今天小编就给大家整理了CRM寻求突破 挖掘数据抓住客户（共含10篇），希望对大家的工作和学习有所帮助，欢迎阅读!同时，但愿您也能像本文投稿人“HighCSeeker”一样，积极向本站投稿分享好文章。
某商场实行会员积分制度，依据会员的积分卡建立了CRM系统，会员可凭积分卡在购物时享受一定的折扣优惠，根据消费金额进行积分，同时每年还可获得一本商场内商户的打折优惠券，
会员卡搜集的资料主要是会员的个人信息，包括性别、联系方式、居住地址等，同时由于会员在消费时需刷卡才能积分并享受优惠，故所有会员的每一次消费信息包括花费金额、购买时间、所购商品名称、所购商品的促销折扣、享受的总折扣都有记录。但该商场仅将此资料作为积分兑奖的依据加以利用，同时对长时间未到店的用户进行短信促销推广，这样做实际仅利用了CRM数据库中很小的一部分信息，对于海量的会员购物细节信息并没有加以深度的利用。
在周边商场不断打折促销的压力下，该商场采用同样的折扣手段进行促销以吸引消费者，但效果不佳，商场的营业额出现了增长的停滞甚至下跌。商场面对困境决定对用户的数据进行深度的发掘，希望能够对商场的会员采取有针对性的促销措施，以避免客户的流失。
CRM是步枪 数据挖掘是
针对这一案例，本尼菲咨询数据挖掘咨询顾问认为，传统企业管理的优势通常体现在后台，ERP系统帮助企业实现了内部商业流程的优化，提高了生产效率。而面对前台变幻莫测的市场时，企业往往缺乏真正有效的工具的帮助，诸如：什么产品最受欢迎、哪些顾客偏好购买哪种产品、原因是什么、有多少回头客、什么类型的客户为企业带来现金流、什么类型的客户为企业带来利润、哪些用户较具成长能力、哪些用户有离开的倾向、离开的原因有哪些等，目前大部分企业还只能依靠经验来推测，CRM系统的应用还仅仅局限在浅层，很多数据并没有被转化为能够帮助客户的知识加以利用，而仅仅是作为一个数据被忽略掉了。
目前CRM系统已经为企业提供了一个收集、分析和利用各种客户信息的系统，帮助企业充分利用其客户管理资源，也为企业在电子商务时代从容自如地面对客户提供了科学手段和方法。目前所有企业面临的一个共同问题是：企业数据量非常大，而其中真正有价值的信息却很少。如何有效地利用这些海量的信息，是摆在大多数企业面前的一个重大的问题。
大量的调查和行业分析家都明确了这样一个事实，即建立和维持客户关系是取得竞争优势的惟一且最重要的基础，这是网络化经济和电子商务对传统商业模式变革的直接结果。而实现这一目标的有力武器就是数据挖掘。
数据挖掘与CRM之间的关系类似于枪和子弹的关系，CRM就是一支步枪，而数据挖掘工具则为这支步枪装备了强力的 。这一组合将成为企业赢得市场、取得市场成功的有效助力。
数据分析形成会员分类 进行精细化营销
那么，怎样才能对用户的数据进行深度挖掘呢？让我们看看这个商场是怎么做的。
首先，这个商场根据用户的消费额和消费频率将用户进行分级，对消费金额较高的重点客户进行定期电话回访，以保证高端客户稳定。在这个环节中，数据挖掘团队首先对用户的消费额度和消费频率进行平均，再将每一个用户的消费频率和消费额度与平均值相比，得到与平均值有显着差异的用户，通过进一步的电话和短信访问区分出高价值客户和低价值客户，
再将高价值用户的消费额与消费频率进行交叉，对高价值用户进行进一步的细分。其次，分析师根据用户的消费频率和购物习惯将用户进行分类，根据对会员进行的电话访问结果和消费数据的分析，建立了会员的购物模式分类模型，通过聚类分析，将会员归类到各个细分的类别当中，再经过与商场的一线人员的实际沟通，对分类结果进行进一步的修正。对每一个新加入的会员经过判别分析后直接归入到其所属的类型当中，在经过一段时间的观测取得一定量数据后，即可对其展开针对性的营销推广活动。
用户在持有会员卡进行一定频率的消费后，模型自动判断用户在商场的购物类型和习惯，将会员细分为价格敏感型、超市购物型、品牌忠诚型、附近居住型等不同的类型。根据差别分析的结果检验，商场发现，价格变化对价格敏感型用户的差别影响程度达到了87.2%，其他类型的用户群体在差别检验中，也显着地体现出了其主要的影响因素。
这一结果首先被应用于针对性的定制营销。商场有针对性地发送了不同的促销信息，包括对价格敏感型用户在推送内容上主要以打折促销信息为主，将其习惯在商场购买的商品的相关打折促销信息准确地通过短信推送到其手中。而对于品牌忠诚型消费者则有选择地推送相关品牌的新品上市、价格促销等信息。同时通过与用户的频繁接触，对用户的个人信息进行了定期的维护和更新，使得商场有能力通过邮件递送的方式，将过去需要消费者到店领取的优惠券直接递送到消费者的手中。
在第二阶段，根据本地消费者与商场会员的购物习惯，将本地消费者习惯购买的商品的相关信息，根据消费者的购物习惯进行共同的促销信息推送，以吸引原本在其他地方购买商品的用户在本商场进行更多的相关产品购买。例如购买品牌服装的女性消费者通常具有较大的化妆品及护肤用品的消费需求，在过去，由于商场面积较大以及商场一贯的高端形象，很多消费者是在其他商场购买化妆品和护肤用品的，但经过对消费者购物习惯的数据挖掘后，商场针对只在商场购买服装的女性消费者有针对性地根据其购物的价位推送相关化妆品和护肤用品的广告，同时调整了购物通道的设计，使得消费者能够更容易从服装区到达化妆品区域。经过一个月左右的实际检验，商场的化妆品和护肤用品销售额得到了大幅度的增长。
图1商场根据用户的消费频率和购物习惯将用户进行分类，建立了会员的购物模式分类模型
针对性营销商场数据采集与分析会员消费
图2商场通过对CRM系统数据采集与分析，对会员进行有针对性的营销。
链接
零售企业如何有效应用CRM数据
针对目前在各零售企业普遍应用的CRM系统情况，本尼菲数据挖掘分析师建议：
首先，在企业系统建设规划阶段，充分考虑来自不同部门的近期及长期需求，充分将CRM系统实施后可能会为企业的运营带来的变化向各部门详细阐述，由各部门提出各自对于系统的期望和要求，统一汇总调整后整理为系统的建设需求。在此过程中，要充分考虑CRM数据挖掘对于企业市场营销与市场微观环节的影响以及对决策支持的重要性。
其次，在CRM设计阶段预留出足够的升级空间，比如数据库在设计时不仅要考虑目前有能力收集的数据，更要为未来可能会收集到的数据预留出足够的空间。
同样，系统的设计不仅是为了收集数据进行统一的提取和分析，还要考虑未来逐步实现智能数据分析，将真正的商业智能逐步引入到系统当中，这就需要在数据搜集、传输、储存等环节充分考虑到这方面的要求。
最后，整个系统的设计应建立在有效、易用、扩展性强的基础上，充分打好后台的基础，在企业CRM系统运行一段时间后，针对CRM运营数据进行全面分析，以保证随着商业模式和规模的不断升级，系统能够尽可能地无缝升级——只需进行前端应用层面的修正即可保证在数据结构不出现大的变化的情况下，实现对经营管理的有效支撑。
任何企业在制定其增长策略时都需要回答以下两个关键问题：在哪里竞争及如何竞争，回答以上问题的基础在于是否对企业的内、外部环境有一个清晰的认识，了解企业客户(客户种类、客户需求、购买因素)作为对外部环境研究的一个重要方面一直都受到企业管理者的关注。
为此就需要不断地对影响客户行为的因素进行深入的分析，具体包括:客户是谁?客户的购买体验如何?服务或产品的竞争性如何(包括价格、渠道、行销等多方面)?我们都知道，加深对客户的了解是一个循序渐进的过程，具体包括客户特征的描述、客户细分、客户价值分析、客户生命周期分析及客户忠诚度分析等多项内容。
CRM需要数据挖掘
客户的价值已经越来越多地影响着企业的价值，客户关系管理 (CRM)正是通过建立长期而系统的客户关系来提升单个客户价值的战略，其要旨在于帮助企业通过运用适合的技术以及合理的人力资源洞察客户的行为和他们的价值，以便企业能够迅速有效地对客户的需求进行回应。CRM的核心是“了解客户，倾听客户”，CRM的目标可以概括为“吸引潜在客户进入，提高现有客户满意度和忠诚度，降低客户流失”，总之一切的最终目的--提高收益。
在企业关注客户关系管理的同时，信息技术的飞速发展为客户关系管理(CRM)的高效实施提供了技术保证;通过数据挖掘技术对客户需求进行深入分析可以满足企业对个体细分市场的客户关系管理需求。数据挖掘主要是找a寻隐藏在数据中的信息，例如发现趋势、特征及相关性的过程，也就是从数据中发掘出信息或知识;数据挖掘要求使用者具有对商业问题的深入理解及对模型适用条件的深刻认识。
数据挖掘在CRM中扮演的角色
企业通过搜集、累积大量的市场及顾客的资料，建立了庞大的数据仓库，通过采用数据挖掘技术，寻找出对消费者而言最关键、最重要的影响因素，并籍此建立真正以客户需求为出发点的客户关系管理系统。
数据挖掘在CRM中的具体应用包括:客户盈利能力提升、客户挽留、客户细分、客户倾向、渠道优化、风险管理、欺诈监测、购买倾向分析、需求预测、等价格优化等，下面通过对中国移动客户保留计划的分析，来说明数据挖掘在CRM中扮演的角色，
中移动客户保留案例分析
国内移动通信市场的价格战是当前困扰运营商的主要问题，很多客户从一个移动运营商转向另一个移动运营商只是为了得到更低的费用及其他额外的优惠条件(如赠机)。因此需要通过对转网客户群的特征进行深入分析，然后根据分析结果到现有客户资料中找出可能转网的客户群，有针对性地设计一些客户保持计划来预防现有客户的流失。
针对当前的市场竞争状况，中国移动应对市场短期竞争及实现其长期发展的主要策略是:营销重心后移，巩固中高端用户，通过对现有个人用户消费行为的分析设计有针对性的个性化套餐，以达到保留现有客户的目的;具体可以概括为以下几个方面:
关注现有客户的稳定性，通过对现有客户利益诉求的满足，以及对移动品牌宣传的推动，来巩固现有的在网客户;
通过对客户消费行为及偏好差异的分析，针对不同细分人群设计相应的套餐;
通过对客户价值量的差异分析以提供不同的客户服务及忠诚度计划;
积极的客户挽留工作，对客户流失进行监控，及时进行用户挽留;
通过各种合作伙伴的捆绑扩大服务的广度，促进客户发展及客户维系(如移动机场贵宾休息室服务等)。
通过对移动竞争策略的分析，可以发现数据挖掘在中国移动套餐设计中的作用:
1.通过有效的数据挖掘，通过对消费者行为的分析来进行客户细分，具体内容包括界定客户群消费行为的指标、对消费行为的聚类分析、客户群的分类并对其的普遍行为进行描述;2.明确消费者的战略定位，通过对各消费群提的规模及业务贡献的分析，明确各消费群体的竞争稳定性，针对不同的消费群体界定出其在企业中的战略定位，同时通过有效的套餐元素设计来推出针对性的套餐计划。
3.通过对不同群体之间的套餐进行组合，形成包括基本套餐、特殊套餐及可选择性捆绑的套餐模板。
综上，数据挖掘是CRM的前提和基础，CRM是数据挖掘的延续和创新，通过将两者进行有效的组合，不断促进企业单个客户价值的提升和客户规模的扩大，有效地推动着企业价值和实力的不断攀升。
自从我上次斗胆回答“如何选择数据挖掘工具”之后，已经好几年过去了，本文主要阐述以下两个核心观点：
1. 没有最好的工具,更确切地说，没有适合所有人的最好的工具。
2. 最有用的工具，是那些能够满足你所需要的绝大多数数据挖掘任务的工具。
主要的数据挖掘任务
大多数数据挖掘人员都明白，数据挖掘项目中70%到90%的工作是做数据准备。在数据挖掘工具的演进过程中，数据准备功能的开发一直被放在次要位置上。最后，你要能够对模型准确评估，才能比较多个模型，并将它们推荐给市场人员。
数据准备任务
常见的数据准备任务包括：
◆进行数据评估
以判别出：
缺失值(空字符串、空格、空值)
孤立点
共线性评估(自变量之间的相关性)
◆合并多个数据集;
◆从不同输入格式到通用分析格式的元数据(字段的名称和类型)映射;
◆将类似变量的值变换为通用格式;
◆某些算法对输入变量有特殊要求，需要将数值型变量变换为类别型(通过数据分箱和分类)，或者将类别型变换为数值型;
◆将变量值切分为多个字段，或将多个字段合并为一个字段;
◆从现有变量中派生新变量。大多数数据挖掘人员发现，有些最具有预测能力的变量，正是派生出来的变量。
大多数数据挖掘工具会把这些数据挖掘功能放在次要的地位， 本文则会侧重评估常见数据挖掘工具处理这些任务的能力。
除了能支持以上的数据准备任务，一个好的数据挖掘工具还应该包含模型评估的功能，以便比较建模过程中产生的多个模型，并用于支持直效营销(direct marketing)。
模型评估工具
在分析理论中，最好的模型是具有最佳精度的模型，可以准确预测出目标变量的类别，同时在验证数据集上也能表现稳定。这就是说，在预测中我们要考虑响应目标和非响应目标的组合精度。这种方法称为全局精度方法（Global Accuracy method）。大多数数据挖掘工具使用这种方法来确定“最佳”模型。但是，它也有美中不足。全局精度评估方法的背后有一个前提假设，就是各种分类错误的代价是相同的。这种方法在课堂上表现不错，但在实际的CRM数据挖掘应用上则可能存在问题，特别是在那些用于直邮营销的应用上。实际上，这也是过去很多用CRM来支持直邮营销而未能产生明显商业价值的一个主要原因。对模型的评估有一些主要原则，而其中只有一部分是营销部门真正关心的： 最大化目标客户的响应率，最小化所需成本。大多数数据挖掘工具都把注意力集中在预测的组合精度上，却完全忽略了成本的因素。
在直效营销活动中，向未响应的潜在客户（称为“错误肯定”错误，false-positive）发送邮件的成本是相当低的；而如果一个潜在客户可能会响应（称为“错误否定”错误，false-negative），你却没有向他发送邮件，那么这个代价就相当大了（因为没有把他发展为客户，您会损失他所缴纳的会员费，而且他也不可能购买您的其它服务）。因此在直销营销模型的评估中，就应该尽量最小化错误否定的错误，而不是错误肯定。因为营销部门只关注响应率和成本，如果前30%的客户名单中包含了全体响应者的60%，就可以满足他们的需求。对于直销营销来说，尽管前30%的客户仍会有部分人不会响应（错误肯定错误），向他们发送邮件依然是值得的。那是因为我们已经联系了全体响应者中的60%。 此时就比随机发邮件的有效性提高了一倍，也就更加合算。
大多数数据挖掘工具都使用全局精度方法来进行模型评估。它们可能会要求你使用这种方法，通过工具的报表功能来识别出“最佳”模型。不同算法会产生多个模型，我们不应该只是查看工具提供的精度报告，简单比较后就判别哪个是最佳的模型。实际上，更合适的评估应该根据如下条件来做出：按照预测概率值顺序排列模型结果，生成评分列表，然后看真正的响应者是否被放在最前面的分段中。 尽管分类算法可以输出分类概率，实际的类别（例如，0或1）还是对分类概率的进一步归纳（例如，<0.5 = 0; ≥ 0.5 = 1）。 大量真正的“金块”隐藏在数据挖掘工具的功能模块之中。 初级的CRM挖掘人员会把注意力放在分类和精度上面，但真正的“金块”应该是客户保持、购买倾向以及新客户获取的概率值。
我们应该查看累积提升表（cumulative lift table；例如表1），来判别模型是否真正有效地把正确肯定（true-positives）放在了靠前的分组里。累积提升表可以通过以下方式创建：
1.预测概率值按降序方式存储为有序列表
2.把这个有序列表划分为10段（分组）
3.计算每组中的实际命中数（actual hits，实际的响应数）
4.计算每个分组的随机期望值（random expectation），该期望值等于实际响应总数除以10。也就是说，在每个分组中我们期望会有实际响应总数的10%会响应。 如果命中率超过了随机期望值，就意味着模型为该分组带来了提升。
表1：提升表
译者注：
Decile-分组序号;Hits-命中数，即每组内包含的实际响应数，等于TP+FN;
TP-正确肯定;FN-错误否定;TN-正确否定;FP-错误肯定;
(TP和FN对应于实际的响应，TN和FP对应于实际的非响应)
Random Hits-随机命中数，即随机期望值，等于SUM(TP+FN)/10;
% of Total-召回率，等于Hits/SUM(Hits)*100;
Cum % of Total-累积召回率，是% of Total的累积值。
一共划分了10个分组，实际的总响应数为SUM(Hits)=275，因此每组的随机期望值为275/10=27.5。第一组的命中数为81，明显超过了随机期望值，其召回率=81/275=29.45%，
第二组的命中数为43，也超过了随机期望值，其召回率为43/275=15.64%，累积召回率等于第二组的召回率加上前面所有组(即第一组)的召回率，等于15.64%+29.45%=45.09%。
从上表中可以看出，该模型划分肯定和否定的阈值应该是在第二个分组中，这样才出现了第一组都被预测为肯定，但其中有81个是正确的肯定(TP)，而735个是错误的肯定(FP);第二组中则同时包含了TP、FN、TN和FP;从第三组之后则都被预测为否定(因为位于阈值之下)，因此包含了FN和TN。
正确肯定(True-Positives，TP)： 实际的响应中，被正确预测为响应的个数
错误否定(False-Negatives，FN)： 实际的响应中，被错误预测为非响应的个数
正确否定(True-Negatives，TN)： 实际的非响应中，被正确预测为非响应的个数
错误肯定(False-Positives，FP)： 实际的非响应中，被错误预测为响应的个数
通过对提升表的分析可以看到，在第四个分段之后，增量提升(incremental lift，第8列中的”% of Total”)下降到随机期望(每个分段为10%)之下，而前四个分段包含了超过70%的响应。 从下面的增量提升曲线(图1)中可以明显看出增量提升和随机期望的交叉点。
图1：增量提升图示例
在增量提升曲线中标示了各个分段的命中数。 在图1中可以看到，增量提升曲线在第4个分段后和随机期望线(275个响应的10%，即平均每个分段27.5个响应)交叉。 不管营销经理怎么去看，上述的表格和图形都可以把必要的信息传递给他们。 营销人员可以借助模型评估工具，来设定要给多少个客户发邮件。 以表1为例，营销人员可以向前四个分段的客户(占整个评分名单的40%)发邮件，并预期可以命中70%的潜在响应客户。
我们现在已经了解该如何评估数据挖掘模型，接下来就可以深入分析和调整业务流程，借助模型的结果来提高企业的盈利。 业务流程包括：
1.数据挖掘过程
2.知识发现过程
3.业务流程管理(BPM)软件
4.知识管理系统
5.商业生态系统管理
数据挖掘过程
Eric King在“如何在数据挖掘上投资：避免预测型分析中昂贵的项目陷阱的框架”一文(发表于10月的“DM Review”)中主张数据挖掘是一段旅程，而非终点。他把这段旅程定义为数据挖掘过程。 该过程包含如下要素：
1.一个发现过程
2.具有灵活的框架
3.按照清晰定义的策略进行
4.包含多个检查点
5.多次定期的评估
6.允许在反馈环路中对函数进行调整
7.组织为叠代式的架构
过程模型
很多数据挖掘工具的厂商都对这个过程进行了简化，使之更加清晰。 SAS将数据挖掘过程划分为五个阶段： 抽样(Sample)，解释(Explain)，处理(Manipulate)，建模(Model)，评估(Assess)。 过去人们常用循环式的饮水器来比喻数据挖掘过程。 水(数据)首先涌上第一层(分析阶段)，形成漩涡(精炼和反馈)，等到聚积了足够多“已经处理过”的水之后，就溢出来流到下一个更低的层中。 不断地进行这种“处理”，直到水流到最低层。在那里它被抽回顶层，开始新一轮的“处理”。 数据挖掘和这种层次式的叠代过程非常相像。 甚至在很多数据挖掘算法的内部处理也是如此，比如神经网络算法，就是在数据集上多次运行(epochs)，直至发现最优解。 Insightful Miner已经在其用户界面中内建了简单过程模型。 这种集成可以帮助用户把必要的数据挖掘任务组织起来，让任务能够按照正确的顺序来处理。
但使用饮水器来比喻数据挖掘过程还不算恰当，因为它没有反映出反馈环路，而反馈环路在数据挖掘过程中是很常见的。 例如，通过数据评估可以发现异常的数据，从而要求从源系统中抽取更多的数据。 或者，在建模之后，会发现需要更多的记录才能反映总体的分布。
在CRISP过程模型中进行了解决这个问题的尝试，该模型是由Daimler-Benz、ISL (Clementine的开发者)和NCR共同制定的。 CRISP同时也被集成到Clementine挖掘工具(现在属于SPSS公司)的设计中。 CRISP几乎反映了完整的数据挖掘环境。
图2：CRISP图例
使用数据建模其实和做陶土模型或者大理石模型差不多。 艺术家首先从一大堆材料开始着手，经过许多次的加工和检查，才诞生了最终的艺术品。很多人在建模过程中常常没有充分理解建模的本质，由此带来了一系列问题，使得建模变得很复杂。 Eric King发现数据挖掘是一个循环的过程(就象上图中的CRISP流程图)，而非线性的过程。 这种循环式的数据挖掘过程会让您想起Wankel转式汽车发动机。 这种发动机是一圈一圈旋转的(而非上下运动)，不断输出动能来驱动汽车。 与之相似，数据挖掘过程也是不断循环，产生信息来帮助我们完成商业目标。 信息就是推动商业的“能量”。 在挖掘过程中会有很多对前一个阶段的反馈(例如，在完成初步建模之后可能需要获取更多的数据)。
不过，在CRISP流程中还是遗漏了一个要素——那就是对数据仓库或源系统的反馈。 前一次CRM营销活动的结果应该导入数据仓库，为后续的建模提供指导，并能跟踪营销活动间的变化趋势。 我在CRISP流程图中加入了这些反馈，以红线表示(见图2)。
通过数据挖掘过程的结构，我们可以得知数据挖掘工具必需能完成那些任务，但是工具常常会缺少对部分功能的支持。 当产生了挖掘结果时，你会怎么使用这些结果呢? 此外，针对挖掘结果所采取的这些行动又将如何影响后续的挖掘? 数据挖掘工具应该具备的一些功能包括：
1.将模型导出到多种数据库结构中
2.模型的导出格式，适合于决策支持和商业行动的应用
3.挖掘算法的输出数据，可以为另外的算法所用
4.能够比较不同算法的结果
“合格潜在客户生成量”成为硬性指标
，随着越来越多的国际品牌开始进入中国市场，国内汽车行业陷入窘境，与此同时，大众汽车在国外市场所面临的竞争也延续到中国国内。一方面，不断推向市场的新的型号、新的车辆概念，直接对大众的产品线进行冲击。
另一方面，国际水准的营销手段也开始对大众当时的营销体系带来挑战。与此同时，大众品牌出现一定程度的老化，尤其是上海大众，被认为是一个“过时”和“保守”的品牌。于是，管理客户的购车和使用体验，提升客户的忠诚度，实现忠诚客户的重复购买和正面的口碑宣传就成为了上海大众CRM战略实施的首要目标。
上海大众客户服务中心其中的两大基本任务是开发新客户和维系老客户。目前，上海大众对客户服务中心的考核指标除了“客户、员工满意度”等纯粹服务类指标外，还有一个重要的“合格潜在客户生成量”指标，这一硬性的指标使得客户服务中心有了前所未有的压力——为此，服务专员必须通过800电话正确记录客户信息，并对其购买意向进行准确判断，否则会给经销商发去大量无效信息，遭到直接负责跟踪客户的经销商的反感。由此，客户服务中心对服务专员开展了全方位的培训，在做到尽可能准确记录客户信息之外，还必须熟练掌握整车性能、汽车零部件、客户购买心理、呼叫中心IT系统等。
此外，上海大众还制定了十分细致的潜在客户管理规范，按照潜在客户的预期购买时间细分客户:如果客户需要较长时间考虑才会买车，系统会自动将该客户信息发到直邮中心，由直邮中心先把资料寄给这些客户，之后客户服务中心会阶段性地与客户保持联系;只有客户明确表示打算近期购买汽车，系统才会将其信息发给客户所在地的经销商，
据介绍，这样做的目的是尽可能确保给经销商的潜在用户信息是最有效的。
让经销商学会自我管理
在上海大众CRM项目运行的四年时间里，通过经销商CRM系统，经销商可以每天获得由上海大众开发和维系的热切潜在客户，交由自己的销售人员进行销售跟进，以促进销售的实现。通过和经销商面对面的沟通，CRM小组成员深刻地体会到，每个经销商都清楚地意识到对潜在用户和现有用户进行关系营销是市场销售的必然趋势，也有迫切的需求对自己的用户数据进行关系营销。
上海大众还开发一个以经销商自我管理、自我经营的经销商CRM系统，免费向所有的上海大众特许经销商提供。用于经销商管理通过市场拓展获得的，属于自己的潜在客户信息。与此同时，考虑到经销商的接受能力和执行能力，系统设计还合理地平衡了系统灵活性和既定流程两者之间的关系。由于实施了经销商自营CRM，每个经销商拥有了自己的数据库，可以根据自己的实际情况，由系统管理员设定自己的团队架构，以及不同员工的职责范围，避免了因为业务员变动而造成的用户资料的流失。
如何把越来越多的潜在客户变成其汽车的真正拥有者，要完成这一转变。随着业务拓展的进一步深入，上海大众对客户的跟踪需要遍布到全国各地的500多家经销商。显然这个过程仅有呼叫中心远远不够，因此早在底上海大众的经销商CRM系统就开发完毕。目前，它已成为上海大众总部和分销中心管理经销商的基础系统，总部和分销中心可以实时查看各种数据，并且根据数据分析自动生成的报告，及时制定和改变市场策略。
挖掘潜在客户仅仅是从上海大众CRM掘金的一部分。众所周知，汽车产业70%的利润来自汽车后服务市场。由于汽车消费的特点，客户的数据可记录、可更新、可跟踪。更重要的是，用户的消费从买车、保养、维修到旧车置换和再购买，形成了非常明确的周期性行为，而产品和服务可以围绕着这个周期而不断发展，产品和服务的可拓展性强。“这些都是我们实施整合性CRM非常有利的条件。” 上海大众汽车有限公司市场部关系营销高级经理刘磊称。
CRM在需求下变动
电信运营商CRM系统的规划和实施主要解决的问题是：销售过程管理、销售预测、订单管理和销售分析，主要管理对象为企业的大客户，
销售过程管理即对业务人员与客户的接触纪录进行管理。电信运营商的大客户销售管理也是分行业、分区域，因此往往容易形成多级客户管理的模式，如何让不同层级的员工更好地了解企业与客户的沟通，从而及时满足客户需求并获取销售机会，成为重要的管理问题。
因此，企业需要通过CRM系统来解决业务人员的客户拜访进程纪录、费用管理及销售漏斗管理等问题。其管理数据包括：客户联系人决策树、客户交互纪录、费用等;销售漏斗的管理包括：各客户所处的不同状态、预计签单额、跟单销售人员等;订单管理即对客户购买的产品/服务、价格、期限、SLA协议进行管理;销售分析则是对销售状况按产品、时间、员工、价格、趋势等做OLAP分析。
在提供以上关键应用解决方案的同时，项目组也要对该运营商的其他系统作充分调研，让业务部门最大程度地建立全面的客户视图，
包括与营销管理系统、Call-Center、OSS、流程管理系统等接口，通过这些系统与CRM系统的数据交换，让业务部门实时了解企业与客户的交互。
换位的缺陷
可以肯定的是，以上的这些工作在帮助运营商提升客户关系管理能力方面起了非常重要的作用。但随着电信市场的竞争，尤其是资费竞争使客户忠诚度日渐下降，加之运营商在CRM方面的认识不断深化，数据挖掘技术在国内的兴起，我们又不得不换一个视角来思考问题。
销售过程的管理能够了解客户深层次的需求吗?对于电信企业上百万的住宅用户如何进行销售过程的管理?销售过程管理，使企业只能通过表面的交互来了解客户，不能深入洞察客户的需求。
电信运营商现有的CRM系统已经帮助企业积累了大量数据：客户基本信息、客户联系人决策关系、客户交互纪录、销售费用、销售状态、产品、价格、趋势、Call-Center交互纪录、甚至账务信息等。面对日益激烈的资费竞争，如何深入应用这些信息，提升企业客户洞察能力，发掘客户需求，提升客户满意度，进而利用客户的消费趋势和规律发掘新客户，成为摆在各电信运营商面前的实际问题。
引入数据挖掘
电信企业有其先天性的IT优势，大量的数据包括：客户基本信息、产品/服务使用信息、各种通话时长、各种通话费用、通话时间偏好、与企业互动信息等，都可拿来作为分群的变量(维度)。
1 CRM概述
客户关系管理(CRM)就其功能来看，就是借助先进的信息技术、网络技术和管理思想，通过对企业业务流程的重组来整合客户信息资源，并在企业内部实现客户信息和资源的共享，为客户提供更经济、更快捷更满意的产品和服务，提高客户价值、忠诚度和满意度，保持和吸引更多的客户，从而增强企业的赢利能力，最终实现企业利润的最大化，
为实现这样的目标，企业可通过建立完整的客户数据、量身订制的产品及服务、有效的管理来建立以客户为中心的组织，去了解客户生命周期、掌握最有价值的客户及其需求、发展以个人财务需求为导向的销售模式，最终达到提高客户满意度，并提升企业的竞争力与获利率。
客户划分是 CRM中的首要问题，一个企业在经营策划时要非常明确以下问题:销售对象是哪个客户层，哪些客户需要这样的产品，是否考虑了客户生命周期，是否建立了以客户需求为导向的客户关系，谁是公司最有价值的客户。要回答和解决以上问题，首要任务就是综合各种数据，从不同角度对客户进行分群、分组划分。
2 数据挖掘技术概述
数据挖掘是一种知识发现的过程，它主要基于统计学、人工智能、机器学习等技术，从大量的数据中，抽取出潜在的、有价值的知识、模型或规则的过程。高度自动化地分析数据，做出归纳性的推理，从中挖掘出潜在的模式，并对未来情况进行预测，以辅助决策者评估风险，做出正确的决策。对于企业而言，数据挖掘有助于发现业务的趋势，揭示已知的事实、预测未知的结果，提高市场决策能力。其演化过程如图 1所示。
然而单纯的数据挖掘可能会导致“尖锐边界”等问题，因此考虑将模糊逻辑和数据挖掘结合起来的模糊数据挖掘技术引人到客户关系管理系统中。
3 模糊数据挖掘方法
3.1 确定模糊集
建立样本特性指标矩阵，设聚类的对象的全体集合X={x1，x2，…，xn}，为了使分类效果科学合理，首先要选取具有实际意义且有较强分辨性和代表性的统计指标。现假设X中每一个元素Xj(j=1,2,…,n。)有m个统计指标Xij=(x1j，x2j，…，xnj)，其中，分量Xij表示第j个元素的第i项统计指标值(i=1，2，…，m;j=1，2，…，n)。本步骤的关键是统计指标值的求法。统计指标值反映实际的精确程度，是取得最优聚类的先决条件，由于各企业的实际情况不一样，所选取的统计指标也应各不相同。因此，统计指标值的求法因实际问题而定。
3.2 对样本特性指标矩阵进行数据规格化
在实际问题中，通常不同的数据有不同的量纲。因此，需要根据模糊矩阵的要求，进行标准化处理。一般可通过以下变换来实现。
3.2.1平移/标准差变换
3.3 标定― 建立模糊相似矩阵所谓标定，是指根据实际情况，选用一定的方法对对象进行比较得出模糊相似矩阵。根据上述已建立的指标体系Xj(j=1，2，…n)，求出相似系数rij表示Xi与Xj按m个特征相似的程度，得到模糊相似矩阵R=(rij)mxn本步骤的关键是如何合理地求出相似系数rij，由于求相似系数的方法很多，而且需要因实际情况不同而选用不同的方法。
求相似系数的方法很多，主要有最大最小法、算术平均值最小法、几何平均值最小法、相关系数法、夹角余弦法、距离法、数量积法、绝对值指数法、绝对值倒数法、绝对值减数法等方法。
对于一些实际问题，很难用解析表达式来刻画事务间的相关程度，这时只有请有经验者或专家进行评分，用〔0，1〕上的数表示。选取什么样的方法描述两个元素之间的相似程度，将直接影响分类的效果。通常是同时选三四种，最后看分类与实际吻合的情况，择优选取。
3.4 求传递闭包― 构造模糊等价矩阵
用传递闭包法求R的模糊等价矩阵，
传递闭包是包含R的最小传递矩阵，设 t(R)是R的传递闭包，通常采用平方法求R的传递闭包，即R→R2→R4 →Rg →…→R2k经有限次运算后，一定有R2k=R2k+1，于是t(R)=R2k。
3.5 聚类结果
利用各个需求对该次分类的相对隶属度数据应用相对类别(级别)特征公式，得到各个部件归属各类的相对类别特征值H(r)表，从而获得了该分类数目下的部件类别划分结果。
根据择近原则，判断该样本接近哪个模式，从这个模式的整体情况预测其发展结果。
4 应用模糊数据挖掘实现客户分类
假定每一个客户对一类产品的外观、使用环境功能、可靠性都有各自的要求，那么，对于产品簇建模过程来说，要将这些不同客户的不同需求转化为产品的工程指标，并最终转化为产品的零部件，工作量是非常大的，也是不科学的。所以要对不同客户的需求进行必要的聚类，通过聚类将产品需求分为不同的簇，同一簇中的产品需求视为相同，不同簇中的产品需求视为相异。这样就可以减少产品模型的种类，并且使形成的产品种类最大限度地满足不同客户的需求。
4.1构造模糊集
选取样本为5x5阶矩阵。设从外观、使用环境、产品功能、可靠性、忠诚度5个方面描述对产品的需求，构建模糊集 R如表1所示。
4.2 关联矩阵规格化
首先根据各个产品需求在产品中的地位给出其相应的权重(相当于指标对聚类作用的权重)。应用式(1)和式(2)实现规格化，结果如表2所示。
4.3 求传递闭包― 构造模糊等价矩阵
用传递闭包法求R的模糊等价矩阵。传递闭包是包含R的最小传递矩阵，设 t(R)是 R的传递闭包，通常采用平方法求R的传递闭包，即R→R2→R4 →Rg →…→R2k经有限次运算后，一定有R2k=R2k+1，于是t(R)=R2k。求得最优模糊矩阵。最优模糊矩阵表述的内容是每一个需求对各类别(共有m个)的相对隶属度。
4.4聚类结果
利用各个需求对该次分类的相对隶属度数据，应用相对类别(级别)特征公式，得到各个部件归属各类的相对类别特征值H(r)表，从而获得了该分类数目下的部件类别划分结果。应用下述的公式对最优模糊矩阵进行处理。
设分类状态为1~m，某部件对某正态的相对隶属度表示为RA1(r)~ RAc(r)，即表达了上文的最优模糊矩阵。首先，相对隶属度满足归一化条件:
设状态变量i以对应的相对隶属度为权重，其总和 称为相对状态特征值或级别特征值。表示了i与H(r)分布列的整体相对特征，因此，H(r)可以作为样本R对模糊概念或指标Ai归属状态判断的相对指标，它利用了状态变量i对全部相对隶属度信息，使样本 R的归属更为全面和客观。改变分类的数目m，重复上述步骤，产生新的分类，最终得到针对不同m分类的产品需求聚类结果。当m=3时，最优模糊矩阵如表3所示。通过对m=3时产品需求聚类分析结果的观察，可以容易地发现各个需求指标的聚分程度:{R5}，{R1，R3}，{R2，R4}。这说明，在考虑客户需求时，对于忠诚度高的客户群体，可以将他们的需求作为一类产品类型来重点构建;对于第二种分类，说明应该着重针对产品外观和产品功能来构建一类产品模型;同理，另外一种产品模型的构建应着重考虑产品的使用环境和产品的可靠性。可以看出，通过这样的聚类，产品模型的种类减少了，但产品模型覆盖的客户需求是完备的。
5 结束语
模糊数据挖掘能够自动地从数据库中发掘出新的知识，经过检验和验证，然后返回对用户有用的结果，而不是根据用户对事物的假设去检验和验证。它与传统的数据分析本质的区别是:它是在没有明确假设的前提下去挖掘信息、发现知识。数据挖掘系统已成功地用于超大型数据库的知识挖掘。
在信息时代，要充分利用企业的信息资源，从以产品为中心的管理模式转变为以客户为中心的管理模式上来，利用模糊数据挖掘技术，分析客户的特征，探索企业和所对应市场的运营规律，不断提高企业的经济效益是企业发展的必由之路。
数据挖掘在CRM中的应用论文
摘要：对于CRM数据挖掘的应用程序，本文做出了系统性的总结和研究，这包括了面向CRM数据挖掘的体系和结构，立足于客户生命周期的角度，并结合本行业发展的前景，对CRM中的数据挖掘进行了分析。
关键词：数据挖掘；客户关系管理(CRM)；知识发现
如今，经济全球化发展的速度不断加快，在市场经济的背景之下呈现出蓬勃发展的局面，外加互联网技术的日益普及化，促使当前的市场竞争不断加剧。众所周知，客户对于一家企业来说至关重要，因此为了更好的促使现代企业发展顺利，理应不断维护好企业与客户之间的关系。这种关系对于不断增强企业的综合竞争力十分重要，因此企业不断改善客户关系，便成了企业发展中一项重要的任务。客户分析是企业发展中处理好客户关系管理的基本，然而如何做好客户分析呢，这就需要对数据挖掘进行应用，数据挖掘的研究应用在现代企业客户关系管理意义非凡。
1CRM体系结构
客户关系管理(CustomerRelationshipManagement，CRM)起源于上个世纪的八十年代初期，首次提出了接触管理，也就是不断收集客户与企业联系的所有有关信息。到了九十年代初，又增加了电话服务以及客户服务支持数据等相关的分析。经过20多年的发展，如今企业发展中的客户之间的关系其管理的手段和方式逐渐走向成熟化，并且在理论和实践方面不断成熟化。CRM是一个把客户看做中心的营销理念，通过信息化的技术方式，重新设计企业业务单元，优化工作中的每一个环节的过程。它将现代信息技术也就是我们常说的互联网技术、多媒体信息技术、电子商务技术、数据仓库管理信息技术、专家数据管理系统以及人工智能呼叫中心等融合在了一起。CRM具有较强的自动化特点，并且能够处理好销售与客户管理之间的关系。它的目的在于不断的缩短销售的周期以及销售中投入的成本，进而不断增加企业在盈利方面的能力，并且寻找一片新的产品市场，逐渐增加企业的业务领域，从而提高潜在客户以及忠诚客户的满意度，盈利能力以及忠诚度等。
2CRM中数据挖掘的应用研究领域
2.1从客户生命周期角度分析数据挖掘技术的应用
从CRM的广义来看，可以简单化的理解为管理所有的和客户之间的一系列互动。在购买实践的过程中，这就需要运用多种信息对客户之间的多维关系进行预测以及分析。在不同的阶段过程中，客户关系可以看做是客户的生命周期。一般说来，客户的生命周期可以划分为3个主要的过程：其一是寻找到客户，其二是能够提升客户的价值，其三是不断维护好效益客户，使其持续受益。如果实现了各个阶段效益的最大化，便可以在此基础上不断提高企业的利润。其一是借助数据挖掘寻找潜在的新客户：CRM中首先应该做的便是识别那些潜在的客户，寻找到之后就要尽可能使其转变成企业发展中的忠实客户，数据挖掘可以帮助企业实现这一切。其二是不断提升客户的价值：通过客户盈利能力的相关具体化分析，进一步挖掘和预测客户本身所具有的盈利能力以及未来的具体变化；通过对客户购买模式的相关研究，实现客户的细分化，这样一来可以针对性的提供更加具有针对性的个性化服务，从而能够有效的实现多维化的交叉销售。其三是维护好客户，要及时的对客户忠诚度进行分析研究，以防客户流失。借助数据的深入研究和挖掘，及时分析好客户的历史交易记录，提醒消费者行为，并提出相应的对策和建议。
2.2各行业中CRM的应用
(1)零售业CRM中的数据挖掘零售业CRM它是数据挖掘领域中最重要的应用方面，伴随着网络以及电子商务模式的不断发展而呈现出繁荣发展的态势。通过对零售数据的挖掘可以对客户的购买行为进行识别和具体化的分析，并且及时发现客户的购买嗜好以及未来的购买趋势，这样便不断提高了服务的质量，为客户满意度的提高提供了条件。例如，我们可以借助多个特性化的数据进行全面的销售，这样一来便实现了客户与产品之间的多维联系，使用多维、相关化的分析来做好促销的'有效性，借助序列模式我们可以挖掘客户忠诚度，通过相关性分析可以为购买参考提供建设性的意见和建议。(2)电信业CRM中的数据挖掘当前的电信行业，已经从纯粹的市话服务领域不断转向提供一些综合性的电信服务。它能够把互联网、电信网以及其他的各种通信和计算融合在一起，这是时代发展的大潮流。借助数据挖掘等相关技术可以为一些商业化的实践提供条件，确定好电信服务的基本方式，捕捉每一个盗窃，从而更好地借助技术方面的资源，实现颇具人性的服务。电信数据一般具有多维化的分析功能，可以实现数据的识别与比较，更可以实现数据通信与系统负载等。通过量化分析，聚类分析以及异常值分析对盗用、异常模式进行识别和破解。(3)金融业CRM中的数据挖掘如今，大部分的银行以及一些金融性的专业机构能够为客户提供了多种选择，例如最基本的储蓄、投资以及信贷服务等。有时也可以提供一些保险和股票服务。在金融市场中，数据生成已经相对成熟，从整体看来金融领域的数据相对较完整、可靠，它为数据分析提供了基点。下面的几个是平时常见的应用情况：通过多维化的数据分析、挖掘可以做好数据仓库的基本任务；通过特征比较研究做好数据的衡量和计算帮助客户对贷款偿还进行科学化的预测和分析；通过分类以及聚类的方式对客户群体进行识别，对目标市场进行分析；借助数据的可视化以及关联性分析对金融洗钱以及其他的一些金融犯罪进行侦破。
作者:吴 磊 单位:吉林省长春市吉林建筑大学计算机科学与工程学院
参考文献
[1]王一鸿.体检中心CRM构建及数据挖掘的应用研究[D].华东理工大学.
[2]潘光强.基于数据挖掘的CRM设计与应用研究[D].安徽工业大学.2011
[3]石彦芳,石建国,周檬.数据挖掘技术在CRM中的应用[J].中国商贸.(02)
[4]王芳,杨奕.论数据挖掘技术在客户关系管理(CRM)中的应用[J].现代商贸工业.(01)
[5]郑玲,陶红玉,阚守辉.数据挖掘在CRM中的应用[J].中国电力教育.(S3)
客户服务的质量是区分专业公司和普通公司的关键，商业智能为用户带来卓越的客户服务。客户关系管理(CRM)解决方案在这里起到了关键性的作用。
越来越多的公司正在部署客户关系管理(CRM)解决方案，以有效的管理其有价值的客户。CRM解决方案的目标是为了满足客户的希望和需要，实现客户的最大价值并把这些信息反馈回公司。
CRM解决方案是用来收集，存储和管理现有的和潜在客户的信息。在一个商业部门，CRM组织所有客户的数据，在某种程度上使各部门对客户服务进行协作，并允许特殊服务和智能决策。
使用CRM，企业能提高生产力，以及提高销售、营销、客服和其他部门的工作效率。如今，很多企业仍然想从他们的CRM系统和其他信息渠道分享和利用信息，进一步的获得更多的好处。
CRM系统和手机应用的整合被看成是一种能提高客户体验和优化CRM投资的一种方式。
要建立客户忠诚度，最大限度的提高服务和销售职能的效率和生产力，企业还需要在交互式应答(IVR)软件和CRM之间实现自动化互动，
交互式应答(IVR)软件和客户服务功能的整合为呼叫提供一种积极的经验。当开始建立呼叫的时候，来自CRM系统中的信息会以一种自动化的方式提供呼叫者的个性化信息。
IVR可以用来读取数据，比如来电者是否一位重要的客户，或者他最近购买了企业的产品;或者更多实时的信息。可以更有效的根据相关资料支持相应。与期待的一样，企业提高了他们的客户满意度。
灵活性对于成功推广自助式服务的CRM功能手机是至关重要的。应用程序必须能实时的应对不断变化的客户/企业需要。托管的IVR应用选择了一个轻松的过程改变和调整手机。通过一个简单的Web浏览器，可以实时调整基于Web的工具包。
在线电话交流仍然是客户获取企业信息的一种流行的方式。电话使CRM系统缩短了交易成本从而提高整体客户体验。此外，这些系统为减少时间消耗提供了一个环境。
具有电话功能的CRM应用软件提供语音向导事件的管理，以及订单状态、维修跟踪、退款状态、密码重置和客户调查能力这些信息的查询功能。这些应用程序提供即时的和直观的广泛选择支持选项，并帮助客户自身解决更为常见和/或者更低优先级的项目。
现在还有一些技术可以整合呼叫中心和CRM系统的解决方案。当有电话呼入的时候，该解决方案能够访问企业的数据库检索相关的详细资料，如客户记录、购买记录、或账单资料，以方便拨打电话。这使得代理商能与客户以一种更个性化的方式进行互动。
1 引 言
随着数据库技术、网络技术的不断发展及数据库管理系统的广泛应用，数据库中存储的数据量急剧增大，然而，如何有效地使用这些数据却成为一个问题，因为往往是数据丰富而知识缺乏，人们目前所使用的数据库技术无法将隐藏在数据背后的重要信息挖掘出来利用，所以如何迅速、准确、有效且适量地提供用户所需的信息，发现信息之间潜在的联系，支持管理决策就是数据挖掘和数据仓库要解决的课题，同时也是CRM系统产生的必要条件和最终目的。
2 数据仓库与数据挖掘的概念
2.1 数据仓库
目前，数据仓库一词尚没有一个统一的定义，著名的数据仓库专家W.H.Inmon在其著作《Building the Data Warehouse》一书中给予如下描述：数据仓库是一个面向主题的、集成的、相对稳定的、反映历史变化的数据集合，用于支持管理决策。对于数据仓库的概念我们可以从两个层次加以理解：首先，数据仓库用于支持决策，面向分析型数据处理，它不同于企业现有的操作型数据库;其次，数据仓库是对多个异构的数据源有效集成，集成后按照主题进行了重组，并包含历史数据，而且存放在数据仓库中的数据一般不再修改。数据仓库不是静态的概念，只有把信息及时交给需要这些信息的使用者，供他们做出改善其业务经营的决策，信息才能发挥作用，信息才有意义。而把信息加以整理归纳和重组，并及时提供给相应的管理决策人员，是数据仓库的根本任务。因此，从产业界的角度看，数据仓库建设是一个工程，是一个过程。整个数据仓库系统是一个包含4个层次的体系结构，具体如下：
数据源：是数据仓库系统的基础，是整个系统的数据源泉。通常包括企业内部信息和外部信息。内部信息包括存放于RDBMS中的各种业务处理数据和各类文档数据。外部信息包括各类法律法规、市场信息和竞争对手的信息等。
数据的存储与管理：是整个数据仓库系统的核心，数据仓库的组织管理方式决定了它有别于传统数据库，同时也决定了其对外部数据的表现形式。要决定采用什么产品和技术来建立数据仓库的核心，则需要从数据仓库的技术特点着手分析，针对现有各业务系统的数据，进行抽取、清理，并有效集成，按照主题进行组织。
OLAP 服务器：对分析需要的数据进行有效集成，按多维模型予以组织，以便进行多角度、多层次的分析，并发现趋势。其具体实现可以分为：ROLAP、MOLAP和 HOLAP。ROLAP基本数据和聚合数据均存放在RDBMS之中;MOLAP基本数据和聚合数据均存放于多维数据库中;HOLAP基本数据存放于 RDBMS之中，聚合数据存放于多维数据库中。
前端工具：主要包括各种报表工具、查询工具、数据分析工具、数据挖掘工具以及各种基于数据仓库或数据集市的应用开发工具。其中数据分析工具主要针对OLAP服务器，报表工具、数据挖掘工具主要针对数据仓库。
2.2 数据挖掘技术
数据挖掘是从海量的数据中提取或挖掘知识，是指从数据集中识别出有效的、新颖的、潜在有用的以及最终可理解的模式的高级处理过程。数据挖掘可分为有向和无向两大类。有向数据挖掘的任务是用一个或几个数据项来解释、估计或预测某个特定的数据项，即目标数据项，这类似于从自变量来得到因变量。无向数据挖掘并不定义目标数据项，它只是试图在数据中找到有用的规律、关系或模式。通常做法是用无向数据挖掘来识别数据中的规律，然后用有向数据挖掘来解释这些规律。
3 数据仓库与数据挖掘技术在CRM系统中的应用
3.1 数据仓库——企业实施CRM的基础
数据仓库是企业CRM的中央存储系统。数据仓库体系结构属于基础设施的建设，只有稳固的数据仓库基础设施才能支撑灵活多样的数据仓库应用。
客户关系管理是指企业用CRM软件提供的科学的分析工具和方法来分析企业销售市场与客户之间的关系。CRM软件是选择在企业销售市场中有价值客户及其关系的一种商业策略，分析这些客户的销售动态。CRM要求以“客户为中心”、“一切为客户着想”的商业哲学和企业文化来支持有效的市场营销与服务流程。如果企业拥有正确的领导、策略和企业文化，CRM应用将为企业实现有效的客户关系管理，
企业在长期的运营过程中，积累了大量的数据。但这些分散在各个业务系统中的数据是面向业务的，不是面向决策的。因此，首先必须对这些分散的数据进行抽取、清洁、转换和加载，形成企业数据仓库，并根据不同的主题，产生相应的数据集市，如一般客户分析数据集市，大客户分析数据集市等，这种多数据集市的建设有利于分析不同客户的行为特点。近年来，各企业客户需求逐渐趋向多元化，如果不对客户信息进行收集、整理、分析和归类，客户经理就无法知道谁是能为企业创造利润的高、中端优质客户，竞争的关键就在于怎样发现优质客户和如何避免优质客户的流失;其次，通过OLAP、数据挖掘方法对这些数据进行深入分析，并以企业管理人员容易理解的方式展示出来。[next]
在CRM系统中，系统结构采用B/S框架结构，数据库集中，客户端采用浏览器访问，访问的浏览器采用IE6以上。通过CRM系统将数据仓库中客户每天的销售记录作为数据源，运用科学的分析方法可以对客户进行分析。单体分析：分析某一客户的相关信息，分析的内容为该客户的销售数量、金额、收益，并与企业的平均销售数量、金额、收益作比较。群体分析：客户某一群体的销售数量、金额、收益。市场分析;便于领导及时、直观、准确地了解市场的发展及变化情况，以便宏观调控。通过将客户记录作为数据仓库中的数据源，经营决策者利用CRM提供的模块功能，就能够分析市场，以及抓住客户销售心理，从而正确指导销售，提升企业市场竞争力，最终赢得客户和市场，“与客户共创成功”。
3.2 数据挖掘——企业CRM系统的核心
随着市场体制改革的日益深入，各企业为了保持较高的客户获取和保持率，并维持可赢利性，需要经常扩展和现有客户的关系、降低行销费用。这就需要对基于数据仓库的CRM系统进行更深入的挖掘，这时数据挖掘技术的使用便成为企业CRM系统制胜的关键。以下给出几种应用：
客户获得
对大多数行业来说，企业的增长需要不断地获得新的客户。新的客户包括以前没有听说过企业产品的人、以前不需要产品的人和竞争对手的客户。数据挖掘能够辨别潜在客户群，并提高市场活动的响应率。
交叉销售
现在企业和客户之间的关系是经常变动的，一旦一个人或者一个公司成为企业的客户，企业就要尽力保持这种客户关系。客户关系的最佳境界体现在3个方面：①最长时间地保持这种关系;②最多次数地和客户交易;③保证每次交易的利润最大化。因此，企业需要对已有的客户进行交叉销售。交叉销售是指企业向原有客户销售新的产品或服务的过程。交叉销售是建立在双赢的基础之上的，客户因得到更多符合其需求的服务而获益，企业也因销售增长而获益。在企业所掌握的客户信息，尤其是以前购买行为的信息中，可能正包含着这个客户决定下一次购买行为的关键因素。数据挖掘可以帮助企业寻找影响客户购买行为的因素。
客户保持
现在各个行业的竞争都越来越激烈，企业获得新客户的成本正不断地上升，因此保持原有客户就显得越来越重要。
客户分为3类：第一类是无价值或低价值的客户;第二类是不会轻易走掉的有价值的客户;第三类是不断地寻找更优惠的价格和更好服务的有价值的客户。传统的市场活动是针对前两类客户的，而现代客户关系管理认为，特别需要用市场手段来维护的客户是第三类客户，这样做会降低企业运营成本。数据挖掘可以发现易流失的客户，企业就可以针对客户的需求，采取相应措施。
一对一营销
一对一营销不只是每逢客户生日或纪念日时给他寄一张贺卡。在科技发展的今天，每个人都可以拥有一些自己独特的商品或服务，比如按照自己的尺寸做一套很合身的衣服，但实际上市场营销不是裁衣服，你可以知道什么样的衣服合适顾客，但你永远不会知道什么股票适合你的顾客。CRM系统可以把大量的客户分成不同的类，在每个类里的客户拥有相似的属性，而不同类里的客户的属性也不同。最简单的分类方法即把所有客户分成两类：男性和女性。企业可以做到给这两类客户提供完全不同的服务来提高客户的满意度。
4 结束语
“谁拥有客户信息，谁就拥有未来”。在企业管理客户生命周期的各个阶段都会用到数据挖掘技术。数据挖掘能够帮助企业确定客户的特点，从而可以为客户提供有针对性的服务。通过数据挖掘，可以发现购买某一商品的客户的特征，从而可以向那些也同样具有这些特征却没有购买的客户推销这个商品;若找到流失的客户的特征，就可以在那些具有相似特征的客户还未流失之前，采取针对性的措施。在企业CRM中有效利用数据仓库和数据挖掘技术，可以为企业高层决策者提供准确的客户分类、忠诚度、赢利能力及潜在用户等有用信息，指导他们制订最优的企业营销策略、降低银行运营成本、增加利润，加速企业的发展。
为你的软件制定基于角色的安全计划需要参照大公司的客户隐私保护方针， NeoCase Software的 Herve Pluche建议公司需要将现有的商业流程与合规要求匹配起来，并以现有实践作为切入点。
在CRM数据库中，每一条记录都可能包含了隐私信息，这些信息可能关系到客户，也可能关系到你的销售队伍和商业运作。 在一个的商业环境中，客户隐私信息会涉及到社保卡号码，信用卡信息和家庭住址等。 而在的商业环境里，隐私信息可能包含了数百万美元的采购历史记录，销售团队的佣金、销售目标、销售战略等商业机密信息。
在一个单一数据库中存集大量信息的优点在于它能针对每一名客户与公司之间的关系为你提供一个清晰的全貌，助你回顾过去并规划未来。
但是否有必要让所有的CRM用户，比如销售代表、支持人员、顾问和库房人员，都能像你的C层管理人员那样拥有访问所有数据的权限呢? 答案显然是否定的。
有时候，让员工看到其它同事的佣金信息并不是件好事。 而让顾问看到所有的客户数据也要冒上他在为你的竞争对手工作时泄露数据的巨大风险。现实中由于员工跳槽而带走客户数据的事已是屡见不鲜。
在一定程度上保护客户隐私信息并不代表要去完全限制用户访问，或强迫他们在每次使用系统时征求许可。 相反，建立一套基于角色的结构能确保在控制隐私的同时不会影响员工的工作效率。
角色扮演
顾名思义， 基于角色是指管理人员依照用户在企业内部所扮演的角色来限制或允许他们对信息的访问。 建立一套基于角色的安全流程需要针对不同用户来设立许可权限，从而确保每一名用户只能访问到与他的岗位职责相关的信息。
比方说，某家公司决定只让高级市场人员访问与近期一场市场活动有关的特定客户数据。 或者只让副总裁访问销售佣金数据。
这种基于角色的功能还可以被进一步延伸，比如按照销售区域来划分访问权限，这样销售代表只能看到属于自己区域范围内的信息记录。
大部分的CRM应用中都自带了这类功能，公司可以按照自身的需要来酌情使用。 软件公司TechExcel的发言人Jason McNally表示，简单地去封锁信息传输或者email记录其实并不管用。
“只让员工无法向外部发送记录起不了什么作用，”他说道，
“任何在屏幕上显示的信息都能被复制粘贴到另一个文件中。他们甚至能够将客户数据截图保存下来。在员工跳槽转投竞争对手的时候，这些数据依然能够被带走。”
量体而裁
一家公司如何进行访问权限设置要视很多因素而定，其中包括公司文化，Salesforce.的产品市场总监Al Falcione说道。
“有些公司的系统很开放。 他们拥有透明的数据共享模式，不仅能让员工访问，而且还能让客户访问，”他说道。 “他们不在乎每个人都能访问这些信息。”
那些不愿使用基于角色的安全措施的公司普遍认为这种做法会破坏员工之间的协同。 如果销售队伍能浏览部分数据记录而市场部门不能，那么这两个部门之间的工作交流就会产生阻碍。
但Herve Pluche则认为，大部分公司一开始还是会倾向于保守的方法。 随着时间的推移，他们才会慢慢放宽限制，允许更多的协同。
“关键是要建立一套良好的方针和设置，对信息访问采取恰当的限制，”他说道。 “在开始时谨慎一些并没有错，因为一旦你的数据在公司内部全面流通，那么今后很可能就覆水难收。”
有些公司采取基于角色的安全保护措施的原因仅仅是为了防止给销售代表的信息过量。
“有时候，较少的信息反而能增加效率，”Salesforce.com的Al Falcione说道，他将CRM的全部数据比作是一家在线购物站点，用户可能会因为太多的数据而眼花缭乱，哪怕他们知道自己想要找的是什么信息。
“信息泛滥很容易就让人感到不知所措，”他补充道。 “因此，这类安全措施对控制隐私并没有帮助，让用户访问他们所需要的信息才能提高他们的工作效率。”
灵活性，不可失
实施一套基于角色的安全保护并不会给管理上带来多大的麻烦，它只需在系统内设立一些规则。 Falcione建议让一名享有最高权限的管理员来管理所有的需求和变化，而不是将管理权限拆分给几个部门的主管。
在确保数据安全的同时，你也要兼顾到操作的灵活性，TechExcel的Jason McNally说道。 灵活性和安全性其实也与数据的输入方式有关，销售代表和其它员工输入的数据要得当。 那种不管三七二十一先快速上传数据，然后再来分类到正确栏目的做法可能会造成大问题。 在那些数据被正确分类前， 用户可能会在共用栏目(比如备注栏)访问到它。
总的来说，基于角色的安全保护应当参照大公司的客户数据隐私规范，NeoCase的Herve Pluche说道， 公司需要将现有的商业流程与合规要求匹配起来，并采取现有实践作为切入点。 这样，管理人员才会以新的眼光来看待隐私保护措施。
最后，Herve Pluche表示，“通过使用富有更多功能的新技术，公司可以在一定程度上再评估它的商业流程和关于隐私方面的规则和方针。”
