第九讲 客户信息的整合与运用

第九讲客户信息的整合与运用9.1客户信息、信息技术与CRM9.2CRM系统和数据仓库9.3CRM系统中的数据挖掘9.4知识发现与CRM9.5联机信息分析处理与CRM9.1客户信息、信息技术与CRM9.1.1客户信息概述1.客户信息、客户数据与客户知识信息知识加工过的数据简单给出事实、清晰明了的、简单的、结构化的、方便的、以正式方式书写的通过精简、校正、整理、计算相关数据获得不具有所有者独立性，由信息系统掌握，大量数据处理的主要来源从数据演化而来，形成数据库、手册和文件等正式的、点滴积累的、说明性的、易于形成、可重复应用的形式动态数据可随意组合并用于预测性决策，没有完全结构化，模糊的、直觉的、难以沟通和表达的存在于人们之间的联系、谈话及基于经历与体验的直觉中，反映在人们的比较情境和处理问题的能力之中取决于所有者和需要信息渠道等预测、设计、计划、诊断和直觉判断的主要资源在集体智慧中形成并在集体中共享，随着经历与成败而演化，需要日积月累地通过经历积淀而成2.客户信息的类型在CRM中，按照客户信息来源的不同，可以将客户信息分为3种类型：①描述客户是谁的信息。②描述对客户进行营销或者促销活动的信息，主要包括市场活动的类型、预算或描述等。③描述客户与企业交易的信息，主要是过程信息与结果信息的结合。3.客户信息的重要性说明（1）客户信息质量低下的危害性①储存和管理重复资料的高额成本②无法有效地、准确地处理客户联系和活动③对客户目前和潜在的价值，以及过去已经发生和未来可能发生的行为和要求无法进行深刻分析④无法适当地划分和描述客户，从而也就无法针对不同的客户群提供不同的服务（2）客户信息对客户管理系统的重要性（3）受客户信息水平影响最大的4个领域（麦凯恩）一是开辟新的分销渠道、关闭旧的分销渠道及重新部署现有的分销渠道等决策。二是事半功倍的能力——用更少的员工为更多的客户服务。三是提高销售和营销活动的效率，并以较低的成本实现相同的市场效率。四是如何依据客户需求分配宝贵的客户服务资源，从而提高客户服务水平。4.客户信息对其他管理活动的影响（1）减少外部采购的需求（2）对不断变化的经营环境的反应5.客户数据—客户信息—客户知识呼叫中心网上交流电子邮件传真直接接触OLAP数据挖掘运营分析市场专家知识发现数据仓库客户数据客户信息客户知识图9-1客户数据—客户信息—客户知识过程图9.1.2CRM中的信息技术介绍（1）数据库管理系统（DBMS）（2）数据仓库（3）数据挖掘（4）决策支持（5）电子邮件9.1.3CRM系统中的信息技术的应用1.数据仓库的应用数据仓库技术能比较好地解决来自销售、市场、制造、库存和客户服务等部门的分散数据提取和问题处理，从而达到更好地了解客户，更方便地提供服务的目的。2.数据挖掘技术的应用数据挖掘是一门广义的交叉科学，包括了数据库、人工智能、数据统计和并行计算等方面的技术。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。9.2CRM系统和数据仓库9.2.1数据仓库概述1.数据库技术的发展数据库系统是数据库和数据库管理系统的总称。1968年，IBM研制出信息管理系统。1969年，美国数据系统语言委员会的数据库任务组提出了网络数据库模型的数据规范，于1971年发表了DBTG报告，正式确定了数据库设计的网络方法。1970年，Codd提出了数据库关系模型，开创了数据库的关系方法和数据库规范化理论的研究。80年代后，关系型数据库理论得到空前广泛的应用。90年代数据库技术并没有出现革命性的创新。2.数据仓库的提出、发展与兴起20世纪80年代中后期出现数据仓库思想的萌芽，从而为数据仓库概念的最终提出和发展打下了基础。1992年，W.H.Inmon在其里程碑式的《建立数据仓库》一书中提出了“数据仓库（DataWarehouse）”的概念，数据仓库的研究和应用从此得到了广泛的关注。9.2.2数据仓库的定义、特征与类型1.定义Inmon认为，数据仓库是面向主题的、集成的，是随时间推移而发生变化的数据集合，可用来支持管理决策。其他定义：Infomix公司：数据仓库把分布在企业网络中的不同“信息孤岛”中的业务数据集成到一起，存储在单一的集成关系型数据库中；利用这种集成信息，可方便用户对信息的访问，更可使决策人员对一段时间内的历史数据进行分析，研究事物发展趋势。SAS：一种管理技术，旨在通过通畅、合理、全面的信息管理，达到有效的决策支持。各种数据仓库的定义具有以下共同特征：①数据仓库中包含大量数据，这些数据可能来自企业或组织内部，也可能来自外部；②以数据仓库方式进行组织的目的是为了能够更好地支持决策；③数据仓库为最终使用者提供了用于存取、分析数据的工具。2.数据仓库的类型根据数据仓库所管理的类型和它们所解决的企业问题范围，一般可将数据仓库分为下列3种类型：企业数据仓库（EnterpriseDataWarehouse,EDW）操作型数据库（OperationalDataSystem,ODS）数据集市（DataMart）9.2.3数据仓库的技术结构①设计模块：是由数据仓库的设计者和管理者来设计和定义数据仓库数据库。②数据获取模块：用于开发和运行数据获取应用程序，从源系统中获取数据，并整合到数据仓库的数据库中去。③数据管理员模块：用来生成、管理和访问数据仓库中数据。④管理模块：包括一整套用于维护数据仓库环境的系统管理服务。⑤信息目录模块：能帮助技术用户和业务用户访问数据仓库系统。⑥数据访问模块：所提供的数据访问工具使最终用户能够访问和分析数据仓库中的数据。⑦中间件模块：将仓库数据库与最终用户工具连接起来。数据获取模块数据管理员模块数据仓库数据元数据数据传递模块中间件模块信息目录模块元数据外部元数据数据访问模块外部数据设计模块管理模块图9-2数据仓库的技术结构9.2.4面向CRM系统的数据仓库设计与开发1.任务和环境的评估2.需求的收集和分析3.构造数据仓库4.数据仓库技术的培训5.回顾、总结与再开发9.2.5数据仓库解决方案1.Sybase提供的数据仓库解决方案2.SAS提供的数据仓库解决方案3.Platinum提供的数据仓库解决方案4.HP提供的数据仓库解决方案5.IBM公司提供的数据仓库解决方案6.Informix公司提供的数据仓库解决方案7.Oracle公司提供的数据仓库解决方案9.2.6EddieBauer的客户数据仓库1.新的观点2.信息决定商业决策3.跟踪客户4.了解客户5.客户忠诚度9.2.7如何避免数据仓库建设项目的失败1.缺少领导的大力支持和积极参与2.过高的期望值3.没有以决策支持为核心4.人员配备不够充分5.低估了数据清洁、转换、载入的工作量6.低估了用户对系统扩充的需要7.对用户界面和前端工具的重视9.3CRM系统中的数据挖掘9.3.1数据挖掘概述1.从与数据仓库、OLAP和统计分析的联系中定义数据挖掘数据挖掘：从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中提取隐含于其中的、人们事先不知道但又具有潜在用途的信息和知识的过程。进化阶段商业问题支持技术产品厂家产品特点数据搜集（20世纪60年代）过去5年中，总收入是多少？计算机、磁带和磁盘IBM和CDC提供历史性的、静态的数据信息数据访问（20世纪80年代）在新英格兰的分部，去年三月的销售额是多少？关系数据库、结构化查询语言（SQL）、ODBCOracle、Sybase、Informix、IBM和Microsoft提供历史性的、动态的数据信息数据仓库决策支持（20世纪90年代）在新英格兰的分部，去年三月的销售额是多少？波士顿可以据此得出什么结论？联机分析处理、多维数据库、数据仓库Pilot、Comshare、Arbor、Cognos和Microstrategy在各种层次上提供回溯性的、动态的数据信息数据挖掘（正在流行）下个月波士顿的销售会怎么样？为什么？高级算法、多处理器计算机和“海量”数据库Pilot、Lockheed、IBM、SGI和其他新创企业提供预测性信息表9-2数据挖掘的进化历程2.数据挖掘的主要特征数据挖掘面对的是海量数据；数据可能是不完全的、有噪声的、随机的、又复杂的数据结构且维数较大；数据挖掘是多学科的交叉，综合运用了统计学、计算机和数学等学科的技术。3.数据挖掘的未来发展方向（1）与专家系统结合的数据挖掘（2）网络数据挖掘（3）数据挖掘的时序性（4）对非结构化数据的挖掘（5）引入新的数据挖掘算法9.3.2数据挖掘的基本任务1.自动预测趋势和行为2.关联分析若两个或多个变量的取值之间存在某种规律性，就称为关联。关联可分为简单关联、时序关联和因果关联等多种类型。关联分析的目的是找出数据库中隐藏的关联网。3.聚类分析数据库中的记录可被划分为一系列有意义的子集，即聚类。4.概念描述是对某类对象的内涵进行描述，并概括这类对象的有关特征。5.偏差检测基本方法是寻找观测结果与参照值之间有意义的差别。9.3.3数据挖掘的技术与算法简介1.数据挖掘的集合论技术（1）粗糙集技术是一种处理含糊和不精确数学问题的新型数学工具。（2）概念树技术中国江苏台湾其他省份淡水基隆……南京苏州………………籍贯概念树图9-3籍贯概念树2.数据挖掘中的仿生物技术（1）神经网络技术（NeutralNetwork）123456输入层隐含层输出层图9-4简单的人工神经网络结构图（2）遗传算法生物进化遗传算法适者生存在算法停止时，获得最优解个体解染色体解的编码（字符串、向量等）基因解中每个分量的特征（如数值）适应度适应性函数值种群根据适应度函数值进取的一组解杂交通过变换两个解的对应分量产生新的解的过程变异通过变换一个解得某些分量产生一个新解的过程表9-3遗传算法与生物进化的比较3.统计分析方法（1）相关分析和回归分析（2）差异分析（3）因子分析（4）聚类分析（5）判别分析4.关联规则算法关联规则是描述数据库中数据项之间存在潜在关系的规则，形式为“A1∧A2∧···∧AmB1∧B2∧···∧Bn”，其Ai（i=1，2，···，m），Bj（j=1，2，···，n）是数据库中的数据项。数据项之间的关联就是根据一个事务中某些项的出现，可推导出另一些项在同类事务中也出现。关联分析的目的是找出数据库中隐藏的关联。关联规则算法分为两个步骤：①求支持度大于用户指定的最小支持的数据项集，即大数据项集，对于语义约束的规则，仅求得满足约束的大数据项集；②利用大数据项集产生关联规则，关联规则是挖掘算法的核心。9.3.4数据挖掘的流程——技术视角逻辑数据库被选择的数据预处理后的数据被转换的数据逻辑数据库逻辑数据库选择预处理转换挖掘分析和简化图9-6数据挖掘流程图9.3.5用数据挖掘优化CRM系统1.什么是优化？优化是对结果进行明确评价的问题，是在一定的约束和限制条件下，得到最优安排的过程。2.使用数据挖掘技术优化CRM系统的一般步骤：①评价，即检测发生的结果；②预测，即根据已发生的事情来进行预测；③行动，即进行尝试。3.优化形式①存在一种明确定义的数值有待优化；②对复杂的、因果关系不明确的问题进行优化。9.3.6在CRM中利用数据挖掘所形成的商业价值1.客户盈利模型2.客户获取模型3.客户挽留模型4.客户细分模型科学的客户细分需满足两个基本条件：完整性；互斥性5.交叉销售模型①通过数据挖掘中的聚类分析，锁定交叉销售所要面对的目标客户。②通过关联分析确定最优的销售组合，并向相应的客户展开交叉销售。9.3.7数据挖掘工具及其评估1.数据挖掘工具的类型（1）通用工具主要包括：SAS公司的EnterpriseMiner、IBM的IntelligentMiner、SPSS公司的Clementine、Oracle公司的Darwin、Angoss的KnowledgeSeeker。（2）综合数据挖掘工具（3）面向特定应用的数据挖掘工具主要工具包括KDI（主要在零售业）和UnicaModell（重点在市场领域）等。2.数据挖掘工具的评估标准（1）操作的数据类型（2）结果的有用性和确定性（3）知识的表达（4）多层次互动