主要采用分析型CRM研究模式对企业产品的个性化推荐系统进行分析与设计。

　　1 分析型CRM模式的Web服务

1.1 面向用户的Web个性化服务

Web个性化服务的实质是以用户及用户需求为中心，针对不同用户提供不同的服务策略和内容的Web服务。Web个性化服务通过收集和分析用户信息来学习用户的兴趣和行为，进而实现主动推荐等相关个性化服务。通过网络个性化系统提供的个性化服务不仅可以减轻用户“信息过载”的困境，而且可以帮助企业建立友好的客户关系。因此，Web个性化服务是一种集先进的网络技术和现代CRM管理技术为一体的服务模式。

1.2 CRM及分析型CRM技术

CRM源于以客户为中心的管理思想，它是企业发现、获取、保持和增加可获利客户的过程。在实践中，它是技术手段和管理方法相互作用的过程，体现为相应的管理软件和一系列技术。CRM主要运用统计学和数据挖掘技术对海量的客户信息进行数据驱动的分析，细分市场得到典型客户分类，并采取针对性的经营策略提高效率、降低成本。CRM的研究有三种层次类型：操作型CRM(Operational CRM)、协作型CRM(Collaborative CRM)和分析型CRM(Analytical CRM)。

操作型CRM是对于客户所接触的前端办公业务流程进行自动化操作，指行业内各专业基础支撑系统;协作型CRM又称为渠道型CRM，除了传统的面对面现场服务外，与客户的接触渠道还有呼叫中心、传真、电子邮件等其它交互途径;分析型CRM提供了对数据进行进一步整理、挖掘和分析的系统平台。

分析型CRM系统的开发与应用是当前的主要研究方向。它以数据仓库、OLAP(On-Line Analysis Processing)、数据挖掘技术以及有关统计学模型为基础，进行客户背景分析、客户消费模式分析、客户分类分析、客户收益分析、产品收益分析、市场分析及风险预测。提供客户画像分类，既可以按照事先设定的标准找到符合条件的客户群，也可以把客户进行聚类分析而让其“自然”分群，通过客户画像确定客户消费和业务趋向。

1.3 分析型CRM模式的个性化服务

分析型CRM系统的技术核心是数据挖掘技术。由于海量Web信息的存在，使得Web服务成为一种信息高度密集型的服务领域。CRM模式的Web服务就是其在互联网领域的一种典型应用，并且CRM管理技术和网络技术这两者相结合的出发点均以“用户为中心”，体现为个性化的服务。

Web个性化服务分为两个阶段：首先是根据Web访问日志文件分析用户历史访问内容，确定用户会话记录并挖掘用户的个性化信息，如用户聚类、Web页面聚类、频繁访问路径发现等;然后是利用基于内容的Web推荐系统(Web Recommending)，通过挖掘到的用户个性化信息将用户访问模式需求同URL结合，通过用户群的相似性进行Web页面访问预测及内容推荐。

网络化制造环境下分析型CRM模式的产品推荐系统：2 个性化服务的分析型CRM体系

2.1 CRM模式下的Web使用挖掘技术

Web挖掘(Web mining)是传统的数据挖掘技术与Web技术的结合，它是指：从与WWW相关的资源和行为中抽取感兴趣的、有用的模式和隐含信息。从性质上，Web挖掘可分为3类：Web内容挖掘、Web结构挖掘及Web使用挖掘。Web内容挖掘是从文档内容或其描述中抽取内容，例如文本挖掘(包括text，HTML，XML等格式)和多媒体挖掘(包括image，audio，video等媒体类型);Web结构挖掘是从WWw的组织结构和链接关系中推导知识;Web使用挖掘是从用户的网络行为(Web访问记录等)中抽取用户感兴趣的模式。

在上述三类Web挖掘中，Web使用挖掘最大程度地体现了分析型CRM的思想。Web使用挖掘一般包括：数据收集、数据预处理、模式发现和评价运用几个阶段，它通过对用户浏览网站的使用数据收集、分析和处理，建立起用户行为和兴趣模型，这些模型可以帮助理解用户行为，改进站点结构以及为用户提供良好的个性化信息服务。

由于个性化推荐所面临的关键问题是需要对大量非注册用户的行为模型进行深层理解，传统的协同过滤方法很难处理非注册用户的情况，Web使用挖掘能较好处理这类问题;传统的建模采用基于使用数据的静态建模，借助于Web使用挖掘可以转换到动态建模，即基于用户操作行为的建模。因此，基于Web使用挖掘建立的个性化系统是实现良好个性化服务的一个有效途径。

2.2 关键算法

挖掘算法实施阶段的任务是通过挖掘算法产生规则和模式。这一阶段既包括了一般的统计，如每页的访问数、最频繁访问的页面、每页的平均浏览时间等，还包括其它的一些挖掘算法，如序列模式、关联规则、聚类和分类等。这些挖掘算法在Web个性化服务系统中得到了广泛的应用，以用户为核心的基于CRM的分析技术及应用如表1所示。

表1 个性化服务系统中的CRM分析技术

在分析型CRM体系中，聚类分析是最为常用的关键技术之一。聚类分析是将没有分类的记录，在不知道应分成几类的情况下，按照数据内在的差异性大小，合理地划分成几类，并确定每个记录所属类别。并且，属于同一类别的个体之间的距离尽可能的小，而不同类别的个体间的距离尽可能的大。聚类算法可以分为以下几大类：分裂法、层次法、基于密度的方法、基于网格的方法和基于模型的方法等。目前，研究者从不同角度提出了大量的聚类算法，一些常见的聚类算法有：BIRCH算法(平衡迭代削减聚类法)、CURE算法(使用代表点的聚类方法)、DBSCAN算法(基于高密度的聚类算法)、CLIQUE算法(自动子空间聚类算法)等。

Web使用挖掘中主要采用用户聚类和页面聚类技术。用户聚类是把用户划分为多个组，具有相似浏览模式的用户分在一组：页面聚类则是找出具有相关内容的网页组，根据用户的询问或过去所需信息的历史来生成静态或动态网页，从而向用户推荐相关的超链接。

分类分析也是一种常用的技术，分类方法是通过分析样本用户数据库中的数据，为每个类别做出准确的描述，或建立分类模型，或挖掘出分类规则，然后用这个分类规则对其它用户记录进行分类。分类模型的构造方法包括统计方法(如贝叶斯方法)、机器学习方法(如决策树方法)、神经网络方法、粗集方法和遗传算法等。

　　3 基于CRM模式的个性化服务应用系统

3.1 制造业企业产品个性化推荐系统

企业站点的产品推荐系统(Recommendation Systems)是利用统计学、人工智能、数据挖掘等技术，结合分析型CRM管理技术，分析访问者在电子商务网站的访问行为，产生有可能使客户感兴趣的产品信息的推荐结果，引导顾客的购买行为，从而产生可观的利润。

在产品推荐系统中，个性化网站由Web服务器、推荐引擎和推荐集三部分组成，其服务目的是将网页的内容从原来的以“网站”为中心转变成以“客户”为中心，尽可能自动调整以迎合每个客户的浏览兴趣与购买模式.制造业企业站点的个性化产品推荐系统模型如图1所示。其中，数据采集层进行客户个性数据的收集，数据对象即为Web挖掘的源数据，包括：Web服务器或proxy端的日志、客户登记信息和交易数据库。

数据处理层对源数据进行处理，从目志文件中可以获取诸如客户群组聚类、页面聚类及访问路径等信息;从客户登记信息中可以获取与客户兴趣内容相关的信息;以交易数据库为基础可以建立面向主题(subject-oriented)的数据仓库。

图1 制造业企业产品个性化推荐系统模型

经过处理后的数据由数据存储层进行保存和管理，其中的Web挖掘应用系统主要有三类存储方式：关系数据库、数据仓库和事务数据库。面向电子商务的Web挖掘有以下模式可被发现：关联规则挖掘、路径分析、序列模式挖掘以及聚类和分类分析。

3.2 兴趣模型及满意度评价

以上产品推荐系统是通过分析客户行为数据，建立表示客户行为的模型，并充分利用模型对其它客户推荐有兴趣购买的产品信息。随着电子商务网站规模的扩大，推荐系统中的访问者对象和属性维数变得越来越大，会导致推荐系统的效率和推荐质量的下降。因此，兴趣模型的建立对预测访问者的兴趣并产生高质量的推荐结果具有重要的意义。在可能产生的模式中，只有一小分是真正令客户感兴趣的，一般地，每个兴趣度度量都与一个阈值相关联，该阈值可以由用户控制。为了有效地发现有价值的模式，兴趣度度量是必需的，更重要的是这种度量可以用来指导挖掘过程，除去模式空间中不满足预先兴趣度限制的子集，以提高推荐系统的性能。

同时，从CRM的客户关系管理角度，对顾客满意度(Customer Satisfaction Index，CSI)进行统计、分析与评价，对提升和改善W曲个性化服务质量具有非常重要的作用。顾客满意度是指顾客对企业所提供的产品或服务满意其要求的程度。由于Web信息源具有大容量和信息更新快的特点，对于顾客满意度的评价应是一种基于动态特征的评价，能够及时准确地反映个性化服务所取得的效果，进而通过CRM管理系统的反馈机制来影响Web挖掘技术的运用和兴趣模型的建立，形成正向反馈，这是今后需要进行深入研究的一项重要内容。

　　4 结束语

在现代制造业产品服务和客户关系的应用领域中，个性化的产品推荐系统利用Web检索和挖掘技术对收集、加工和存储的海量用户信息进行分析和处理，以确定特定用户群体或个体的兴趣、访问习惯和需求倾向，并通过定性和定量相结合的技术手段分析用户特征和行为规律，对提高产品推荐效率具有重要的作用和价值。同时，它可以帮助企业充分挖掘客户资源并进行有效管理，使其获得独特的竞争优势。另外，对于企业资源在线管理、拓展业务对象和合作伙伴等领域同样具有广阔的应用前景。在构建与实施的过程中，数据挖掘工具的开发、数据库及数据仓库系统的建立、Web技术和CRM管理技术的结合会显著影响到该系统的发展与应用水平。