《第六讲-客户关系管理技术手段课件》由会员分享，可在线阅读，更多相关《第六讲-客户关系管理技术手段课件（62页珍藏版）》请在金锄头文库上搜索。
1、客户关系管理的技术支撑客户关系管理的技术支撑JC 3、4、5章章柳玉寿柳玉寿9/25/20241主要内容第一节 客户关系管理的软件系统第二节 数据仓库与客户关系管理第三节 数据挖掘与客户关系管理2第一节 客户关系管理的软件系统一、CRM软件系统的一般模型二、 CRM软件系统的组成三、CRM软件功能模块3一、CRM软件系统的一般模型模型阐述了客户、企业流程、功能的相互关系1.营销：细分市场目标市场战略计划2.销售：执行计划建立销售订单，实现销售（发现潜在客户、信息沟通、销售产品、收集信息）3.服务：售后服务？4.产品开发、质量管理居于CRM两端起支持作用4在CRM系统中：集成集成？客户导向？（O
2、ne to one、customized service)改变了企业的前台业务运作模式信息共享、密切合作中央数据库集成信息统一信息出口营销、销售、服务获得信息统一，业务行动互相配合，提高对客户的一致性一致性，提高了效率5二、 CRM软件系统的组成1.接触活动2.业务功能3.数据库4.技术功能61.接触活动客户与企业接触的方式和渠道：Call Center？面对面？FAX？Mobile Sales？E-mail？Internet？中介经济人等？CRM：保证客户自由选择接触沟通的渠道，同时每种接触要保持高度的一致性72.业务功能营销、销售、服务是企业与客户接触的主要部门，CRM要给予主要支持，其主
3、要包括市场管理、销售管理、客户服务支持三大功能：市场管理：客户信息统计分析-发现机会-确定目标市场-营销组合-市场产品策略；为市场人员制定预算、计划、执行和控制工具-完善计划；管理市场活动（广告、会议、展览、促销）-跟踪、分析、总结销售管理：销售人员通过电话、移动销售、远程销售、电子商务等工具获得有关生产、价格、库存、订单处理等信息客户服务支持：通过CTI技术支持呼叫中心提供724的服务，把信息录入数据库；跟踪客户使用，提供个性化服务、对服务合同进行管理CRM软件一般不能覆盖所有功能范围，一般支持2-3种功能，如营销和销售。所以功能覆盖范围是对软件评价的主要标准之一。具体功能模块见教材P38页
4、：表3-1 CRM软件系统功能83.数据库（Database） Database在CRM中的地位作用：帮助企业根据生命价值周期区分现有客户帮助企业定位目标市场帮助企业以合适产品在合适时机满足客户需求，降低成本，提高效率（7R，Q、C、D、S的理念的理念？）？）帮助企业结合最新信息制定新策略，塑造客户忠诚（客户、企业通过数据库可以有效进行可衡量、双向沟通，更好满足，提高满意度客户忠诚） Database中的Data ：全面、准确、及时反映客户、市场、销售、服务等信息，按市场、销售、服务部门的不同使用分为：9接上页客户数据：包括客户基本信息、联系人信息、相关业务信息、客户分类信息（现有客户、潜在客
5、户、代理商、合作伙伴等）销售数据：业务跟踪（联系、询价报价、业务对手、订单等）服务数据：客户投诉、服务合同、售后服务、解决方案知识库等客户数据、销售数据、服务数据统一集成在一个Database中，数据共享，提高前台业务的运作效率和工作质量，对客户保持高度的连贯性和一致性。同时方便采用OLAP，DM等DW技术对数据的交叉分析应用等104.技术功能CRM软件应遵循原则：易转换：适应性及强大参数设置功能在已有的IT环境下，对所定义的各个部分具有强大的一体化功能强大的数据复制及同步功能独立于开发平台（即与编写的基础语言无关）通过COM(Component Object Model )/DCOM、COR
6、BA、E-Business构成一体化结构以及以网页为基础的组合结构界面友好关系DBMS(Database Management System)以及通常的开发环境（C+，Java)目前CRM标准软件在技术上还不成熟：10%的软件引入后不需调整，30%要作全面修改，因此引入成本高昂，以后软件与现实仍不相适应。11接上页CRM软件技术功能要达到的目的：提高前台业务运作效率营销管理：客户信息从Database提取，不依赖销售渠道；客户分析、产品分析结果，产品销售预测、地区销售预测容易实时进行；简化目标客户的识别，针对性的客户联系；合理分配营销资源，减少营销成本销售管理：所以决策部门协调一致，实现复杂的
7、销售过程12三、CRM软件功能模块1.营销管理子系统2.销售管理子系统3.服务管理子系统4.现场服务管理子系统5.呼叫中心管理131.营销管理子系统（Marketing Management）MMS：分析信息确定目标市场市场策略营销组合，为销售、服务提供准确的支撑信息：产品、报价、企业策划宣传资料、呼叫中心的智能化呼叫脚本制作等分析：市场、客户、产品、地理区域等信息帮助：开发、实施、管理、优化策略帮助销售人员：识别、选择、产生目标客户列表142. 销售管理子系统（Sales Management System,SMS)SMS：管理商业机会（Opportunity)、客户帐号（Account)及
8、销售渠道（Place)把所有销售环节有机结合起来，销售部门、异地销售部门、销售与市场之间建立以客户为中心的工作流程缩短销售周期，提高成功率：销售代表方便快速获得最新企业信息、动态、客户信息、帐号信息、产品价格、竞争对手153.服务管理子系统（Service Management System,SMS)SMS：提高客服代表服务效率，增强服务能力，更易捕捉跟踪服务出现问题，根据客户需求分解、调研、销售扩展、销售提升中问题，延长客户生命周期SMS：提供易使用的工具和信息，服务需求管理、服务环境配置、问题解决方案方案（案例分析、问题分析诊断等）SMS：基于客户、话务员、服务渠道、服务许可等信息：客户咨
9、询合适的话务员处理，空闲的话务员中选择最称职的使客户满意SMS：集成多种交流方式，满足客户对服务的需求（Internet、FAX、电话、E-mail、IVR164.现场服务管理子系统Field Service Management SystemFSMS：提供一个移动解决方案，提高了服务管理有效性。（维护计划、中断安装/服务、RMA、区域资源调配、提供与确保客户问题解决所需工具与资源FSMS：服务请求管理、服务活动管理、帐号管理、智能分配与发送、组件使用、问题解决方案知识教材P43175.呼叫中心管理Call Center：销售与服务的集成，业务代表/话务员可以向客户提供实时的销售与服务支持Ca
10、ll Center：计算机电话集成（CTI）、被叫号码识别（DNIS）、自动号码识别（ANI）、交互式语音应答（IVR）18第二节 数据仓库与客户关系管理一、数据仓库概述二、CRM中的数据仓库三、数据仓库的实施四、CRM中的数据仓库设计示例五、 CRM中的数据仓库使用示例19一、数据仓库概述1.数据库到数据仓库2.数据仓库的概念及特点3.数据仓库系统的体系结构201.数据库到数据仓库OLTP：重点在于当前事务处理，历史数据转储于脱机介质中，没有统计分析应用80到90年代的主流，如银行的早期的储蓄系统强调数据更新处理和系统可靠性，忽视数据查询分析业务数据被存放于分散的异构环境中，不易查询分析，而
11、且大量的历史数据存放在脱机状态中数据针对事务处理设计的，数据格式、描述方式不利于非专业人员分析查询使用于是专门为业务的统计分析建立数据中 心，联机业务处理系统产生了21接上页OLAP：重点在于从数据库中获取信息、分析信息、利用信息支持决策目标客户定位、产品服务决策等，获得竞争优势是一个决策支持系统和联机分析应用数据源的结构化数据环境，其主要作用就是从数据库中快速、准确、安全获取信息，加工转换成有规律的信息供管理决策使用22数据仓库（Data Warehouse):是面向主题的（Subject Oriented)、集成的（Integrate)、相对稳定的（Non-Volatile)、反映历史变化
12、的（Time Variant)数据集合。支持决策，面向分析型数据处理。对多个异构的数据源有效集成，集成后按主题分组，存放数据一般不在修改。2.数据仓库的概念及特点面向主题：操作型数据库面向事务处理，各个业务系统之间相互分离，而数据仓库中的数据是按照一定主题组织的。主题是抽象的概念，企业使用数据仓库进行决策所关心的主要方面，往往与多个操作性信息系统相关。集成的：面向事务处理的操作性数据库与某些特定的应用有关，数据库相互独立而且是异构的。而数据仓库中的数据是原数据库数据进行抽取、清理、加工、汇总整理得到，消除了他们的不一致，确保企业信息的全局性相对稳定：操作性数据库中信息实时更新，数据根据需要及时
13、发生变化。数据仓库中数据供企业分析决策使用，主要是查询，长期保留，修改删除少，只加载刷新。反映历史变化：操作性数据库主要关心当前的数据，而数据仓库的数据包含历史信息，系统记录企业信息，通过分析这些信息定量分析企业的发展历程和发展趋势。23数据仓库数据管理主要体现在三个方面：数据抽取：从OLTP、外部数据源、脱机存储介质等导入到DW。存储管理：数据表现：多维分析、数理统计、数据挖掘等243.数据仓库系统的体系结构数据仓库系统包含4个层次（教材P54：图4.1）：数据源：业务数据、文档，法律法规、市场信息、竞争对手数据存储与管理：抽取、清理、集成、按主题组织OLAP服务器：对数据有效集成、多维组织
14、、多层次分析，发现趋势前端工具：报表、查询、数据分析、数据挖掘等。25二、CRM中的数据仓库1.CRM与DW关系2.DW作用3. CRM数据仓库的系统结构261.CRM与数据仓库关系CRM业务整合需要数据仓库(教材P56图4.2)数据清洁与集中需要数据仓库数据分析需要数据仓库OLAP报表数据挖掘272.数据仓库作用数据仓库作用客户行为分析重点客户发现个性化服务市场性能评估28客户行为分析整体行为分析和群体行为分析（Behavior Segmentation)客户理解（JCP57）：行为规律分析（JCP57） ：组间交叉分析（JCP57） ：29重点客户发现找出对企业有重要意义的客户：潜在客户：
15、有价值的新客户交叉销售：同一客户更多的消费需求增量销售：更多的使用同一产品或服务客户保持：客户的忠诚度30个性化服务在售前、售中、售后整个过程中提供个性化服务？（JCP58）31市场性能评估评价基于“客户行为分析而制定的市场策略和市场活动”的效果。（JC P59）在评估的基础上进行改进评估的方法是客户的市场反馈（客户行为跟踪）评估模板评估指标评估时间期间323. CRM数据仓库的系统结构数据仓库系统：数据源、数据仓库系统、CRM分析系统(JC P59-60)数据源：客户信息、客户行为、生产系统及其他数据仓库：数据仓库建设、数据仓库CRM分析系统：数据准备、客户分析数据集市、客户分析系统、调度监
16、控JC P60：图4.3 CRM中的数据仓库33三、数据仓库的实施数据仓库建设是一个长期的系统工程,必须以总体规划、分步实施、步步见效为原则，以数据驱动、技术为支撑、满足应用需求为目的，围绕数据、技术、应用三个方面进行：项目计划业务需求分析数据线技术线应用线系统运行维护34项目计划定义创建数据库项目目标和范围，包括项目计划评估和流程调整。明确主题：数据归类标准，每个主题对应相应分析领域，明确决策涉及的范围和解决问题以现有OLTP为基础：确定项目范围：了解方向性分析处理需求，确定信息需求，确定数据覆盖范围，如：决策类型、决策者关注的问题等35业务需求分析深入了解数据源分析数据仓库系统所含的主题域
17、及相互关系此阶段：企业必须全面参与，并且与原有的系统系统开发或维护人员开发或维护人员（？）（？）进行深入沟通。36数据线数据仓库设计：模型设计：确定数据仓库（DW）蓝图，包括确定合适主题、设计维表、划分粒度层次、设计事实物理设计：确定物理存储结构、索引策略、确定存储分配数据预处理：对数据的ETL：抽取（Extraction)、转换（Transformation）、加载（Load）,保证数据仓库中的数据的完整性和一致性。数据维护：数据仓库的可管理性，即数据的更新、修改等37技术线技术选择：商业需求当前技术环境计划策略技术方向投入产出产品选择：硬件平台ETL工具OLAP服务器数据展现工具38应用线
18、应用设计：设计标准用户应用模板确定初始模板集设计模板标准设计详细模板根据用户反馈改进应用开发：通过应用设计说明书按照标准软件开发流程实现模板设计选择实现方法模板实现测试和数据验证应用模板维护数据仓库满足用户不同的查询需求服务的，用户可能只需要一些预定义查询、生成报表等简单操作，也可能是自定义复杂查询，因此要设计合适的应用工具和友好界面39系统运行维护数据仓库在运行中要不断验证评价分析设计是否符合用户要求，进行系统设计改进元数据维护：目标数据维护：根据元数据库定义的更新频率、更新数据项等更新计划任务来刷新数据仓库，以反映数据源的变化，保证数据一致性和完整性数据仓库包含了：数据、技术、应用三个方面
19、，只有把良好的数据模型、合理技术、准确应用设计结合起来，方能建立成功的。同时，系统是动态反馈和循环过程，一方面数据内容、结构、粒度和其他物理设计要不断完善；另一方面，环境发生变化或新技术出现也要及时根据拥护需求更新升级。40四、CRM中的数据仓库设计示例1.SQL Server 2000数据仓库简介2.概念模型设计3.数据仓库创建411.SQL Server 2000数据仓库简介SQL Server 2000集成了OLAP功能DTS：提供数据输入/出，在此过程中完成数据的验证、清洁、转换（ETL）集成了Microsoft Repository功能,共享元数据支持在线分析处理集成了Pivotta
20、ble Service：允许在本地客户机上存储数据MMC：提供日程安排、存储管理、性能监测报警和通知的核心管理服务Access、Excel：作为数据展现工具，同时也支持第三方的数据展现工具422.概念模型设计数据仓库的数据模型采用星形关系架构，以一个核心的主题数据表（事实表）为中心，其他关系表（维表）通过主键外键关系同主题数据表关联，维表间没有直接关联关系，如：事实表：客户抱怨维表：相关产品维表：客户维表：抱怨时间维表：抱怨接受员工维表：抱怨处理部门星形关系架构数据仓库：面向主题的、集成、相对稳定的、反映历史变化的数据集合，整合了联机事物处理中的零散、杂乱、面向处理的数据，形成统一的面向主题的
21、数据集合。在CRM中数据处理的核心主题：客户销售事实信息、销售机会信息、抱怨信息、客户关怀信息数据仓库建立案例见JC P66-67：图4.6 OLTP基本关系表，图4.7数据仓库关系表433.数据仓库创建设计好数据仓库概念模型后，需要把OLTP系统中的数据转入数据仓库，SQL Sever 2000集成了DTS，能从OLEDB、ODBC数据源执行数据导入、导出和转换新建目标数据库DTS创建数据源和目的数据库转移事实表转移维表执行包并设置完整性约束详见JC P68-8544五、 CRM中的数据仓库使用示例在数据仓库的基础上建立多维数据集，并进行OLAP分析。(SOL Server 2000集成了A
22、nalysis Services,是数据仓库的解决方案,可以进行多维分析)1.创建OLAP数据库(JC P85)2.利用多维数据集创建向导创建多维数据集(JC P87)3.存储和处理多维数据集数据(JC P95)4.浏览多维数据集数据(JC P97)45第三节 数据挖掘与客户关系管理一、数据挖掘概述二、数据挖掘的任务、技术与实施过程三、数据挖掘在CRM中的应用四、 CRM数据挖掘应用案例五、数据挖掘软件在CRM中的应用示例46一、数据挖掘概述1.DM的背景：2.DM定义3.DM功能4.DM应用5.DM未来471.DM的背景：数据信息爆炸但知识缺乏技术支持基础：海量数据搜集、多处理器计算机、数据
23、挖掘算法的技术发展成熟数理统计、人工智能、机器学习模块技术机器学习知识工程（神经网络）知识发现KDDDMDM与数理统计的结合机器学习：机器学习：将已知的并已被成功解决的问题作为范例输入计算机，机器通过学习这些范例总结并生成相应的规则，这些规则具有通用性，使用他们解决类似问题。神经网络技术神经网络技术（知识工程）（知识工程）：直接给计算机输入代码化的规则，计算机通过这些规则来自动解决问题。如专家系统等，投资大，效果不理想。482.DM定义从大量的、不完全的、模糊的、随机的实际应用数据中提取隐含在其中的，事先不知道的潜在的有用信息和知识的过程。商业信息处理技术，对商业数据库中的大量业务数据进行抽取
24、、转换、分析处理，从中提取辅助商业决策的关键性数据按企业既定业务目标，对大量的企业数据进行探索和分析揭示隐藏的、未知的或验证已知的规律性，并进一步将其模型化的有效方法493.DM功能自动预测趋势和行为P105关联分析，发现变量间规律性：聚类P106概念描述偏差检测：观测与预测偏差504.DM应用银行、保险、零售有广泛应用（P106 ）：数据库营销（Database Marketing)客户群体划分（Customer SegmentationClassification）背景分析（Profile Analysis）交叉销售（Cross-selling）客户流失性分析（Churn Analysis
25、）客户信用记分（Credit Scoring)欺诈发现（Fraud Detection）案例：1.街上厂商对路人随便发放DM广告，随地丢弃，没有目的性；2.家电维修公司向刚刚购买家电的人发放维修DM3.特效药厂商向医院特定门诊就医的病人邮寄DM。4.消费习惯的改边，人们购买1.6排量车更多515.DM未来DMKD在关系模式、DBMS系统、SQL支撑下在21世纪会有更大发展：发现语言的形式化描述，即如同SQL一样。数据挖掘中的可视化，人机交互网络环境下的数据挖掘（Web Mining)加强对各种非结构化数据的开采（DM for AudioVideo）如文本、图形、音视频等需求牵引、市场推动、技术
26、支持是永恒的。从数据中有效提取信息、从信息中及时发现知识为决策和发展战略服务的DMKD的软体产品必将大量涌现。52二、数据挖掘的任务、技术与实施过程1.DM任务（P108-110）数据总结：求和、平均、方差，多维分析OLAP等分类发现聚类关联规则发现：啤酒与纸尿裤的案例2.DM技术ANNS：分类和回归解决复杂问题（如：棋王帕斯卡洛夫与深蓝的人机大战、签名识别、指纹识别、图象识别、声音识别等）决策树（DT）覆盖正例排斥反例方法粗集方法（Rough Set）遗传算法（Genetic Algorithms，GA）53公式发现统计分析方法模糊论方法可视化技术3.DM流程DM环境（P117 图5.3）D
27、M过程图（ P117 图5.4）DM过程工作量：数据准备60%工作量DM过程简介：确定业务对象：确定数据挖掘的目的数据准备：数据收集（内外）、数据预处理、数据转换数据挖掘：结果分析：知识同化：挖掘所得知识集成到系统中加以应用DM需要人员业务分析人员：精通业务数据分析人员：精通数据分析数据管理人员：精通数据管理技术DM：是多种专家合作的过程，资金技术高投入的过程。该过程反复进行，不断接近本质，不断优化解决方案。54三、数据挖掘在CRM中的应用1.从客户生命周期角度分析数据挖掘技术的应用客户生命周期分析（P119 图5.5）潜在客户：目标市场新客户还没有数据如何挖掘呢？目标市场新客户还没有数据如何
28、挖掘呢？响应者：潜在客户对活动的响应-登陆网站、电话、填表等即得客户：刺激使用、交叉销售、升级销售？刺激使用、交叉销售、升级销售？客户流失：主动离开：原因？原因？被动离开：不同客户生命周期阶段出现数据（P121 图5.6）与客户关系越密切，获得的信息就越多552.从行业角度分析数据挖掘技术的应用DM应用的深度和广度因行业不同而不同零售业CRM中的DM：识别购买行为-发现购买模式和趋势-改进服务质量-客户满意度-提高销货比例-设计更好的物流与分销策略-减少成本使用多特征数据立方体进行销售、客户、产品、时间和地区的多维分析使用多维和关联分析进行促销活动的有效性分析序列模式挖掘用于客户忠诚度分析利用
29、关联分析挖掘关联信息进行购买推荐电信业CRM中的DM：金融业CRM中的DM：56四、 CRM数据挖掘应用案例案例背景：竞争：对电信业服务质量、方式、内容、价格、管理提出了更高要求客户流失影响发展，DM进行客户欺诈分析、流失分析、消费模式分析、市场推广分析等客户流失分析系统数据挖掘：根据以前客户流失数据建立客户属性、服务属性、消费数据与客户流失的关联数学模型1.业务问题定义：明确定义要解决的业务问题如客户流失分析要明确流失的定义2.数据选择目标变量选择：说明业务问题状态，如离网：流失/正常（P124）输入变量选择：静态数据、动态数据 （P125）建模数据选择： （P124）DM过程：业务问题定义
30、、数据选择、数据清洗和预处理、模型选择与预建立、模型建立与调整、模型评估与检验、模型解释与应用573.数据清洗和预处理保证数据正确有效，调整数据的格式和内容4.模型选择与预建立DM集成了决策树、ANNS、回归、关联等建模方法5.模型建立与调整由专业的分析专家完成6.模型的评估与检验7.模型解释与应用58五、数据挖掘软件在CRM中的应用示例1.PloyAnalyst简介2.问题定义3.导入数据4.数据预处理5.初步分析6.利用决策树进行直销数据挖掘7.决策树模型检验8.结论59客户流失客户流失主要有两个核心纬度/变量：财务原因/非财务原因主动流失/被动流失主动财务主动非财务正常支付费用，对市场活
31、动响应重点关注的重点关注的被动财务被动非财务财务原因非财务原因主动流失被动流失1.区分公司客户与个人客户2.服务贡献率3.流失标准：比如新服务代替老服务、消费水平的下降是否是流失？4.使用相对指标，消费通讯费用占收入的1-3%为判断标准等主动离开主动离开：客户离开服务地区、客户生活方式发生变化（退休、死亡等）、获得竞争者产品、不在认为产品或服务有价值被动离开被动离开：客户不再是好客户，他们拒绝支付他们的帐单60备注IVR：Interactive Voice Response 交互式语音应答RMA：Return Materiel Allow 返回物料许可CTI：Computer Telecomm
32、unication Integration 计算机电话集成 OLTP：On line Transaction Processing 联机事务处理OLAP：On line Analytical Processing 联机业务处理DW：Data Warehouse 数据仓库SQL：Structured Query Language 结构化查询语言COM：Component Object Model 组件对象模型 DM：Data Mining 数据挖掘DM： Direct Mail advertising 直接邮寄广告KDD：Knowledge Discover in Database 数据库中的知
33、识发现DNIS：Dialed Number Identification Service 被叫号码识别 ANI：Automation Number Identification 自动号码识别61备注ETL：Extraction,Transformation,Load,数据的抽取、转换与加载DTS：Data transformation Services 数据传输服务MR：Microsoft Pivottable 微软数据透视表MMC：Microsoft Management Console 微软管理平台OLEDB：Object Linking and Embedding Database 对象链接和嵌入数据库 ODBC：Open Database Connectivity 开放式数据库连接 KDD：Knowledge Discovery in Database 数据库中知识发现DMKD：Data Mining Knowledge Discovery DBMS：Database Management SystemANNS：Artificial Neural Networks 人工神经网络NNS：Neural Networks 神经网络AI：Artifical Intelligence 人工智能GA：Genetic Algorithms 遗传算法62
