CRM系統(tǒng)：分析型CRM 在保險行業(yè)的應用
3 保險行業(yè)分析型CRM 實施風險規(guī)避
數(shù)據(jù)倉庫及OLAP 分析的構(gòu)建過程如圖7 所示。在圖7
的構(gòu)建過程中，存在著以下風險：
(1)OLAP 服務器風險：在OLAP 服務器環(huán)節(jié)由于CUBE 創(chuàng)
建過程復雜同時CUBE 的維護也復雜，因此存在著風險。為
了規(guī)避OLAP 服務器的風險，可以先采用圖8 的方式。該方式
對前端展現(xiàn)工具的要求是：能夠?qū)崿F(xiàn)OLAP 功能(鉆取、切片、
旋轉(zhuǎn)⋯)、避免預先計算、具有審計功能、能夠直接使用數(shù)據(jù)倉
庫中的星型模型、聚合表等數(shù)據(jù)結(jié)構(gòu)。
(2)數(shù)據(jù)倉庫風險：由于構(gòu)建的數(shù)據(jù)倉庫是穩(wěn)定、集成以及
結(jié)構(gòu)優(yōu)化的，因此在構(gòu)建過程中也存在風險。為了規(guī)避數(shù)據(jù)
倉庫的風險，可以先采用圖9 的方式。該方式對前端展現(xiàn)工
具的要求是：能夠融合多個數(shù)據(jù)源的數(shù)據(jù)、能夠在數(shù)據(jù)和應用
之間構(gòu)建語義、具有審計功能，從而為數(shù)據(jù)倉庫的結(jié)構(gòu)優(yōu)化提
供建議、能夠進行任務調(diào)度(避免干擾業(yè)務系統(tǒng)的運行)。
總地說來，在數(shù)據(jù)倉庫和OLAP 建設過程中規(guī)避風險的
基本原則是：必須反復地、迭代地進行、企業(yè)需求必須不斷加
以反映、及時獲得成果使項目小組能夠確認項目進展。實施
圖如圖10 所示。
4 保險行業(yè)分析型CRM的技術(shù)架構(gòu)
對于目前的企業(yè)應用來說，可供選擇的技術(shù)架構(gòu)包括：
.NET和J2EE。考慮到保險行業(yè)對安全可靠等的要求，建議保
險行業(yè)分析型CRM 的技術(shù)架構(gòu)采用J2EE 體系。
5 結(jié)束語
對保險企業(yè)來說，分析型CRM 的應用通過應用數(shù)據(jù)倉
庫、OLAP、數(shù)據(jù)挖掘等技術(shù)手段，對保險業(yè)務系統(tǒng)的客戶關(guān)聯(lián)
數(shù)據(jù)進行處理，發(fā)掘有價值的客戶、保留有價值的客戶以及根
據(jù)不同的客戶類別制定相應的營銷策略，從而提高保險企業(yè)
的核心競爭力。
參考文獻:
[1] 朱愛群.客戶關(guān)系管理與數(shù)據(jù)挖掘[M].北京:中國財政經(jīng)濟出
版社, 2001.
4 實驗結(jié)果
下面通過實驗來分析分組多支持度關(guān)聯(lián)算法與原有算法
之間的性能比較。實驗的下。實驗運行環(huán)境為CPUP4 1.6G，
內(nèi)存512M，操作系統(tǒng)為Windows 2003，用Java 編寫了兩種算
法。數(shù)據(jù)源為合成數(shù)據(jù)，使用數(shù)據(jù)生成器生成了4 個數(shù)據(jù)文
件，分別包含了4 萬、6 萬、8 萬、10 萬條事務，100 屬性(分成5
組，對應的支持度為0.02、0.04、0.6、0.8、0.10)，平均事務長度為
8。算法的運行結(jié)果如圖3 所示。從圖3 中可以看出分組算法
的效率比原來的多支持度關(guān)聯(lián)規(guī)則高，這主要是因為采取了
分組后再連接候選集時，由于分組算法需要連接的候選集比
原有算法少，因此提高了效率。
5 結(jié)束語
本文針對多支持度關(guān)聯(lián)規(guī)則問題中存在的問題，提出了
使用分組給定支持度的方法，并給出了相應的分組算法。該
算法有兩個作用：減少了需要用戶指定支持度的個數(shù)；提高了
多支持度關(guān)聯(lián)規(guī)則問題的計算效率。
參考文獻:
[1] Han JW, KamberM. Datamining: Concepts and techniques[M].
San Francisco: Morgan Kaufmann Publishers, 2001.
[2] Liu B, Hsu W, Ma Y. Mining association rules with multiple
minimum supports [C]. San Diego, USA: Proceedings of the
ACM SIGKDD International Conference on Knowledge Discovery
and Data Mining, 1999.337-341.
[3] Yun H, Ha D, Hwang B, et al. Mining association rules on significant
rare data using relative support[J]. Journal of Systems
and Software, 2003, 67(3): 181-191.
[4] Seno M, Karypis G LPMiner. An algorithm for finding frequent
itemsets using length decreasing support constraint[C]. San Jose,
USA: Proceedings 1st IEEE Conference on Data Mining, 2001.
505-512.
[5] SenoM, Karypis G SLPMiner. An algorithm for finding frequent
sequential patterns using length-decreasing support constraint
[C]. Maebashi, Japan: Proceedings 2nd IEEE Conference on
Data Mining, 2002. 418-425.
[6] 樓曉鴻,丁寶康.一種多支持度的關(guān)聯(lián)規(guī)則采集算法[J].計算機
工程, 2001,27(6):102-103.
[7] 李銘.關(guān)聯(lián)規(guī)則的多支持度挖掘在銷售數(shù)據(jù)中的應用[J].計算
機工程, 2003,29(8):90-92.
[8] 張建明,榮岡.基于關(guān)聯(lián)規(guī)則的故障診斷方法及研究[J].化工自
動化及儀表, 2003,30 (5):11-14.
[9] 吳小波,徐維祥.多支持度關(guān)聯(lián)規(guī)則在網(wǎng)絡使用挖掘中的應用
[J].計算機工程與應用, 2005,41(31):164-167.
強力推薦：
天柏客戶關(guān)系管理系統(tǒng)
天柏客戶關(guān)系管理系統(tǒng)（CRM）是一款集專業(yè)性、實用性、易用性為一體的純B/S架構(gòu)的CRM系統(tǒng)，它基于以客戶為中心的協(xié)同管理思想和營銷理念，圍繞客戶生命周期的整個過程，針對不同價值的客戶實施以客戶滿意為目標的營銷策略，通過企業(yè)級協(xié)同，有效的“發(fā)現(xiàn)、保持和留住客戶”，從而達到留住客戶、提高銷售，實現(xiàn)企業(yè)利潤最大化的目的。通過對客戶進行7P的深入分析，即客戶概況分析(Profiling)、客戶忠誠度分析(Persistency)、客戶利潤分析(Profitability)、客戶性能分析(Performance)、客戶未來分析(Prospecting)、客戶產(chǎn)品分析(Product)、客戶促銷分析(Promotion)以及改善與管理企業(yè)銷售、營銷、客戶服務和支持等與客戶關(guān)系有關(guān)的業(yè)務流程并提高各個環(huán)節(jié)的自動化程度，從而幫助企業(yè)達到縮短銷售周期、降低銷售成本、擴大銷售量、增加收入與盈利、搶占更多市場份額、尋求新的市場機會和銷售渠道，最終從根本上提升企業(yè)的核心競爭力，使得企業(yè)在當前激烈的競爭環(huán)境中立于不敗之地。
關(guān)鍵詞：CRM,CRM系統(tǒng),CRM軟件,客戶關(guān)系管理,客戶管理軟件,客戶管理系統(tǒng),客戶關(guān)系管理軟件,客戶關(guān)系管理系統(tǒng)