分析型CRM：解析客户数据、支持决策、提高服务质量

（一）分析型CRM的基本概念

分析型CRM主要是分析运营型CRM和原有系统中获得的各种数据，进而为企业的经营和决策提供可靠的量化依据。分析型CRM一般需要用到一些数据管理和数据分析工具，如数据仓库、OLAP和数据挖掘等。分析型CRM是以改善业务管理为目的的分析活动，分析的对象是由企业的CRM业务和当前应用所产生的相关数据。分析型CRM可对客户数据进行捕捉、存储、提取处理解释，产生相应报告。

分析型CRM产品通过对企业生产运营过程中产生的数据进行分析，及时掌握企业运营状况和业绩、发现企业运作过程中的问题、寻找隐藏在这些数据背后的规律等，来帮助企业管理者进一步改善业务过程，辅助决策者调整或制定新的策略。有代表性的厂商及产品有SAS，NCR Teradata CRM.SPSS，Brio，Cognos等。

分析型CRM能够分析出企业的问题，并能够找出问题的原因，而且能够对将来的趋势和行为进行预测，从而很好地支持人们的决策。比如，经过对公司整个数据库系统的分析，它可以回答诸如“哪个客户对我们公司的邮件推销活动最有可能做出反应及为什么”等问题。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。分析型CRM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，从而也可以向那些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。因此，分析型CRM使企业对客户的需求能有更及时、更充分的理解，能够帮助企业管理者做出更好的商业决策，并借此提升企业核心竞争力。企业不再满足原有信息管理系统简单的信息统计汇总，而是更多地关注能否全面获得客户和市场的资料，能否借助现代化的技术对繁多复杂的现实数据的客观本质规律进行深入理解和认识，并做出专业化的正确判断。

（二）分析型CRM的功能

分析型CRM主要是分析运营型CRM和原有业务系统中获得的各种数据，进而为企业的经营、决策提供可靠的量化依据。分析型CRM具备以下6大支柱性功能：

第一支柱：客户分析。

客户行为分析（Analysis）功能旨在让行销人员可以完整、方便地了解客户的概况信息，通过分析与查询，掌握特定细分市场的客户行为、购买模式、属性以及人口统计资料等信息，为行销活动的展开提供方向性的指导。此外，行销人员可以通过客户行为分析功能追踪行销活动的执行过程，从而了解这类活动的内容和随之传达的信息对客户所造成的实际影响。一个良好的分析型CRM应该有能力让行销人员通过轻松的鼠标点击即可锁定特定客户群，建立新的细分市场。

第二支柱：客户建模。

客户建模（Modeling）功能主要依据客户的历史资料和交易模式等影响未来购买倾向的信息来构造预测模型。例如，根据客户的促销活动回应率、利润贡献度、流失可能性和风险值等信息，为每一位客户赋子适当的评分。从技术方面看，客户建模主要是通过信息分析或者数据挖掘（Data Mining）等方法获得。客户建模的结果可以构成一个完备的规则库。客户建模功能可以使企业充分利用分析型CRM的知识处理能力，帮助企业建立成熟有效的统计模型，准确识别和预测有价值的客户沟通机会。一旦这种模型得以建立，企业就可以对每一个客户进行价值评估，并在适当的时机以适当的方式与这个客户进行沟通，从而创造更多的盈利机会。

第三支柱：客户沟通。

客户分析的结果可以与客户建模形成的一系列适用规则相联系。当这个客户的某行为触及某个规则，企业就会得到提示，启动相应的沟通活动。客户沟通（Communication）功能可以集成来自企业各个层次的各种信息，包括客户分析和客户建模的结果，针对不同部门的不同产品，帮助企业规划和实施高度整合的行销活动。客户沟通的另一大特色是帮助企业进行基于事件（Event-based）的行销。根据客户与企业之间发生的貌似偶然的交互活动，企业可以迅速发现客户的潜在需求并做出适当的反应。客户沟通功能支持行销人员设计和实施潜在客户行销、单一步骤行销、多步骤行销和周期性行销四种不同类型的行销活动。

第四支柱：个性化。

个性化（Personalization）功能帮助企业根据不同客户的不同消费模型建立相应的沟通方式和促销内容，以非常低的成本实现真正的一对一行销。例如，行销人员可以用鼠标点击方式建立和编辑个性化的电子邮件模板，以纯文本、HTML或其他适当的格式向客户发送促销信息。更重要的是，行销人员可以利用复杂的获利能力评估规则、条件与公式，为不同的客户创建更具亲和力的沟通方式。

第五支柱：优化。

每个营销人员每天应当处理多少个目标客户？每隔多长时间应该对客户进行一次例行联络？各类行销方式对各类客户的有效程度如何？对于这些问题，分析型CRM的优化（Opti一mization）功能都可以提供答案，帮助企业建立最优的处理模式。优化功能还可以基于消息的优先级别和采取行动所需资源的就绪状况来指导和帮助营销人员提高工作效率。

第六支柱：接触管理。

接触管理（Interaction）功能可以帮助企业有效地实现客户联络并记录客户对促销活动的反应态度，将客户所发生的交易与互动事件转化为有意义、高获利的行销商机。例如，当接触管理模块检测到重大事件时，即刻启动特别设计的行销活动计划，针对该事件所涉及的客户提供适用的产品或者服务，这种功能又被称作实时事件注入。企业都希望把大容量的销售、服务、市场以及业务数据进行整合，将完整的、可靠的数据转化为有用的、可靠的信息，再将信息转化为知识，进一步为整个企业提供战略上和战术上的商业决策，为客户服务和新产品的研发提供更准确的依据，提高企业的竞争能力，使公司能够把有限的资源集中服务于其所选择的有效益的客户全体，同这些客户保持长期和有效的关系。分析型CRM能使这一切成为可能，它是一种处理大容量的客户数据的方法。为了获得可靠的信息支持策略和做出商业决策，为了给客户提供更好的服务，以赢得客户的忠诚，首先必须了解客户的贡献率。分析型CRM通过客户的各种背景数据及其过去交易行为数据，能够建立合适的客户终生价值模型，并按照客户的终生价值对客户进行分类，预测其未来的趋势，了解每类客户能为公司带来多少效益，从而向不同类型的客户提供他们最需要的服务和产品，使公司能够优化利用其有限的资源，集中服务于所挑选的客户群体。“以客户为中心”策略的一个关键步骤是收集足够的客户背景信息和行为信息，并对客户进行细分。分析型CRM的销售、服务、市场、电子商务以及业务平台等功能可将客户的各种信息按照分析的要求有机地整合起来，为数据分析提供准确的数据源。将客户的背景数据、生活方式方面的信息与客户行为信息相结合，通过建立合适的模型，对不同群体的客户采用有针对性和有效的互动交流。市场将分析的结果信息反馈给销售系统，销售系统可通过呼叫中心对特定的客户进行特殊的服务或者提供交叉销售，以满足客户的需求。

（三）分析型CRM的组成

分析型CRM可以包括许多不同的组成部分，但是并非所有的分析型CRM解决方案中都包括所有的组成部分。在这里介绍的分析型CRM的组成是分析型CRM解决方案中可能包含的组件。

1.数据仓库

数据仓库技术以及一个全面的客户数据仓库是分析型CRM运作的关键。理想状况下，企业应当拥有一个存储所有客户交易、行为、偏好、客户利润贡献率、客户价值和客户细分的数据仓库；但现实是，大多数企业已经建立了数据库，却很难一开始就协调好不同来源的数据。数据仓库技术包括提取、转换和加载（ETL）功能，它可以从传统系统中移入和移出数据，也可将独立的数据集市转为综合的客户数据仓库。数据仓库是支持管理决策过程的、面向主题的、集成的、随时间而变的、持久的数据集合。从广义上讲，数据仓库就是一个专门的数据仓储，用来保存这样一些数据：来自异地，异构的数据源，或数据库的数据经过加工后在数据仓库中存储、提取和维护。

整个数据仓库系统由查询与分析工具、管理部件、数据仓库、翻译器、监控器、集成器组成。

数据仓库包括实视图和元数据，实视图由其他数据源中的数据导出。

（1）信息源：可以是传统数据库，也可以是文件、HTML文件、知识库等。

（2）翻译器：翻译器的数据翻译工作包括数据结构的翻译和数据类型的翻译，必要时还需对数据之间的语义联系进行重新构造。

（3）监控器：数据仓库中的实视图是一种“离线”数据，与元数据在一致性上存在着时间差，监控器负责监视数据仓库与数据源之间的数据误差，或者说是数据增量，并报告给上层的集成器。

（4）集成器：集成器除了负责进行数据仓库初始化之外，还负责接受监控器的变化报告，并将数据源的新变化根据有关定义转化到数据仓库中。

（5）管理部件：负责实现数据共享、安全保密、归档、备份、恢复及元数据的管理等工作。

（6）查询与分析工具：用于完成实际决策问题所需的各种查询检索工具、多维数据的OLAP工具、数据挖掘（DM）工具等，以实现决策支持系统的各种要求。多维数据库是目前实现决策用的数据管理系统中受到企业广泛应用的一种数据仓库技术。多维数据库中的“维”就是企业进行主题分析预测时可以变化的角度。例如，以一个企业在全国各地的产品销售为例，分析的角度可以按时间逐年、季、月、周、日的统计分析；按地区国家、省市、地县的统计分析；按产品大类直至具体产品的统计分析；按部门直至员工的统计分析；按客户行业、产品特点、消费行为等属性的统计分析。这里的时间、地区、部门、产品、客户等就是不同的维。多维数据库为面向主题的分析决策提供了更大的灵活性。它支持对按总体统计的详略级别组织的数据进行特殊查询，从宏观的结果逐步向下跟踪产生这些结果的微观数据，或者反过来由底层微观数据逐步向上得到高层的宏观结果。随着数据仓库的发展和应用范围的不断扩大，基于数据仓库的决策支持系统（DSS）应运而生：数据仓库中已经存放了大量的高质量数据，只要通过分析工具对它们进行综合、统计、分析，就能得到多种形式的决策数据，提供有力的决策支持。而分析工具中又以数据挖掘技术（Data Mining）的应用最为突出。

2.数据挖掘

数据挖掘为个性化和细分化提供实现方法。数据挖掘提供不同的描述和预测模型，用以预测、分析客户信息。数据挖掘可以与联机分析处理共同作用，对数据库或数据仓库中的数据进行有效操作和处理。这是分析型CRM实现其“分析”功能的必要手段。数据挖掘是指从大型数据库或数据仓库中提取隐含的、未知的、非平凡的及有潜在应用价值的信息或模式，它是数据库研究中的一个很有应用价值的新领域，融合了数据库、人工智能、机器学习、统计学等多个领域的理论和技术。从CRM软件所收集的数据是最能帮助企业了解客户的，所谓的“一对一”营销也是注重了解客户的需求，以便投其所好，促成交易。数据是死的，但是如果能运用一些数学或统计模型，发现数据中存在的关系和规则，根据现有的数据预测未来的发展趋势，那么就可以为管理者提供决策支持。数据挖掘工具能够对将来的趋势和行为进行预测，从而很好地支持人们的决策。有些数据挖掘工具还能够解决一些很消耗人工时间的传统问题，因为它们能够快速地浏览整个数据库，找出一些不易察觉但极有用的信息。因此，CRM的成功在于成功的数据仓库、数据挖掘及知识发现。(www.xing528.com)

（1）数据挖掘方法

比较典型的数据挖掘方法有关联分析、序列模式分析、分类分析、聚类分析等。它们可以应用到以客户为中心的企业决策分析和管理的各个不同领域和阶段。

① 关联分析。即利用关联规则进行数据挖掘。关联分析的目的是挖掘隐藏在数据间的相互关系，它能发现数据库中诸如“90%的顾客在一次购买活动中购买商品A的同时购买商品B”之类的知识。

② 序列模式分析。序列模式分析和关联分析相似，但侧重点在于分析数据间的前后序列关系。它能发现数据库中诸如“在某一段时间内，顾客购买商品A，接着购买商品B，而后购买商品C，即序列A→B→C出现的频度较高”之类的知识。序列模式分析描述的问题是：在给定交易序列数据库中，每个序列是按照交易时间排列的一组交易集，挖掘序列函数作用在这个交易序列数据库上，返回该数据库中生成高频序列。在进行序列模式分析时，同样也需要由用户输入最小置信度C和最小支持度S。

③ 分类分析。设有一个数据库和一组具有不同特征的类别（标记），该数据库中的每一个记录都赋予一个类别的标记，这样的数据库称为示例数据库或训练集。分类分析就是通过分析示例数据库中的数据，为每个类别做出准确的描述或建立分析模型或挖掘出分类规则，然后用这个分类规则对其他数据库中的记录进行分类。

④ 聚类分析。聚类分析输入的是一组未分类记录，并且这些记录应分成几类事先也不知道，通过分析数据库中的记录数据，根据一定的分类规则，合理地划分记录集合，确定每个记录所在类别。它所采用的分类规则是由聚类分析工具决定的。采用不同的聚类方法，对于相同的记录集合可能有不同的划分结果。应用数据挖掘技术，较为理想的起点就是从一个数据仓库开始，这个数据仓库里面应保存着所有客户的合同信息，并且还应有相应的市场竞争对手的相关数据。数据挖掘可以直接跟踪数据并辅助用户快速做出商业决策，并且用户还可以在更新数据的时候不断发现更好的行为模式，并将其运用于未来的决策中。

（2）数据挖掘技术在CRM中的应用

需求解决方案模型并不是着力于分析型CRM基于的“数据挖掘”技术架构，而是着力于企业经营管理者所期盼的业务应用逻辑需求，其核心就是满足企业面向主题的分析和决策的需求。企业经营者们面对着复杂多变的市场环境，需要从多种角度进行多主题的分析。因此，需要的不是企业信息管理系统中各种信息数据爆炸性的直接呈现，需要的是将这些数据分门别类地集中，源源不断地提供给面向具体业务主题的分析。

实际中，主题分析基本分成两大类：一大类是主要面向市场和客户环节的主题分析，另一大类则为审视企业内部的相应业务分析。为此，需要根据主题具体要求，抽取相对应的分类主题管理数据，同时在抽取过程中要对原始数据进行分类、求和统计等处理，抽取的过程实际上是数据的再组织。在抽取过程中，还要求完成数据净化，即去掉不合格的原始数据，必要时还必须对缺损的数据加以补充。在改变分析、决策的主题时，要求可以按主题进行对应的数据查询与访问。同时，面向主题的分析时常涉及处理数据量庞大、处理运算关系复杂的情况，因此，还要求系统满足脱机大容量存储、联机磁盘存储、内存存储的多级存储模式。传统的管理系统数据库无法直接满足这类需求，人们常把满足上述功能需求的数据管理系统称为数据仓库系统。换句话说，数据仓库系统是应用企业CRM、ERP的现实业务信息数据，进行面向主题分析企业经营决策系统的桥梁，它通过将业务数据库的数据进行整理（预处理）和净化之后，形成了可靠的、易于进行决策分析的企业信息“数据源”“数据集市”“多维数据库”。在实际应用中，数据抽取与净化存储及组织等，都是建立数据仓库的关键技术。除此之外，在设计数据仓库时，还应特别重视数据的粒度与划分问题。

3.商业智能

商业智能解决方案包括查询、OLAP、数据挖掘等一系列对数据的分析处理过程。商业智能将为用户提供访问客户信息的人口，并且对于不同的用户要求分别对待。商业智能是理解分析性信息的途径。

4.营销或促销

营销应用软件通过创建、执行和跟踪客户信息，来实施管理营销流程。市场营销的执行意图与运营型或客户导向的CRM解决方案关系非常密切。

5.数据移动、工作流以及与其他CRM应用系统的集成

最后一个类别的组成部分是用来将分析型和运营型的解决方案整合为一个全面的、无缝的完整解决方案的桥梁。XML.作为一种用于集成的标准的出现，将成为一个巨大的“使能器”。工作流和基于业务规则的能力也很关键。最终，CRM应用套件应当最小化集成问题，但是这需要花费时间和金钱来将现有系统转换为新系统。

（四）分析型CRM的功能

1.分析客户特征

为了制定出个性化的营销手段，分析客户特征是首要工作。企业不仅会想方设法了解顾客的地址、年龄、性别、收入、职业、教育程度等基本信息，对婚姻、配偶、家庭状况、疾病、爱好等的收集也是不遗余力。

2.分析“黄金客户”

通过客户行为分析，挖掘出消费额最高、最为稳定的客户群，确定为“黄金客户”。针对不同的客户档次，确定相应的营销投入。对于“黄金客户”，往往还需要制定个性化营销策略，以求留住高利润客户。所以，不要期待在CRM时代继续人人平等。当然成功的CRM不会让顾客感觉到被歧视。

3.分析客户关注点

通过与客户接触，收集大量客户消费行为信息，通过挖掘，得出客户最关注的方面，从而有针对性地进行营销活动，把钱花在“点”上。同样的广告内容，根据客户不同的行为习惯，有的人会接到电话，有的人就可能收到信函；同一个企业，会给它的客户发送不同的信息，而这些信息往往正是顾客感兴趣的。

4.获得客户

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、以前不需要企业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。

5.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三个方面：

（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、更好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。