基于数据挖掘技术的客户投诉管理

开篇：润墨网以专业的文秘视角，为您筛选了一篇基于数据挖掘技术的客户投诉管理范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘要：该文对海量客户投诉信息进行数据挖掘，根据不同的条件挖掘不同投诉的潜在联系，为决策者提供有效的决策支持。

关键词：客户投诉；数据挖掘；决策支持

中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2012）31-7433-03

随着数据仓库技术的快速发展和广泛应用，各个企业的管理信息系统将会产生大量数据，如何从海量数据中获取对分析决策有用的信息成为面临的重要问题。传统的联机事务处理系统作为数据管理的重要手段之一，主要用来进行事务处理，对分析处理的支持不够，不能满足日常需求。因此，通过联机分析处理系统对数据库中的数据进行再加工，形成一个综合的、面向分析的、更好的支持决策制定的决策支持系统成为人们越来越关注的问题。本文设计了一个数据挖掘模型，并结合企业客户投诉的管理实例检验了该模型的有效性。

1　数据挖掘方法

1.1　数据仓库

数据仓库就是一个面向主题的、集成的、相对稳定的、反映历史变化的数据集合，通常用于辅助决策支持。[1]

目前数据仓库的主要模型有企业级数据仓库模型和多维模型两种，但由于企业级数据仓库模型建设过程较长，难度和风险较大，容易失败，因此我们在本文中采用了查询速度快，做报表也快的多维数据模型作为数据仓库的建模技术。

多维数据模型主要有星型、雪花型和事实星座模型三种形式，在任何一种模型中，度量值和维度的分析和确定都是至关重要的，关系到能否挖掘出数据之间潜在的关系。

1.2度量值

度量值，即决策者分析的数据对象。决策者在查看数据信息时，将以度量值为数据的显示依据对各种数据进行浏览。因此，只有将度量值设置为决策者需要查看的数据信息，度量值的存在才有其实际意义。

在对客户投诉信息管理的过程中，决策者需要从投诉信息管理处了解的信息主要是某个项目的投诉信息、某个部门的投诉信息和对某个员工的投诉信息的数量多少以及具体相关内容。例如，决策者需要查看Tools部门News项目关于使用方面的客户投诉情况，那么投诉信息管理处就需要为决策者提供这样的信息供决策中查询。如果提供不了这样的信息，那么投诉信息管理对决策者来说也就失去了其实际意义。

因此，投诉相关是决策者分析客户投诉数据的关键所在。因此，分析客户投诉模块的数据时，我们将投诉相关作为度量值，即作为客户投诉管理各数据的度量标准。

1.3维度

维度，即决策分析者分析数据的角度，也是多维数据集中主要的组件。本文在对客户投诉的海量信息进行管理的过程中，根据实际的应用情况，将投诉项目、投诉部门和投诉员工作为投诉信息的度量值。同时，主要从以下几个维度对投诉信息的数据进行分析：

投诉日期：和标准维度不同，投诉日期属于时间维度。在客户投诉信息的管理过程中，投诉日期维度可以使决策者看到截止某个时间对某个部门或某个项目的投诉情况。时间维度分为不同的级别，本文在设置时间级别时将其设为：年、月、日。决策者可以查看客户投诉的具体日期。同时，决策者也可以根据具体的需要在设置时选择不同的时间级别。

投诉相关：及投诉的信息是属于哪个方面的。设置该维度的目的旨在将各种各样的投诉信息按照某种特点分类，使事物更有规律。根据投诉的实际情况，我们将投诉信息分为服务、技术、使用三个方面。决策者可以从该维度看到投诉信息的归属状况，进而确定下阶段工作的重心所在。

投诉客户：不同的客户因为对产品要求、了解和使用状况不同，所以投诉的信息也会有所不同。根据该维度我们可以看到不同客户对产品的使用情况所产生的不同的投诉信息，根据投诉的不同而有针对性的提供不同的服务。

投诉部门：一个企业有不同的部门，分工不同，工作重心也不同。将投诉部门作为一个维度，决策者就可以通过该维度了解到各个部门各种项目的投诉信息，使结果更具有可视性。

投诉项目：客户的投诉信息通常都是以项目为存在依据的，因此设立投诉项目维度可以使决策者方便的通过该维度看到具体到某一个项目的投诉信息，并且可以根据投诉的相关信息确定项目的弱点在哪里，进而采取相应的措施解决问题。

2　客户投诉管理中的数据挖掘

在上述分析的基础上，根据已定义的度量值和维度，便可以对海量的客户投诉数据进行挖掘。数据挖掘的过程可以分为数据准备、模型构造、挖掘结果的解释评估及部署应用四个阶段。其中，数据准备是实施数据挖掘的基础，模型构造是数据挖掘的关键。最终通过整个过程使得挖掘结果能够达到及时动态查询、生成分析报表、数据汇总、整体分析和预测的预期目标。

根据已定义的度量值和维度，我们便可以使用“多维数据集向导”和“多维数据集编辑器”建立多维数据集模型。建立的客户投诉多维数据集如图1所示。

在对多维数据集进行处理后，我们便可以使用“多维数据集编辑器”在“分析管理器”中多维度的浏览这些数据。可以根据需要选择不同的维度以及维度的排列位置来得到需要的信息。

图1显示了在所有维度下的部分数据。决策者可以看到具体部门具体项目具体客户关于具体服务具体日期的投诉的部分数据。通过该数据可以清楚的看出不同时间内不同项目的投诉分布情况。

建立了多维数据集后，除了在“分析管理器”中直接浏览数据外，还可以在Excel中，使用“数据透视”的技术进行分析。这样不仅可以通过移动“字段”制作数据透视表，还可以导出数据透视图，使分析结果更加直观，更具有可分析性。

在Excel中，按照指定步骤建立和多维数据集和分析数据源的连接。然后选择需要的表示项，即可获得相应的数据透视图和数据透视表。以各项目在不同时间的投诉情况为例，图3和表1分别显示了在该情况下生成的数据透视图和数据透视表。

通过图和表，可以看到不同项目不同时间不同投诉相关的投诉数目和各个时间段的投诉汇总，决策者可以清楚的了解到不同项目在不同时间内哪些方面出了问题，需要从哪里着手解决，哪些服务质量需要提高，哪些技术水平需要提升，下个阶段的工作重点在哪里等。同样，决策者还可以根据需要调整显示的项目，进而获得不同的信息和数据。

3　结论

使用数据挖掘对客户投诉管理中的海量数据进行挖掘，发现数据之间的潜在联系并通过图和表相结合的方式显现出来。一方面可以使数据信息更加明朗化、清晰化，为决策者做出正确的决策提供理论依据。另一方面还可以提高企业的客户服务水平，提高客户满意度。

参考文献：

[1]　陈志泊.数据仓库与数据挖掘[M].北京：清华大学出版社，2009.

[2]　杨路明，巫宁.客户关系管理理论与实务[M].北京：电子工业出版社，2009.

[3]　姚家奕.多维数据分析原理与应用[M].北京：清华大学出版社，2004.

[4]　张华雨.Intranet环境下基于数据仓库技术的新型DSS[J].计算机应用，2004，22（2）：2728.