摘要：数据仓库和数据挖掘技术是存储、分析和提取海量数据的重要工具。针对企业客户关系的特点，将数据仓库和数据挖掘技术运用到企业客户关系管理中，具体介绍了在预防和减少客户流失中的应用。关键词：数据仓库；数据挖掘；客户关系管理；客户流失：TP311文献标识码：A：1009-3044(2012)26-6200-03ApplicationofCustomerRelationshipManagementBasedonDataWarehouseandDataMiningXIAOYan-qun(Yangzhoupolytechniccollege,Yangzhou225009,China)Abstract:DataWarehouseandDataMiningareimportanttoolsinstorage,analysisandextractingdata.AccordingtoCustomerRelationship’scharacteristics,DataWarehouseandDataMiningareaddedtoitsmanagement,whichmainlyfocusesonintroduc?ingtheapplicationinthepreventionandreductionofcustomerloss.Keywords:datawarehouse;datamining;customerrelationshipmanagement;customerloss随着市场经济的发展，产品种类日益丰富，企业之间的竞争越来越激烈，卖方市场已过渡到了买方市场，对现代企业而言，当下最主要提升的不仅仅是产品本身，更为重要的是客户的争夺。因此，企业要想立于不败之地，必须能够对市场上发生的变化做出迅速的反应，而导致市场变化的根源就是客户行为的变化。企业已经逐渐认识到保有客户的重要性，只有不断提升服务意识，有针对性地满足客户的需求，企业才能长期发展。因此，企业当下的重要课题就是要加强客户关系管理，提高核心竞争能力。客户数据的收集与存储是实施客户关系管理的根基。随着办公自动化的推广，数据库和网络技术的应用，各企业拥有的客户信息越来越多，增长迅速。在这海量的、异构的信息资源中，蕴含着具有巨大潜在价值的信息资源，比如客户的基本资料、产品交易信息及客户反馈信息等[1]。企业要想不陷入信息的沼泽中，必须拥有强有力的数据分析工具，用以实现客户关系管理的目标。而数据仓库和数据挖掘技术的发展可以很好地解决这个问题。1数据仓库与数据挖掘技术1.1数据仓库数据仓库是一个在企业管理和决策中面向主题的(Subject-Oriented)、集成的(Integrated)、反映历史变化的(TimeVariant)、相对稳定(Non-Volatile)的数据集合[2]。数据仓库要求数据量大，数据正确全面，所以数据在进入数据仓库前必须经过提取、转换与集成，把数据按主题分类，形成多维数据模型。它以多维数据模型为基础，实现数据的分析处理，主要用于支持管理决策。数据进入数据仓库后，一般会被长期保存，基本不会进行修改和删除操作，主要实现数据的查询。数据仓库与传统关系型数据库不同，主要区别在于数据仓库打破了关系数据库中数据的规范性，实现了数据的重组，增加了数据冗余度；其次传统关系型数据库为了实现数据处理的及时性，要求数据尽量少，而数据仓库为了更有效的实现数据查询，要求存储的数据尽量多，实现海量存储。1.2数据挖掘技术数据挖掘技术，是近几年国内外迅速发展起来的一门交叉学科，涉及到数据库、统计学、人工智能与机器学习等多个领域，并在金融、商业零售、电信以及生物医学和基因分析等领域得到广泛应用。1.2.1数据挖掘的概念数据挖掘(DataMing)，是指从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程，提取的知识一般可表示为概念(ConcePts)、规则(Rules)、规律(Regularities)、模式(Patterns)等形式[3]。数据挖掘是知识发现的过程，是将未加工的数据转换为有用信息的整个过程。该过程包含一系列的步骤：确定业务对象、数据准备、数据挖掘、模式评估和知识表示[4]。1.2.2数据挖掘的技术与方法数据挖掘方法是以数据库为对象，基于机器学习、科学计算、统计分析等技术，形成了数据挖掘方法和技术。一般，数据挖掘常用的技术与方法可以分为以下几个方面：1）决策树方法决策树方法是利用信息论的原理建立决策树，主要用于分类和预测。决策树是一种简单的知识表示方法，它将事例逐步分类成代表不同的类别。由于分类规则比较直观，易于理解，实用效果好，影响较大，因而得到广泛应用。决策树最早的算法是Quinlan提出的ID3算法...