Expert Systems with Applications 36 (2009) 25922602

Contents lists available at ScienceDirect

Expert Systems with Applications

j o u r n a l h o m e p a g e : w w w . e l s ev i e r . c o m / l o c a t e / e s w a

Review

Aplicacin de tcnicas de minera de datos en la gestin de relaciones con los clientes:

Una revisin de la literatura y clasificacin
E.W.T. Ngai a,*, Li Xiu b, D.C.K. Chau a
a
Department of Management and Marketing, The Hong Kong Polytechnic University, Hong Kong, PR China b
Department of Automation, Tsinghua University, Beijing, PR China

article info abstract

Keywords:
A pesar de la importancia de las tcnicas de minera de datos para la gestin de la relacin con los clientes (CRM), existe una
Data mining
Customer relationship management
carencia de una revisin bibliogrfica exhaustiva y un esquema de clasificacin para ello. Esta es la primera revisin de la
Literature review literatura acadmica identificable de la aplicacin de tcnicas de minera de datos a CRM. Proporciona una base de datos
Classification acadmica de literatura entre el perodo 2000-2006 que abarca 24 revistas y propone un esquema de clasificacin para
clasificar los artculos. Nueve centenares de artculos fueron identificados y revisados por su relevancia directa en la
aplicacin de tcnicas de minera de datos al CRM. Ochenta y siete artculos fueron seleccionados, revisados y clasificados
posteriormente. Cada uno de los 87 trabajos seleccionados se clasific en cuatro dimensiones de CRM (identificacin del
cliente, atraccin del cliente, retencin del cliente y desarrollo del cliente) y siete funciones de minera de datos (asociacin,
clasificacin, agrupacin, previsin, regresin, . Los documentos se clasificaron en nueve subcategoras de elementos CRM
bajo diferentes tcnicas de minera de datos basadas en el enfoque principal de cada artculo. El proceso de revisin y
clasificacin se verific de forma independiente. Los resultados de este trabajo indican que el rea de investigacin de
retencin de clientes recibi la mayor atencin de la investigacin. De stos, la mayora estn relacionados con programas de
marketing y fidelizacin uno a uno, respectivamente. Por otro lado, los modelos de clasificacin y asociacin son los dos
modelos utilizados comnmente para la minera de datos en CRM. Nuestro anlisis proporciona una hoja de ruta para guiar la
investigacin futura y facilitar la acumulacin y creacin de conocimiento sobre la aplicacin de tcnicas de minera de datos
en CRM.
Traductor de Google para empresas:Google Translator ToolkitTraductor de sitios web

2008 Elsevier Ltd. All rights reserved.

1. Introduction y personas para gestionar la relacin del cliente con su empresa

La gestin de la relacin con el cliente (CRM) comprende un conjunto de
procesos y sistemas de apoyo que soportan una estrategia de negocio para
construir relaciones rentables a largo plazo con clientes especficos (Ling &
Yen, 2001). Los datos de los clientes y las herramientas de tecnologa de la
informacin (TI) constituyen la base sobre la que se construye cualquier
estrategia de CRM exitosa. Adems, el rpido crecimiento de Internet y sus
tecnologas asociadas ha aumentado considerablemente las oportunidades de
comercializacin y ha transformado la forma en que se gestionan las
relaciones entre las empresas y sus clientes (Ngai, 2005).
Aunque el CRM ha sido ampliamente reconocido como un enfoque comercial
importante, no existe una definicin universalmente aceptada de CRM (Ling
& Yen, 2001; Ngai, 2005). Swift (2001, p.12) defini el CRM como un
"enfoque empresarial para entender e influir en el comportamiento del cliente
a travs de comunicaciones significativas para mejorar la adquisicin de
clientes, la retencin de clientes, la lealtad del cliente y la rentabilidad del
cliente". Kincaid (2003, p.41) consider el CRM como "el uso estratgico de
la informacin, los procesos, la tecnologa,
* Corresponding author. Tel.: +852 2766 7296; fax: +852 2774 3679.
E-mail address: mswtngai@polyu.edu.hk (E.W.T. Ngai).
0957-4174/$ - see front matter 2008 Elsevier Ltd. All rights reserved.
doi:10.1016/j.eswa.2008.02.021
(Marketing, Ventas, Servicios y Soporte) durante todo el ciclo de vida del
cliente ". Parvatiyar y Sheth (2001, p.5) definieron la CRM como "una
estrategia integral y un proceso de adquisicin, retencin y asociacin con
clientes selectivos para crear un valor superior para la empresa y el cliente.
Implica la integracin del marketing, las ventas, el servicio al cliente y las
funciones de la cadena de suministro de la organizacin para lograr mayores
eficiencias y efectividad en la entrega de valor al cliente. Estas definiciones
enfatizan la importancia de ver CRM como un proceso integral de adquisicin
y retencin de clientes, con la ayuda de la inteligencia de negocios, para
maximizar el valor del cliente para la organizacin.
Desde el punto de vista de la arquitectura, el marco de CRM puede
clasificarse en operacional y analtico (Berson, Smith, & Thear-ling, 2000,
Heo, Xu, Huang, & Deng, 2004; Teo, Devadoss, & Pan, 2006). CRM
operacional se refiere a la automatizacin de los procesos empresariales,
mientras que el CRM analtico se refiere al anlisis de las caractersticas y
comportamientos de los clientes para apoyar las estrategias de gestin de
clientes de la organizacin. Como tal, el CRM analtico podra ayudar a una
organizacin a discriminar mejor y asignar ms efectivamente los recursos al
grupo ms rentable de clientes. Datos
 E.W.T. Ngai et al. / Expert Systems with Applications 36 (2009) 25922602
las herramientas de minera son un medio popular de analizar los datos de los
clientes en el marco analtico de CRM. Muchas organizaciones han
recopilado y almacenado una gran cantidad de datos sobre sus clientes
actuales, clientes potenciales, proveedores y socios comerciales. Sin embargo,
la incapacidad de descubrir informacin valiosa oculta en los datos evita que
las organizaciones transformen estos datos en conocimiento valioso y til
(Berson et al., 2000). Las herramientas de minera de datos podran ayudar a
estas organizaciones a descubrir el conocimiento oculto en la enorme cantidad
de datos.
Turban, Aronson, Liang y Sharda (2007, p. 305) define la minera de datos
como el proceso que utiliza las tcnicas estadsticas, matemticas, de
inteligencia artificial y de aprendizaje automtico para extraer e identificar
informacin til y posteriormente adquirir conocimientos de grandes bases de
datos ". Berson et al. (2000), Lejeune (2001), Ahmed (2004) y Berry y Linoff
(2004) tambin proporcionan una definicin similar con respecto a la minera
de datos como el proceso de extraccin o deteccin de patrones ocultos o
informacin de bases de datos grandes. Con los datos comprensivos de los
clientes, la tecnologa de minera de datos puede proporcionar inteligencia de
negocios para generar nuevas oportunidades (Bortiz & Ken-nedy, 1995,
Fletcher y Goss, 1993, Langley y Simon, 1995, Lau, Wong, Hui y Pun, 2003,
Salchenberger, Cinar y Lash, 1992, Su, Hsu y Tsai, 2002, Tam y Kiang, 1992,
Zhang, Hu, Patuwo, & Indro, 1999).
La aplicacin de herramientas de minera de datos en CRM es una tendencia
emergente en la economa global. Analizar y comprender los
comportamientos y las caractersticas de los clientes es la base del desarrollo
de una estrategia de CRM competitiva, para adquirir y retener clientes
potenciales y maximizar el valor del cliente. Las herramientas adecuadas de
extraccin de datos, que son buenas para extraer e identificar informacin y
conocimientos tiles de enormes bases de datos de clientes, son una de las
mejores herramientas de apoyo para tomar diferentes decisiones de CRM
(Berson et al., 2000). Como tal, la aplicacin de tcnicas de minera de datos
en CRM vale la pena perseguir en una economa centrada en el cliente.
This paper presents a comprehensive review of literature related to
application of data mining techniques in CRM pub-lished in academic
journals between 2000 and 2006. A classifica-tion of framework is also
presented. The paper is organized as follows: first, the research methodology
used in the study is described; second, the method for classifying data mining
articles in CRM is presented; third, articles about data mining in CRM are
analysed and the results of the classification are reported; and finally, the
conclusions, limitations and implications of the study are discussed.
2. Research methodology
Metodologia
Dado que la naturaleza de la investigacin en CRM y la minera de datos son
difciles de confinar a disciplinas especficas, los materiales relevantes se
encuentran dispersos en varias revistas. La inteligencia de negocios y el
descubrimiento de conocimiento son la disciplina acadmica ms comn para
la investigacin de minera de datos en CRM. En consecuencia, las siguientes
bases de datos de revistas en lnea
se realizaron bsquedas para proporcionar una bibliografa exhaustiva de la
literatura acadmica sobre CRM y Data Mining:
Base de datos ABI / INFORM;
Bsqueda acadmica Premier;
Business Source Premier;
Esmeralda Fulltext;
Diarios de Ingenta;
Science Direct; y
Transaccin IEEE.
La bsqueda bibliogrfica se bas en el descriptor, "gestin de relaciones con
los clientes" y "minera de datos", que originalmente
2593
produjo aproximadamente 900 artculos. El texto completo de cada artculo
fue revisado para eliminar aquellos que no estaban realmente relacionados con
la aplicacin de tcnicas de minera de datos en CRM. Los criterios de
seleccin eran los siguientes:
Slo se seleccionaron aquellos artculos que se haban publicado en revistas
relacionadas con la inteligencia comercial, el descubrimiento de conocimiento
o la gestin de clientes, ya que stos eran los out-lets ms apropiados para la
minera de datos en la investigacin de CRM y el enfoque de esta revisin.
Slo se seleccionaron aquellos artculos que describan claramente la forma
en que se podan aplicar las tcnicas de minera de datos mencionadas y se
ayudaron en las estrategias de CRM.
Se excluyeron los trabajos de conferencias, los maestros y las disertaciones
doctorales, los libros de texto y los documentos de trabajo inditos, ya que los
acadmicos y los profesionales por igual usan con mayor frecuencia las
revistas para adquirir informacin y difundir nuevos hallazgos. As, los
jornales representan el nivel ms alto de investigacin (Nord & Nord, 1995).
Cada artculo fue cuidadosamente revisado y clasificado por separado de
acuerdo con las cuatro categoras de dimensiones de CRM y siete categoras
de modelos de minera de datos, como se muestra en la Figura 1. Aunque esta
bsqueda no fue exhaustiva, sirve como una base completa para la
comprensin de investigacin de minera de datos en CRM.
3. Mtodo de clasificacin
Segn Swift (2001, p.12), Parvatiyar y Sheth (2001, p.
5) y Kracklauer, Mills, y Seifert (2004, p.4), CRM se compone de cuatro
dimensiones:
(1) Identificacin del Cliente;
(2) Atraccin del cliente;
(3) Retencin del Cliente;
(4) Desarrollo del Cliente.
Estas cuatro dimensiones pueden ser vistas como un ciclo cerrado de un
sistema de gestin de clientes (Au & Chan, 2003; Kracklauer et al., 2004;
Ling & Yen, 2001). Ellos comparten el objetivo comn de crear una
comprensin ms profunda de los clientes para maximizar el valor del cliente
a la organizacin en el largo plazo. Las tcnicas de minera de datos, por lo
tanto, pueden ayudar a lograr este objetivo extrayendo o detectando las
caractersticas y comportamientos ocultos de las grandes bases de datos. El
aspecto generativo de la minera de datos consiste en la construccin de un
modelo a partir de datos (Carrier & Povel, 2003). Cada tcnica de minera de
datos puede realizar uno o ms de los siguientes tipos de modelado de datos:
(1) Asociacin;
(2) Clasificacin;
(3) agrupamiento;
(4) Pronstico;
(5) Regresin;
(6) Descubrimiento de secuencias;
(7) Visualizacin.
Los siete modelos anteriores cubren los modelos de minera de datos
mencionados en varios artculos (Ahmed, 2004, Carrier y Po-vel, 2003, Mitra,
Pal y Mitra, 2002, Shaw, Subramaniam, Tan y Welge, 2001, Turban et al .,
2007). Existen numerosas tcnicas de aprendizaje automtico disponibles para
cada tipo de modelo de minera de datos. Las opciones de tcnicas de minera
de datos deben basarse en las caractersticas de los datos y los requisitos
empresariales (Carrier & Povel, 2003). Aqu hay algunos ejemplos de algunos
algoritmos de minera de datos ampliamente utilizados:
2594 E.W.T. Ngai et al. / Expert Systems with Applications 36 (2009) 25922602
Fig. 1. Classification framework for data mining techniques in CRM.
(1) regla de la asociacin;
(2) rbol de decisin;
(3) Algoritmo gentico;
(4) Redes neuronales;
(5) K-vecino ms cercano;
(6) Regresin lineal / logstica.
Se propone un marco de clasificacin grfica sobre tcnicas de minera de
datos en CRM y se muestra en la Fig. 1; se basa en una revisin de la
literatura sobre tcnicas de minera de datos en CRM. La revisin crtica de la
literatura sobre la minera de datos en CRM ayud a identificar las principales
dimensiones de CRM y tcnicas de minera de datos para la aplicacin de
tcnicas de minera de datos en CRM. Este marco de trabajo tambin se basa
en la investigacin realizada por Swift (2001), Parvatiyar y Sheth (2001) y
Kracklauer et al. (2004). Describieron las dimensiones del CRM como:
Identificacin del Cliente, Atraccin del Cliente, Retencin del Cliente y
Desarrollo del Cliente. Adems, Ahmed, 2004; Carrier y Povel, 2003; Mitra
et al., 2002; Shaw et al., 2001 describieron los tipos de modelo de minera de
datos como Asociacin, Clasificacin, Agrupacin, Pronstico, Regresin,
Descubrimiento y Visualizacin de Secuencias. Proporcionamos una breve
descripcin de estas cuatro dimensiones y algunas referencias para ms
detalles, y cada una de ellas se analiza en las siguientes secciones.
3.1. Marco de clasificacin - dimensiones CRM
En este estudio, CRM se define como ayudar a las organizaciones a
discriminar mejor y asignar ms efectivamente los recursos al grupo ms
rentable de clientes a travs del ciclo de identificacin de clientes, atraccin
de clientes, retencin de clientes y clientes
(i) desarrollo. El conocimiento detallado debe construirse
sistemticamente para obtener una comprensin ms profunda de los
comportamientos, caractersticas y necesidades de cada cliente. Las cuatro
dimensiones del ciclo del CRM son esfuerzos esenciales para obtener la
percepcin del cliente (Ling & Yen, 2001).
(ii) (i) Identificacin del cliente: CRM comienza con la identificacin del
cliente, que se conoce como adquisicin del cliente en algunos artculos. Esta
fase implica dirigirse a la poblacin que es ms probable que se conviertan en
clientes o ms rentables para la empresa. Adems, se trata de analizar a los
clientes que estn perdiendo a la competencia y cmo pueden ser ganados de
vuelta (Kracklauer et al., 2004). Los elementos para la identificacin del
cliente incluyen el anlisis del cliente objetivo y la segmentacin del cliente.
El anlisis del cliente objetivo consiste en buscar los segmentos rentables de
los clientes a travs del anlisis de las caractersticas subyacentes de los
clientes, mientras que la segmentacin del cliente implica la subdivisin de
toda una base de clientes en grupos o segmentos de clientes ms pequeos,
(Woo, Bae, & Park, 2005).
(ii) Atraccin al cliente: Esta es la fase siguiente a la identificacin del
cliente. Despus de identificar los segmentos de clientes potenciales,
las organizaciones pueden dirigir esfuerzos y recursos para atraer a los
segmentos de clientes objetivo. Un elemento de la atraccin del cliente
es el marketing directo. El marketing directo es un proceso de
promocin que motiva a los clientes a realizar pedidos a travs de
diversos canales (Cheung, Kwok, Law, & Tsui, 2003; Liao & Chen,
2004; Prinzie & Poel, 2005). Por ejemplo, el correo directo o la
distribucin de cupones son ejemplos tpicos de marketing directo.
 E.W.T. Ngai et al. / Expert Systems with Applications 36 (2009) 25922602
(iii) Retencin de clientes: Esta es la preocupacin central de CRM. La
satisfaccin de los clientes, que se refiere a la comparacin de las expectativas
de los clientes con su percepcin de satisfaccin, es la condicin esencial para
retener clientes (Kracklauer et al., 2004). Como tales, los elementos de la
retencin de clientes incluyen marketing uno-a-uno, programas de
fidelizacin y gestin de reclamaciones. El marketing uno a uno se refiere a
campaas de marketing personalizadas que son apoyadas por el anlisis, la
deteccin y la prediccin de cambios en los comportamientos de los clientes
(Chen, Chiu, & Chang, 2005, Kim & Moon, 2006). Por lo tanto, los perfiles
de los clientes, los sistemas de recomendacin o los sistemas de reposicin
estn relacionados con el marketing uno a uno. Los programas de fidelizacin
incluyen campaas o actividades de apoyo que buscan mantener una relacin
a largo plazo con los clientes. Especficamente, anlisis de churn, puntuacin
de crdito, calidad de servicio o satisfaccin forman parte de programas de
lealtad.
(iv) Desarrollo del cliente: Esto implica la expansin consistente de la
intensidad de la transaccin, el valor de la transaccin y la rentabilidad
individual del cliente. Los elementos del desarrollo del cliente incluyen el
anlisis del valor de la vida til del cliente, la subida / venta cruzada y el
anlisis de la cesta de mercado. El anlisis del valor de la vida del cliente se
define como la prediccin del ingreso neto total que una compaa puede
esperar de un cliente (Drew, Mani, Betz & Datta, 2001, Etzion, Fisher y
Wasserkrug, 2005, Rosset, Neumann, Eick, & Vatnik, 2003). La
subcotizacin / venta cruzada se refiere a actividades de promocin cuyo
objetivo es aumentar el nmero de servicios asociados o estrechamente
relacionados que un cliente utiliza dentro de una empresa (Prinzie & Poel,
2006). El anlisis de la cesta de mercado tiene como objetivo maximizar la
intensidad y el valor de las transacciones de los clientes revelando
regularidades en el comportamiento de compra de los clientes (Aggarval &
Yu, 2002, Brijs, Swinnen, Vanhoof & Wets, 2004; , Shen & amp; Hu, 2005,
Giudici & Passerone, 2002, Kubat, Hafez, Raghavan, Lekkala, & Chen,
2003).
3.2. Marco de clasificacin - modelos de minera de datos
En el contexto del CRM, la minera de datos puede ser vista como un proceso
impulsado por el negocio dirigido al descubrimiento y uso consistente de
conocimiento rentable a partir de datos organizacionales (Ling & Yen, 2001).
Puede usarse para guiar la toma de decisiones y predecir los efectos de las
decisiones. Por ejemplo, la minera de datos puede aumentar las tasas de
respuesta de la campaa de marketing segmentando a los clientes en grupos
con diferentes caractersticas y necesidades; puede predecir la probabilidad de
que un cliente existente lleve su negocio a un competidor (Carrier & Povel,
2003). Cada uno de los elementos de CRM puede ser soportado por diferentes
modelos de minera de datos, que generalmente incluyen la asociacin,
clasificacin, agrupacin, pronstico, regresin, descubrimiento de secuencias
y visualizacin.
(i) Asociacin: La asociacin tiene como objetivo establecer relaciones entre
elementos que existen juntos en un registro dado (Ahmed, 2004; Jiao, Zhang,
& Helander, 2006; Mitra et al., 2002). El anlisis de la cesta de mercado y los
programas de venta cruzada son ejemplos tpicos para los que generalmente
se adopta el modelo de asociacin. Las herramientas comunes para el
modelado de asociaciones son estadsticas y algoritmos apriori.
ii) Clasificacin: La clasificacin es uno de los modelos de aprendizaje ms
comunes en la extraccin de datos (Ahmed, 2004; Berry & Lin-off, 2004;
Carrier & Povel, 2003). Su objetivo es construir un modelo para predecir los
futuros comportamientos de los clientes a travs de la clasificacin de
registros de bases de datos en un nmero de clases predefinidas basadas en
ciertos criterios (Ahmed, 2004; Berson et al., 2000, Chen, Hsu y Chou, 2003;
, 2002). Herramientas comunes utilizadas
2595
para la clasificacin son redes neuronales, rboles de decisin y reglas if-
then-else.
(iii) Agrupacin: La agrupacin es la tarea de segmentar una poblacin
heterognea en un nmero de clsteres ms homogneos (Ahmed, 2004;
Berry & Linoff, 2004; Carrier & Povel, 2003; Mitra et al., 2002). Es diferente
a la clasificacin en que los grupos son desconocidos en el momento en que el
algoritmo comienza. En otras palabras, no hay clsteres predefinidos. Las
herramientas comunes para el agrupamiento incluyen redes neuronales y
anlisis de discriminacin.
(iv) Pronstico: La previsin estima el valor futuro basado en los patrones de
un registro. Se trata de resultados continuamente valorados (Ahmed, 2004;
Berry & Linoff, 2004). Se relaciona con el modelado y las relaciones lgicas
del modelo en algn momento en el futuro. El pronstico de demanda es un
ejemplo tpico de un modelo de pronstico. Las herramientas comunes para la
prediccin incluyen redes neuronales y anlisis de supervivencia.
(v) Regresin: La regresin es un tipo de tcnica de estimacin estadstica que
se utiliza para asignar cada objeto de datos a un valor real que proporcione
valor de prediccin (Carrier & Povel, 2003; Mitra et al., 2002). Los usos de la
regresin incluyen la adaptacin de la curva, la prediccin (incluida la
prediccin), el modelado de las relaciones causales y la prueba de hiptesis
cientficas sobre las relaciones entre variables. Las herramientas comunes
para la regresin incluyen regresin lineal y regresin logstica.
vi) Deteccin de secuencias: El descubrimiento de secuencias es la
identificacin de asociaciones o patrones a lo largo del tiempo (Berson et al.,
2000, Carrier & Povel, 2003, Mitra et al., 2002). Su objetivo es modelar los
estados del proceso que genera la secuencia o extraer y reportar desviaciones
y tendencias a lo largo del tiempo (Mitra et al., 2002). Las herramientas
comunes para el descubrimiento de secuencias son estadstica y teora de
conjuntos.
vii) Visualizacin: La visualizacin se refiere a la presentacin de datos para
que los usuarios puedan ver patrones complejos (Shaw et al., 2001). Se utiliza
junto con otros modelos de minera de datos para proporcionar una
comprensin ms clara de los patrones o relaciones descubiertos (Turban et
al., 2007). Ejemplos de modelos de visualizacin son grficos 3D, '' Hygraphs
'' y '' SeeNet '' (Shaw et al., 2001).
A menudo se requiere una combinacin de modelos de minera de datos para
apoyar o predecir los efectos de una estrategia de CRM. En tal situacin, la
clasificacin de los modelos de minera de datos mencionados en el artculo
se basar en los principales temas de CRM que el artculo deseara abordar.
Por ejemplo, en el caso de los programas de venta ascendente / cruzada, los
clientes pueden segmentarse en clsteres antes de aplicar un modelo de
asociacin a cada clster. En tales casos, el programa de venta ascendente /
cruzada se clasificara como respaldado por un modelo de asociacin porque
las relaciones entre los productos son la principal preocupacin; en el caso de
la comercializacin directa, una cierta porcin de los clientes puede ser
segmentada en clusters para formar las clases iniciales del modelo de
clasificacin. El programa de comercializacin directa se clasificara como
respaldado por la clasificacin, ya que la prediccin del comportamiento de
los clientes es la principal preocupacin.
3.3. Proceso de clasificacin
Cada uno de los artculos seleccionados fue revisado y clasificado de acuerdo
con el marco de clasificacin propuesto por tres investigadores
independientes. El proceso de clasificacin consisti en cuatro fases:
(1) Bsqueda de bases de datos en lnea.
(2) Clasificacin inicial por el primer investigador.
(3) Verificacin independiente de los resultados de la clasificacin por el
segundo investigador; y
(4) Verificacin final de los resultados de clasificacin por tercer
investigador.
2596 E.W.T. Ngai et al. / Expert Systems with Applications 36 (2009) 25922602

Online
Database Exclude

Criterio de bsqueda:

1. Descriptor: Gestion de relaciones con clientes y mineria de datos

2. Publicado entre 2000 y 2006

No (Conference papers, master and doctoral dissertations,

Journal textbooks and unpublished working papers)
Article

Yes

No
Related
to CRM

Yes:
1. CRM Dimensions & Elements
a. Customer Identification
i. Target Customer Analysis
ii. Customer Segmentation
b. Customer Attraction
i. Direct Marketing
c. Customer Retention
i. Loyalty Program
ii. One-to-One Marketing
iii. Complaint Management
d. Customer Development
i. Customer Lift Time Cycle
ii. Up/Cross Selling
iii. Market Basket Analysis

No
Related
to DM

Yes:
1. DM Models and Techniques
a. Association
b. Classification a. 1st verification of classification result
c. Clustering by 2nd researcher
d. Forecasting b. Final verification of classification
e. Regression result by 3rd researcher
f. Sequence Discovery
g. Visualization
Inconsistency of Classification
Result among three researchers
Initial /2nd /3rd
Discussion on
Classification Classification
Results Results

Consistency of Classification
Result among three researchers

A majority decision will

Finalized
be considered final
Classification
Results of Articles

Fig. 2. Selection criteria and evaluation framework.

que se muestra en la figura 2. La coleccin de artculos se analiz de acuerdo

Si hubo una discrepancia en la clasificacin, cada uno de estos artculos fue con los elementos de CRM y modelos de minera de datos, por ao de
discutido hasta que hubo acuerdo sobre cmo el artculo debera ser publicacin y segn la revista en la que se public el artculo.
clasificado del conjunto final en el marco de clasificacin propuesto. Los
criterios de seleccin y el marco de evaluacin
 E.W.T. Ngai et al. / Expert Systems with Applications 36 (2009) 25922602 2597

4. Clasificacin de los artculos y se aplican fcilmente a las reas de clasificacin, agrupamiento y

Una distribucin detallada de los 87 artculos clasificados por el marco de
clasificacin propuestos se muestra en la Tabla 1.
4.1. Distribucin de artculos por dimensiones de CRM y modelos de minera
de datos
La distribucin de los artculos clasificados por el modelo de clasificacin
propuesto se muestra en la Tabla 2. Entre las cuatro dimensiones CRM, la
retencin de clientes (54 de 87 artculos, 62,1%) es la dimensin ms comn
para la que se utiliza la minera de datos apoyar la toma de decisiones. Haba
13 artculos para cada uno de identificacin del cliente y desarrollo del cliente
que cubra varios aspectos de CRM.
De los 54 artculos de retencin de clientes, 51,9% (28 artculos) y 44,4% (24
artculos) estn relacionados con programas de marketing y fidelizacin uno a
uno, respectivamente. Los programas de marketing y fidelizacin de uno a
uno tambin ocupan el primer lugar (28 artculos de 87 artculos, 32,2%) y
segundo (24 artculos de 87 artculos, 27,6%) en trminos de temas
relacionados con la minera de datos y CRM. Sin embargo, hubo
relativamente pocos artculos que abarcaban el "up / cross selling" (2
artculos, el 2,3%), el "com-plaint management" (2 artculos, el 2,3%), ) y
"anlisis de valor de la vida del cliente" (5 artculos, 5.7%).
prediccin (Berry & Linoff, 2004, Turban et al., 2007). De los 30 artculos
que aplicaron tcnicas de redes neuronales, 16 (53,3%) adoptan subtipos de
mapas autoorganizados, lo que implica cartografiar datos estructurados de alta
dimensin en una matriz de neuronas mucho ms baja de manera ordenada a
travs del proceso de entrenamiento , Kim, Cho, & Kim, 2004).
rboles de decisin: Esta tcnica puede utilizarse para extraer modelos
que describen secuencias de decisiones interrelacionadas o para predecir
futuras tendencias de datos (Berry y Linoff, 2004, Kim, Song, Kim,
& Kim, 2005). Clasifica entidades especficas en clases particulares
basadas en las caractersticas de las entidades: una raz es seguida por nodos
inter-nal, cada nodo est marcado con una pregunta y un arco asociado con
cada nodo cubre todas las respuestas posibles (Buckinx, Moons , Poel, &
Wets, 2004, Chen et al., 2003). Algunos de los algoritmos ms conocidos son
ID3, C4.5 y rboles de clasificacin y regresin.
Reglas de asociacin: Se trata del descubrimiento de relaciones de
asociacin interesantes, que estn por encima de un umbral de inters, oculto
en las bases de datos (Berry y Linoff, 2004; Wang, Zhou, Yang y Yeung,
2004; ). El umbral indica cun fuerte es el patrn y cun probable es que la
regla vuelva a ocurrir (Berson et al., 2000). Las reglas de asociacin
seleccionadas pueden usarse para construir un modelo para predecir el valor
de un cliente futuro (Wang et al., 2005).

En el marketing uno a uno, el 46,4% (13 de 28 artculos) utilizaron modelos
de asociacin para analizar los datos de los clientes, seguidos del 25,0% (7 de
28 artculos) que utilizaron modelos de clasificacin. Con respecto a los
programas de fidelidad, el 83,3% (20 de 24 artculos) utiliz modelos de
clasificacin para ayudar en la toma de decisiones.
La Tabla 3 muestra la distribucin de artculos por tcnicas de minera de
datos. Entre las 34 tcnicas de minera de datos que se han aplicado en CRM,
las redes neuronales son las tcnicas ms utilizadas. Se ha descrito en 30
(34,5%) de los 87 artculos en total. A continuacin se presentan las reglas de
rbol de decisin y asociacin que han sido descritas respectivamente en 21
(24,1%) y 20 (23,0%) artculos. Proporcionamos una breve descripcin de las
tres tcnicas ms utilizadas y algunas referencias como sigue:
Redes neuronales: En el campo de la inteligencia artificial, las tcnicas de red
neural han sido aplicadas con xito al reconocimiento del habla, al anlisis de
imgenes y al control adaptativo. La mayora de los sistemas de red neural
actualmente empleados simular el cerebro humano,
4.2. Distribucin de artculos por ao de publicacin
La distribucin de los artculos por ao de publicacin se muestra en la
figura 3. Es obvio que las publicaciones relacionadas con la aplicacin de
tcnicas de minera de datos en CRM han aumentado significativamente entre
2000 y 2005. En 2006, la cantidad de publicaciones disminuy 30% en
comparacin con 2005.
4.3. Distribucin de artculos por la revista en la que se publicaron los
artculos
La tabla 4 muestra la distribucin de artculos por revista. Los artculos
relacionados con la aplicacin de tcnicas de minera de datos en CRM se
distribuyen en 24 revistas. De stos, "Sistemas expertos con aplicaciones",
que se centra en el conocimiento de la aplicacin

Table 1
Distribution of articles according to the proposed classification model

CRM dimensions CRM elements Data mining Data mining techniques References
functions
Customer Segmentation Classification Decision tree Kim, Jung, Suh, and Hwang (2006)
identification Self-organizing map, decision tree and Markov Ha, Bae, and Park (2002)
chain model
Clustering K-means Dennis, Marsland, and Cockett (2001)
Data envelopment analysis, self organizing map Lee and Park (2005)
& decision tree
Pattern based cluster Yang and Padmanabhan (2005)
Self-organizing map Bae, Park, and Ha (2003), Verd, Garca, Senabre, Marn, and
Franco (2006)
Regression Logistic regression Hwang, Jung, and Suh (2004)
Target customer Classification Decision tree Chen et al. (2003), Wu, Kao, Su, and Wu (2005), Yu, Ou,
analysis Zhang, and Zhang (2005)
Clustering Self-organizing map Lee, Suh, Kim, and Lee (2004)
Visualization Customer map Woo et al. (2005)
Customer Direct marketing Regression Logistic regression Prinzie and Poel (2005)
attraction Classification Bayesian network classifier Baesens et al. (2002)
Decision tree Buckinx et al. (2004)
Genetic algorithm Ahn et al. (2006), Chiu (2002)
Neural network and genetic algorithm Kim and Street (2004)
Clustering Outlier detection He et al. (2004)
(continued on next page)
2598 E.W.T. Ngai et al. / Expert Systems with Applications 36 (2009) 25922602

Table 1 (continued)
CRM CRM Data mining Data mining techniques References
dimensions elements functions
Customer Complaints Clustering Self-organizing map Bae et al. (2005)
retention management Sequence Survival analysis LariviRe and Poel (2005)
discovery
Loyalty Classification Decision tree 20 Cox (2002), Douglas et al. (2005), LarivieRe and Poel (2005)
program Genetic algorithm Kim et al. (2003)
Logical analysis of data Lejeune (2001)
Neural network, K-nearest neighbor and decision tree Datta et al. (2000)
Classification and regression tree and multivariate Lee et al. (2006)
adaptive regression splines
Logistic regression and neural network Kim (2006)
Logistic regression, neural network and random forest Buckinx and Poel (2005)
Neural network and decision tree Hung et al. (2006)
Self-organizing map and Markov chain Kim et al. (2005)
Logistic regression, neural network and decision tree Koh and Chan (2002), Mozer et al. (2000), Smith et al. (2000)
Self-organizing map and decision tree Chu, Isai, and Ho (2007)
Data mining by evolutionary learning Au et al. (2003)
Multi-classifier class combiner approach Wei and Chiu (2002)
Self-organizing map Song et al. (2004)
Survival analysis LarivieRe and Poel (2004), Poel and Larivire (2004)
Clustering Attribute oriented induction Li et al. (2006)
Regression Logistic regression Cassab and Maclachlan (2006), Poel and Buckinx (2005)
Sequence Goal oriented sequential pattern Chiang et al. (2003)
discovery
One to one Association Association rules Adomavicius and Tuzhilin (2001), Au and Chan (2003), Chen,
marketing Chiu, and Chang (2005), Demiriz (2004), Jiao et al. (2006), Lee
et al. (2001), Wang et al. (2004)
Set theory and self-organizing map Changchien and Lu (2001)
Association rules and self-organizing map Ha (2002), Ha et al. (2006), Hsieh (2004)
Association rules and K-means Liu and Shih (2005)
MARFS1/S2 He et al. (2005)
Classification Decision tree Kim, Song, Kim, and Kim (2005), Min et al. (2002)
If-then-else Leung et al. (2003)
Support vector machine and latent class model Cheung et al. (2003)
Decision tree, naive Bayes, rule based RIPPER, K-nearest Jiang and Tuzhilin (2006)
network, S-means, S-means mod, farther first,
expectation Max & Expectation Max Mod
Constructive assignment algorithm Kim and Moon (2006)
Self-organizing map Lee and Park (2003)
Clustering Association rules Liao and Chen (2004)
K-nearest neighbor Cho and Kim (2004)
Neural network and genetic algorithm Kuo et al. (2005)
Self-organizing map Cho et al. (2005), Min and Han (2005)
Association rules Song et al. (2001)
Association rules and online Kwan et al. (2005)
Analytical mining neural network Chang et al. (2006)
Customer Lifetime Classification Bayesian network classifier Baesens et al. (2004)
development value Clustering Neural network Drew et al. (2001)
Survival analysis Rosset et al. (2003)
Forecasting Markov chain model Etzion et al. (2005)
Regression Linear regression Verhoef and Donkers (2001)
Market Association Association rules Aggarval and Yu (2002), Brijs et al. (2004), Jukic and Nestorov
basket (2006)
analysis Markov chain model Giudici and Passerone (2002)
Sequence Association rules Chen, Tang, Shen, and Hu (2005), Kubat et al. (2003)
discovery
Up/cross Association Neural network and association rule Changchien et al. (2004)
selling Sequence Mixture transition distribution Prinzie and Poel (2006)
discovery

de sistemas expertos e inteligentes en la industria, el gobierno y la no puede pretender ser exhaustiva, s proporciona ideas razonables y
universidad en todo el mundo, contiene ms del 40% (38 de 87 artculos) muestra la incidencia de la investigacin sobre este tema. Los resultados
del nmero total de artculos publicados. presentados en este documento tienen varias implicaciones importantes:

5. Conclusin, implicaciones y limitaciones de la investigacin
Aplicacin de tcnicas de minera de datos en CRM es una tendencia
emergente en la industria. Ha atrado la atencin de profesionales y
acadmicos. Este artculo ha identificado ochenta y siete artculos
relacionados con la aplicacin de tcnicas de minera de datos en el CRM y
publicados entre 2000 y 2006. Su objetivo es dar un resumen de la
investigacin sobre la aplicacin de la minera de datos en el dominio
CRM y las tcnicas que son ms utilizado a menudo. Aunque esta revisin
La investigacin sobre la aplicacin de la minera de datos en CRM
aumentar significativamente en el futuro sobre la base de las tasas de
publicaciones anteriores y el creciente inters en el rea.
La mayora de los artculos revisados estn relacionados con la retencin
de clientes. De estos, el 51,9% (28 artculos) y el 44,4% (24 artculos)
estn relacionados con programas de marketing y fidelizacin uno a uno
respectivamente. Estos artculos podran proporcionar una visin a los
responsables polticos de la organizacin sobre las prcticas comunes de
minera de datos utilizadas en la retencin de clientes.
 E.W.T. Ngai et al. / Expert Systems with Applications 36 (2009) 25922602 2599

Table 2 Table 3
Distribution of articles by CRM and data mining model Distribution of articles by data mining techniques

CRM dimensions CRM elements Data mining Amount Data mining techniques Amount
model Neural network 30
Customer Customer 8 Decision tree 23
identification segmentation Classification 2 Association rules 18
Clustering 5 Regression 10
Regression 1 Genetic algorithm 4
Target customer 5 Markov chain 4
analysis Classification 3 Survival analysis 4
Clustering 1 K means 3
Visualization 1 K nearest neighbour 3
13 Bayesian network classifier 2
If-then-else 1
Customer attraction Direct marketing 7
Set theory 1
Regression 1
Support vector machine 1
Classification 5
Attribute oriented induction 1
Clustering 1
Constructive assignment 1
7
Customer map 1
Customer retention Complaints 2
Data envelopment analysis 1
management Clustering 1
Data mining by evolutionary learning 1
Sequence 1
Expectation Max 1
Discovery
Expectation Max Mod 1
Loyalty program 24
Farthest first 1
Classification 20
Goal oriented sequential pattern 1
Clustering 1
Latent class model 1
Regression 2
Logical analysis of data 1
Sequence 1
MARFS1/S2 1
discovery
Mixture transition distribution 1
One to one marketing 28
Multi-classifier class combiner 1
Association 13
Multivariate adaptive regression splines 1
Classification 7
Online analytical mining 1
Clustering 5
Outlier detection 1
Sequence 3
Pattern based cluster 1
discovery
Rule-based RIPPER 1
54
S-means 1
Customer Customer lifetime 5 S-means Mod 1
development value Classification 1
Clustering 2 Totala 125
Forecasting 1 a
Remark: Each article may have used more that one data mining techniques.
Regression 1
Market basket 6
analysis Association 4
Sequence 2
25
discovery
Up/cross selling 2
23
Association 1 20
Sequence 1
ofArticle

16
discovery 16
s

13 15
Numbe

Total 87 87 87 11
10
10
r

8
De los 54 artculos relacionados con la retencin de clientes, slo dos de ellos 5
discuten la gestin de quejas. La gestin de quejas es un requisito crucial para 3
las empresas exitosas cuando se manejan las necesidades de los clientes y los
cambios en el comportamiento. Las tcnicas de minera de datos podran 0
aplicarse para descubrir patrones no vistos de quejas de la base de datos de 2000 2001 2002 2003 2004 2005 2006
una empresa. La raz de los problemas tambin puede ser descubierta Year of Publication
mediante la investigacin de la asociacin entre las quejas de diferentes
clientes. Por lo tanto, se podra realizar ms investigacin sobre la aplicacin Fig. 3. Distribution of articles by year of publication.
de tcnicas de minera de datos en la gestin de quejas.

Hay relativamente menos artculos que discuten el anlisis del cliente
objetivo. Las tcnicas de minera de datos, como las redes neuronales y los
rboles de decisin, podran utilizarse para buscar los segmentos rentables de
los clientes a travs del anlisis de las caractersticas subyacentes de los
clientes. A pesar del menor nmero de artculos relacionados con el anlisis
del cliente objetivo, no significa que la aplicacin de datos min-ing en este
aspecto es menos maduro que en los otros. Las aplicaciones de la minera de
datos en otros dominios de CRM, como en el marketing uno a uno, tambin
pueden aplicarse al anlisis de clientes objetivo si poseen el mismo objetivo
de analizar las caractersticas de los clientes.
El modelo de clasificacin es el modelo ms comnmente aplicado en
CRM para predecir comportamientos futuros de los clientes. Esto no es
sorprendente ya que el modelado de la clasificacin podra utilizarse para
predecir la eficacia o la rentabilidad de una estrategia de CRM mediante la
prediccin de comportamientos de los clientes.
Slo un artculo discuti la visualizacin de los resultados de minera de
datos en el contexto de CRM. Uno puede ver la visualizacin como un
complemento a otros modelos de minera de datos, ya que se refiere a la
presentacin de patrones o relaciones descubiertas. Por lo tanto, los buenos
sistemas de visualizacin podran ampliar el mrito de las tcnicas de
minera de datos en CRM. Se podra hacer ms investigacin en este tema.
2600 E.W.T. Ngai et al. / Expert Systems with Applications 36 (2009) 25922602

Table 4 References
Distribution of articles by journal
sin un ndice de palabras clave. En segundo lugar, este estudio limit la
Journal title Amount Percentage
bsqueda de artculos a 7 bases de datos en lnea. Puede haber otras
(%)
revistas acadmicas que puedan ser capaces de proporcionar una imagen
Sistemas Expertos con Aplicaciones 38 43.70 ms completa de los artculos relacionados con la aplicacin de la minera
Sistemas de Soporte a la Decisin 9 10.30 de datos en CRM. Por ltimo, se excluyeron las publicaciones no inglesas
Revista Europea de Investigacin Operativa 5 6.90 en este estudio. Creemos que la investigacin sobre la aplicacin de
Transaccin IEEE en Ingeniera de tcnicas de minera de datos en CRM tambin se ha discutido y publicado
en otros idiomas.
Conocimiento y Datos 5 5.70
Minera de datos y descubrimiento de Expresiones de gratitud
conocimiento 4 4.60
Sistemas Inteligentes IEEE 4 4.60 Esta investigacin fue apoyada en parte por la Universidad Politcnica de
Revisin de Inteligencia Artificial 2 2.30 Hong Kong (Proyecto N: G-YF20) y la Fundacin Nacional de Ciencias
Estadstica Computacional y Anlisis de Datos Naturales de China (NSFC, Proyecto n: 70671059).
2 2.30
Transacciones IEEE en sistemas de energa 2 2.30 Adomavicius, G., & Tuzhilin, A. (2001). Expert-driven validation of rule-based user models in
Computacin e Ingeniera Industrial 1 1.10 personalization applications. Data Mining and Knowledge Discovery, 5, 3358.
Aplicaciones y polticas de redes electrnicas 1 1.10 Aggarval, C. C., & Yu, P. S. (2002). Finding localized associations in market basket data. IEEE
Computacin Evolutiva 1 1.10 Transactions on Knowledge and Data Engineering, 14, 5162.
Ahmed, S. R. (2004). Applications of data mining in retail business. Information Technology:
Transacciones IEEE en sistemas difusos 1 1.10 Coding and Computing, 2, 455459.
Transacciones IEEE en procesamiento de voz y Ahn, H., Kim, K. J., & Han, I. (2006). Hybrid genetic algorithms and case-based reasoning
systems for customer classification. Expert Systems with Applications, 23, 127144.
audio 1 1.10
Informacin y Gestin 1 1.10 Au, W. H., & Chan, K. C. C. (2003). Mining fuzzy association rules in a bank-account
database. IEEE Transactions on Fuzzy Systems, 11, 238248.
Sistemas de Informacin Frontiers 1 1.10 Au, W. H., Chan, K. C. C., & Yao, X. (2003). A novel evolutionary data mining algorithm with
Revista Internacional de Hospitalidad applications to churn prediction. IEEE Transactions on Evolutionary Computation, 7, 532
545.
Contempornea 1 1.10 Bae, S. M., Ha, S. H., & Park, S. C. (2005). A web-based system for analyzing the voices of call
administracin center customers in the service industry. Expert Systems with Applications, 28, 2941.
Revista Internacional de Productividad y Bae, S. M., Park, S. C., & Ha, S. H. (2003). Fuzzy web ad selector based on web usage mining.
Rendimiento 1 1.10 IEEE Intelligent Systems, 6269.
Baesens, B., Verstraeten, G., Dirk, V. D. P., Michael, E. P., Kenhove, V. K., & Vanthienen, J.
administracin (2004). Bayesian network classifiers for identifying the slope of the customer-lifecycle of
Revista de gestin del conocimiento 1 1.10 long-life customers. European Journal of Operational Research, 156, 508523.
Journal of Service Research 1 1.10 Baesens, B., Viaene, S., Poel, D. V. D., Vanthienen, J., & Dedene, G. (2002). Bayesian neural
Revista de la Sociedad de Investigaciones network learning for repeat purchase modelling in direct marketing. European Journal of
Operational Research, 138, 191211.
Operacionales 1 1.10 Berry, M. J. A., & Linoff, G. S. (2004). Data mining techniques second edition - for marketing,
Sistemas Basados en el Conocimiento 1 1.10 sales, and customer relationship management. Wiley.
Berson, A., Smith, S., & Thearling, K. (2000). Building data mining applications for CRM.
Singapore Management Review 1 1.10 McGraw-Hill.
Sistemas de telecomunicaciones 1 1.10 Bortiz, J. E., & Kennedy, D. B. (1995). Effectiveness of neural network types for prediction of
business failure. Expert Systems with Applications, 9, 503512.
Total 87 100.00 Brijs, T., Swinnen, G., Vanhoof, K., & Wets, G. (2004). Building an association rules
framework to improve product assortment decisions. Data Mining and Knowledge
Discovery, 8, 723.
Entre los 87 artculos, 30 describieron redes neuronales en el dominio CRM. Buckinx, W., Moons, E., Poel, D. V. D., & Wets, G. (2004). Customer-adapted coupon
targeting using feature selection. Expert Systems with Applications, 26, 509 518.
Las redes neuronales se pueden aplicar en la clasificacin, agrupacin y
prediccin. Por lo tanto, no es sorprendente que las redes neurales de Buckinx, W., & Poel, D. V. D. (2005). Customer base analysis: Partial defection of
trabajo se utilizaron en una amplia gama de dominios de CRM. behaviorally-loyal clients in a non-contractual FMCG retail setting. European Journal of
Operational Research, 164, 252268.
Carrier, C. G., & Povel, O. (2003). Characterising data mining software. Intelligent Data
rboles de decisin y reglas de asociacin de las tcnicas de rango despus de Analysis, 7, 181192.
redes neuronales en popularidad de la aplicacin en CRM. La lgica de Cassab, H., & Maclachlan, D. L. (2006). Interaction fluency: A customer performance measure
ambas tcnicas puede ser seguida ms fcilmente por los empresarios que of multichannel service. International Journal of Productivity and Performance
Management, 55, 555568.
por las redes neuronales. Por lo tanto, las dos tcnicas deben ser una
Chang, S. E., Changchien, S. W., & Huang, R. H. (2006). Assessing users product-specific
buena opcin para los no expertos en minera de datos. knowledge for personalization in electronic commerce. Expert Systems with Applications,
30, 682693.
Con respecto a los resultados de la investigacin, sugerimos que se puedan Changchien, S. W., Lee, C. F., & Hsu, Y. J. (2004). On-line personalized sales promotion in
electronic commerce. Expert Systems with Applications, 27, 35 52.
realizar ms investigaciones en el mbito del desarrollo del cliente. Con el
fin de maximizar los beneficios de una organizacin a travs de CRM, los Changchien, S. W., & Lu, T. C. (2001). Mining association rules procedure to support on-line
fabricantes de polticas tienen que retener clientes valiosos e incrementar recommendation by customers and products fragmentation. Expert Systems with
Applications, 20, 325335.
el valor de vida del cliente. Como tal, la retencin de clientes y el
Chen, M. C., Chiu, A. L., & Chang, H. H. (2005). Mining changes in customer behavior in
desarrollo son importantes para mantener una relacin a largo plazo y retail marketing. Expert Systems with Applications, 28, 773781.
agradable con los clientes. Chen, Y. L., Hsu, C. L., & Chou, S. C. (2003). Constructing a multi-valued and multi-labeled
decision tree. Expert Systems with Applications, 25, 199209.
Chen, Y. L., Tang, K., Shen, R. J., & Hu, Y. H. (2005). Market basket analysis in a multiple
Este estudio podra tener algunas limitaciones. En primer lugar, este estudio store environment. Decision Support Systems, 40, 339354.
slo encuest artculos publicados entre 2000 y 2006, que se extrajeron a Cheung, K. W., Kwok, J. T., Law, M. H., & Tsui, K. C. (2003). Mining customer product
partir de una bsqueda de palabras clave de "gestin de relaciones con ratings for personalized marketing. Decision Support Systems, 35, 231243.
Chiang, D. A., Wang, Y. F., Lee, S. L., & Lin, C. J. (2003). Goal-oriented sequential pattern for
clientes" y "minera de datos". No se pudo extraer artculos que
network banking churn analysis. Expert Systems with Applications, 25, 293302.
mencionaran la aplicacin de tcnicas de minera de datos en CRM pero
Chiu, C. (2002). A case-based customer classification approach for direct marketing.
Expert Systems with Applications, 22, 163168.
Cho, Y. B., Cho, Y. H., & Kim, S. H. (2005). Mining changes in customer buying behavior for
collaborative recommendations. Expert Systems with Applications, 28, 359369.

Cho, Y. H., & Kim, J. K. (2004). Application of web usage mining and product taxonomy to
collaborative recommendations in e-commerce. Expert Systems with Applications, 26,
233246.
Chu, B. H., Tsai, M. S., & Ho, C. S. (2007). Toward a hybrid data mining model for customer
retention. Knowledge-Based Systems, 20, 703718.
Cox, L. A. (2002). Data mining and causal modeling of customer behaviors.
Telecommunication Systems, 21, 349381.
Datta, P., Masand, B., Mani, D. R., & Li, B. (2000). Automated cellular modeling and
prediction on a large scale. Artificial Intelligence Review, 14, 485502.
Demiriz, A. (2004). Enhancing product recommender systems on sparse binary data.
Data Mining and Knowledge Discovery, 9, 147170.
 E.W.T. Ngai et al. / Expert Systems with Applications 36 (2009) 25922602
Dennis, C., Marsland, D., & Cockett, T. (2001). Data mining for shopping centres-customer
knowledge management framework. Journal of Knowledge Management, 5, 368374.
Douglas, S., Agarwal, D., & Alonso, T. (2005). Mining customer care dialogs for daily news.
IEEE Transactions on Speech and Audio Processing, 13, 652660.
Drew, J. H., Mani, D. R., Betz, A. L., & Datta, P. (2001). Targeting customers with statistical
and data-mining techniques. Journal of Service Research, 3, 205 220.
Etzion, O., Fisher, A., & Wasserkrug, S. (2005). E-CLV: A modeling approach for customer
lifetime evaluation in e-commerce domains, with an application and case study for online
auction. Information Systems Frontiers, 7, 421434.
Fletcher, D., & Goss, E. (1993). Forecasting with neural networks: An application using
bankruptcy data. Information and Management, 3.
Giudici, P., & Passerone, G. (2002). Data mining of association structures to model consumer
behaviour. Computational Statistics and Data Analysis, 38, 533541.
Ha, S. H. (2002). Helping online customers decide through web personalization. IEEE
Intelligent Systems, 17, 3443.
Ha, S. H., Bae, S. M., & Park, S. C. (2002). Customers time-variant purchase behavior and
corresponding marketing strategies: An online retailers case. Computers and Industrial
Engineering, 43, 801820.
Ha, S. H., Bae, S. M., & Park, S. C. (2006). Digital content recommender on the internet. IEEE
Intelligent Systems, 21, 7077.
He, Z., Xu, X., Deng, S., & Ma, R. (2005). Mining action rules from scratch. Expert Systems
with Applications, 29, 691699.
He, Z., Xu, X., Huang, J. Z., & Deng, S. (2004). Mining class outliers: Concepts, algorithms
and applications in CRM. Expert Systems with Applications, 27, 681697.
Hsieh, N. C. (2004). An integrated data mining and behavioral scoring model for analyzing
bank customers. Expert Systems with Applications, 27, 623633.
Hung, S. Y., Yen, D. C., & Wang, H. Y. (2006). Applying data mining to telecom churn
management. Expert Systems with Applications, 31, 515524.
Hwang, H., Jung, T., & Suh, E. (2004). An LTV model and customer segmentation based on
customer value: A case study on the wireless telecommunication industry. Expert Systems
with Applications, 26, 181188.
Jiang, T., & Tuzhilin, A. (2006). Segmenting customers from population to individuals: Does 1-
to-1 keep your customers forever. IEEE Transactions on Knowledge and Data Engineering,
18, 12971311.
Jiao, J. R., Zhang, Y., & Helander, M. (2006). A Kansei mining system for affective design.
Expert Systems with Applications, 30, 658673.
Jukic, N., & Nestorov, S. (2006). Comprehensive data warehouse exploration with qualified
association-rule mining. Decision Support Systems, 42, 859878.
Kim, E., Kim, W., & Lee, Y. (2003). Combination of multiple classifiers for the customers
purchase behavior prediction. Decision Support Systems, 34, 167175.
Kim, J. K., Song, H. S., Kim, T. S., & Kim, H. K. (2005). Detecting the change of customer
behavior based on decision tree analysis. Expert Systems with Applications, 22, 193205.
Kim, S. Y., Jung, T. S., Suh, E. H., & Hwang, H. S. (2006). Customer segmentation and
strategy development based on customer lifetime value: A case study. Expert Systems with
Applications, 31, 101107.
Kim, Y. A., Song, H. S., & Kim, S. H. (2005). Strategies for preventing defection based on the
mean time to defection and their implementations on a self-organizing map. Expert
Systems with Applications, 22, 265278.
Kim, Y. H., & Moon, B. R. (2006). Multicampaign assignment problem. IEEE Transactions on
Knowledge and Data Engineering, 18, 405414.
Kim, Y. S. (2006). Toward a successful CRM: Variable selection, sampling, and ensemble.
Decision Support Systems, 41, 542553.
Kim, Y. S., & Street, W. N. (2004). An intelligent system for customer targeting: A data mining
approach. Decision Support Systems, 37, 215228.
Kincaid, J. W. (2003). Customer relationship management: Getting it right. Upper
saddle river. N.J.: Prentice Hall PTR.
Koh, H. C., & Chan, K. L. G. (2002). Data mining and customer relationship marketing in the
banking industry. Singapore Management Review, 24, 128.
Kracklauer, A. H., Mills, D. Q., & Seifert, D. (2004). Customer management as the origin of
collaborative customer relationship management. Collaborative Customer Relationship
Management - taking CRM to the next level, 36.
Kubat, M., Hafez, A., Raghavan, V. V., Lekkala, J. R., & Chen, W. K. (2003). Item set trees for
targeted association querying. IEEE Transaction on Knowledge and Data Engineering, 15,
15221534.
Kuo, R. J., Liao, J. L., & Tu, C. (2005). Integration of art2 neural network and genetic k-means
algorithm for analyzing web browsing paths in electronic commerce. Decision Support
Systems, 40, 355374.
Kwan, I. S. Y., Fong, J., & Wong, H. K. (2005). An e-customer behavior model with online
analytical mining for internet marketing planning. Decision Support Systems, 41, 189204.
Langley, P., & Simon, H. A. (1995). Applications of machine learning and rule induction.
Communication of the ACM, 38, 5564.
LarivieRe, B., & Poel, D. V. D. (2004). Investigating the role of product features in preventing
customer churn, by using survival analysis and choice modeling: The case of financial
services. Expert Systems with Applications, 27, 277285.
LarivieRe, B., & Poel, D. V. D. (2005). Predicting customer retention and profitability by using
random forests and regression forests techniques. Expert Systems with Applications, 29,
472484.
LariviRe, B., & Poel, D. V. D. (2005). Investigating the post-complaint period by means of
survival analysis. Expert Systems with Applications, 29, 667677.
2601
Lau, H. C. W., Wong, C. W. Y., Hui, I. K., & Pun, K. F. (2003). Design and implementation of
an integrated knowledge system. Knowledge-Based Systems, 16, 6976.
Lee, C. H., Kim, Y. H., & Rhee, P. K. (2001). Web personalization expert with combining
collaborative filtering and association rule mining technique. Expert Systems with
Applications, 21, 131137.
Lee, J. H., & Park, S. C. (2003). Agent and data mining based decision support system and its
adaptation to a new customer-centric electronic commerce. Expert Systems with
Applications, 25, 619635.
Lee, J. H., & Park, S. C. (2005). Intelligent profitable customers segmentation system based on
business intelligence tools. Expert Systems with Applications, 29, 145152.
Lee, S. C., Suh, Y. H., Kim, J. K., & Lee, K. J. (2004). A cross-national market segmentation of
online game industry using SOM. Expert Systems with Applications, 27, 559570.
Lee, T. S., Chiu, C. C., Chou, Y. C., & Lu, C. J. (2006). Mining the customer credit using
classification and regression tree and multivariate adaptive regression splines.
Computational Statistics and Data Analysis, 50, 11131130.
Lejeune, M. A. P. M. (2001). Measuring the impact of data mining on churn management.
Internet Research: Electronic Networking Applications and Policy, 11, 375387.
Leung, R. W. K., Lau, H. C. W., & Kwong, C. K. (2003). On a responsive replenishment
system: A fuzzy logic approach. Expert Systems with Applications, 20, 2032.
Li, S. T., Shue, L. Y., & Lee, S. F. (2006). Enabling customer relationship management in ISP
services through mining usage patterns. Expert Systems with Applications, 30, 621632.
Liao, S. H., & Chen, Y. J. (2004). Mining customer knowledge for electronic catalog marketing.
Expert Systems with Applications, 27, 521532.
Ling, R., & Yen, D. C. (2001). Customer relationship management: An analysis framework and
implementation strategies. Journal of Computer Information Systems, 41, 8297.
Liu, D. R., & Shih, Y. Y. (2005). Integrating AHP and data mining for product recommendation
based on customer lifetime value. Information and Management, 42, 340387.
Min, H., Min, H., & Eman, A. (2002). A data mining approach to developing the profiles of
hotel customers. International Journal of Contemporary Hospitality Management, 14, 274
285.
Min, S. H., & Han, I. (2005). Detection of the customer time-variant pattern for improving
recommender systems. Expert Systems with Applications, 28, 189199.
Mitra, S., Pal, S. K., & Mitra, P. (2002). Data mining in soft computing framework: A survey.
IEEE Transactions on Neural Networks, 13, 314.
Mozer, M. C., Wolniewicz, R., Grimes, D. B., Johnson, E., & Kaushansky, H. (2000).
Predicting subscriber dissatisfaction and improving retention in the wireless
telecommunications industry. IEEE Transactions on Neural Networks, 11, 690696.
Ngai, E. W. T. (2005). Customer relationship management research (19922002): An academic
literature review and classification. Marketing Intelligence, Planning, 23, 582605.
Nord, J. H., & Nord, G. D. (1995). MIS research: Journal status and analysis.
Information & Management, 29, 2942.
Parvatiyar, A., & Sheth, J. N. (2001). Customer relationship management: Emerging practice,
process, and discipline. Journal of Economic & Social Research, 3, 134. Poel, D. V. D., &
Buckinx, W. (2005). Predicting online-purchasing behavior.
European Journal of Operational Research, 166, 557575.
Poel, D. V. D., & Larivire, B. (2004). Customer attrition analysis for financial services using
proportional hazard models. European Journal of Operational Research, 157, 196217.
Prinzie, A., & Poel, D. V. D. (2005). Constrained optimization of data-mining problems to
improve model performance: A direct-marketing application. Expert Systems with
Applications, 29, 630640.
Prinzie, A., & Poel, D. V. D. (2006). Investigating purchasing-sequence patterns for financial
services using Markov, MTD and MTDg models. European Journal of Operational
Research, 170, 710734.
Rosset, S., Neumann, E., Eick, U., & Vatnik, N. (2003). Customer lifetime value models for
decision support. Data Mining and Knowledge Discovery, 7, 321339.
Salchenberger, L. M., Cinar, E. M., & Lash, N. A. (1992). Neural networks: A new tool for
predicting thrift failures. Decision Sciences, 23, 899916.
Shaw, M. J., Subramaniam, C., Tan, G. W., & Welge, M. E. (2001). Knowledge management
and data mining for marketing. Decision Support Systems, 31, 127137.
Smith, K. A., Wills, R. J., & Brooks, M. (2000). An analysis of customer retention and
insurance claim patterns using data mining: A case study. Journal of the Operational
Research Society, 51, 532541.
Song, H. S., Kim, J. K., Cho, Y. B., & Kim, S. H. (2004). A personalized defection detection
and prevention procedure based on the self-organizing map and association rule mining:
Applied to online game site. Artificial Intelligence Review, 21, 161184.
Song, H. S., Kim, J. K., & Kim, S. H. (2001). Mining the change of customer behavior in an
internet shopping mall. Expert Systems with Applications, 21, 157168.
Su, C. T., Hsu, H. H., & Tsai, C. H. (2002). Knowledge mining from trained neural networks.
Journal of Computer Information Systems, 42, 6170.
Swift, R. S. (2001). Accelarating customer relationships: Using CRM and relationship
technologies. Upper saddle river. N.J.: Prentice Hall PTR.
Tam, K. Y., & Kiang, M. Y. (1992). Managerial applications of neural networks: The case of
bank failure predictions. Management Science, 38, 926947.
2602 E.W.T. Ngai et al. / Expert Systems with Applications 36 (2009) 25922602

Teo, T. S. H., Devadoss, P., & Pan, S. L. (2006). Towards a holistic perspective of customer
relationship management implementation: A case study of the housing and development
board, Singapore. Decision Support Systems, 42, 16131627.
Turban, E., Aronson, J. E., Liang, T. P., & Sharda, R. (2007). Decision support and business
intelligence systems (Eighth ed.). Pearson Education.
Verd, S. V., Garca, M. O., Senabre, C., Marn, A. G., & Franco, F. J. G. (2006).
Classification, filtering, and identification of electrical customer load patterns through the
use of self-organizing maps. IEEE Transactions on Power Systems, 21, 16721682.
Verhoef, P. C., & Donkers, B. (2001). Predicting customer potential value an application in the
insurance industry. Decision Support Systems, 32, 189199.
Wang, K., Zhou, S., Yang, Q., & Yeung, J. M. S. (2005). Mining customer value: From
association rules to direct marketing. Data Mining and Knowledge Discovery, 11, 5779.
Wang, Y. F., Chuang, Y. L., Hsu, M. H., & Keh, H. C. (2004). A personalized recommender
system for the cosmetic business. Expert Systems with Applications, 26, 427434.
Wei, C. P., & Chiu, I. T. (2002). Turning telecommunications call details to churn prediction: A
data mining approach. Expert Systems with Applications, 23, 103112.
Woo, J. Y., Bae, S. M., & Park, S. C. (2005). Visualization method for customer targeting using
customer map. Expert Systems with Applications, 28, 763772.
Wu, C. H., Kao, S. C., Su, Y. Y., & Wu, C. C. (2005). Targeting customers via discovery
knowledge for the insurance industry. Expert Systems with Applications, 29, 291299.
Yang, Y., & Padmanabhan, B. (2005). A hierarchical pattern-based clustering algorithm for
grouping web transactions. IEEE Transaction on Knowledge and Data Engineering, 17,
13001304.
Yu, J. X., Ou, Y., Zhang, C., & Zhang, S. (2005). Identifying interesting visitors through web
log classification. IEEE Intelligent Systems, 20, 5559.
Zhang, G., Hu, M. Y., Patuwo, B. E., & Indro, D. C. (1999). Artificial neural networks in
bankruptcy prediction: General framework and cross validation analysis. European Journal
of Operational Research, 116, 1632.