3.3 建立数据挖掘模型
选取某一银行网点一个月的营运资料(由于决策树算法对数据的完整性有较高的要求，并且银行网点的客户数据是充足的，所以可直接在数据库中选取可信度较高并且无缺值现象的数据)。选取目标字段新业务客户(程序中1表示办理了该项新业务，0表示未办理)，预测变量字段包括：年龄、性别、教育程度、已办业务数量、收入来源种类、子女数、收入数量。记录为442条，摘取部分数据如表1所示。将数据录入到SPSS Clementinep。软件中进行计算，可生成一棵包含14个节点的决策树，其中第一，二两个节点分别是按年龄和收入进行分割的。我们进一步对决策树目标响应度大于10%的节点的收益进行计算并生成收益表如表2所示。
▲表1 部分客户信息数据
▲表2 收益表
通过响应度指数可以看出每个节点上给定目标类别的目标响应度与总体响应度间的差异有多大，从表2中可以看出，节点2和节点13显示最高的相对指数(%)值。相对指数值大于100%的节点表示：通过这些指数值大于100%的节点选择客户而不是从整体样本中随机选择客户，能够有更多的机会找到愿意办理该业务的客户。表2中，节点2具有最高可能的相对指数值接近140%，这表示，从这一客户群体中获得积极响应的可能性几乎是随机选择的1.4倍。同理，节点13中的客户群体中获得积极相应的可能性是随机选择的1.24倍。
这里只是初步完成了一个基于决策树的分类技术用于客户分类的简单示例。但实际应用中大多数决策树分类过程要复杂的多，计算量也要大很多。这主要是因为用于分类的样本数据量往往很大，属性字段也得多，经常会综合运用多种分类方法。
3.4 解释和评价模型
通过决策树对客户数据的分类我们可以看出，该业务的主要办理者主要为节点2和节点13所描述的客户群体。即满足(年龄>40.5岁)或者(年龄<40.5岁和收入数量>1和教育程度>12.5和收入来源种类<0.5)的两类客户群体更可能会办理该项业务。
该银行通过建立上述的分类预测模型，今后对于符合特点的客户应该采取更有效的宣传措施，而对于不满足特点的客户则可以采用普通的宣传手段或不进行宣传。这样可以有效地锁定目标客户，采取最有效的营销策略，从而使该银行在更好地为客户服务的同时也为自己争取到利益最大化。
4 结束语
本文在介绍客户关系管理系统和数据挖掘技术概念的基础上，指出了传统客户关系管理系统的不足，把客户关系管理系统与数据挖掘相结合，并通过实例介绍了数据挖掘技术应用于客户关系管理系统的实施流程，说明了两者的结合可以有效地提高企业为目标客户提供服务的质量和降低企业的运营成本。由此可见，将数据挖掘技术在客户关系管理系统中的引入可以高质量地实现客户关系管理的目标，充分发挥客户关系管理的作用，具有十分重要的应用价值。随着数据挖掘技术的不断成熟，基于数据挖掘的分析型客户关系管理系统无疑也将获得越来越广泛的应用。
