搜索
第2章商务智能应用--分析型CRM企业在扩大市场、提高效率和保持客户的原始商业驱动力不变的情况下，如何继续保持竞争的优势。有远见的公司都会意识到，只有将自己建成能够对客户作出迅速反应的公司才能获得诸多收获，这些收获包括收入、新客户、客户满意度、客户回头率以及公司效益的增加，从而使竞争力大为提升。本章内容：CRM概述CRM与商务智能客户行为分析客户分类案例分析CRM概述建立客户关系管理（CRM）系统的目的是赋予企业更完善的与客户交流的能力，即从潜在客户识别、生成有需求的客户，到销售完结以及不断进行的服务和支持，提供全过程的自动化处理和更好的协调与合作，以提高客户满意度和客户忠实度，增加市场机会和销售利润，为企业发展服务。操作型CRM的设计目的是为了让业务人员在日常的工作中能够共享客户资源，减少信息流动滞留点。通过市场营销、销售和服务等业务流程的管理，将客户的各种信息收集并整合在一起，再将这些运营数据和外来的市场数据经过整合和变换，装载进DW。协作型CRM就是能够让企业客户服务人员同客户一起完成某项活动。协作型应用目前主要由呼叫中心、客户多渠道联络中心、帮助台以及自助服务帮助导航，向客户解释特定内容的网页等。分析型CRM事实上是以改善业务管理为目的的分析活动，主要是分析现有的历史数据或者操作型CRM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的依据。在一家银行的信用卡客户中，可能有80%的人几乎不用信用卡交易，有10%的客户偶尔用卡交易，剩下10%的客户会频繁用卡交易，而这一部分客户可能为银行信用卡部带来80%的收入，所以这10%自然是最有价值的客户。利用分析型CRM系统对客户进行细分，就可以针对有价值的客户开展特别的促销活动、提供更个性化的服务，这无疑将使企业以最小的投入获得最大的回报。商务智能与CRM如果说操作型与协作型CRM是企业的臂膀，那么分析型CRM就是企业的大脑。数据整合――提供客户全景视图利用数据仓库技术，可以将散落在各个业务数据库中的客户信息经过ETL(抽取、转换、加载)过程，清洗、转化、连接、概括、集成为统一的分析数据;同时，数据仓库强大的数据存储及管理能力可以对海量客户数据有效的存储、索引、归类。信息提交过程企业信息系统最终的关注点在于信息的传递，实现从数据到信息的深层次转化。(1)OLAP的多维立方体模型为用户提供多维的分析视图，通过钻取、旋转、切片(块)等操作，使得用户可以随心所欲地对客户数据进行多维分析，获取关于客户的细分市场、购买模式、盈利能力等重要信息。(2)通过简单易用的工具使得终端用户可以自由的按照自己的意图来操纵数据，从而为自己的业务问题提供信息支持。(3)利用企业信息门户策略可以根据不同的用户定制信息界面，从而保证信息在适当的时间、通过适当的手段、传递到适当的人手中。客户知识的深入挖掘(1)根据从客户知识发掘的信息，计算客户生命周期价值，以此作为客户分类的依据。针对不同类别的客户采取不同的措施;(2)预测客户将来一段时期的需求;(3)预测客户流失的可能性，或者采取及时的补救措施，或者做出减少不必要的投资等决策，最大限度地保留客户和降低企业的损失;(4)测评客户忠诚度，识别忠诚客户。客户知识的展现通过商务智能技术所获得的客户知识(特征、忠诚度、盈利能力、行为模式)必须通过操作和协作型CRM系统才能最终实现为客户提供更好服务的目标，从而形成业务行动的闭环，真正发挥CRM的各层次的综合效应。客户智能系统结构图构建一个完整的智能CRM系统的几个步骤:1．整合客户信息资源对于那些以前没有应用过任何CRM系统的企业来说，首先需要把孤立的业务系统整合到一个统一的平台之下，解决“信息孤岛”。而对于己有CRM系统的企业，则需要建立一个企业信息门户，使客户和企业能在一个统一的界面下进行数据和信息交换，从而保证客户数据的一致性。2.建立客户数据仓库规划数据仓库，以企业的业务模型为基础，确定需要建立能够描述主要业务主题的数据模型;设计数据仓库，根据逻辑模型和性能要求进行物理模型的设计，制定数据存储策略以及各种商业规则等；(3)构造数据分析模型根据企业需要分析的对象和目标，构造有针对性的分析模型。针对客户对企业的贡献差异，构造客户盈利能力分析模型;针对客户对企业信用程度的不同，构造客户信用分析模型；根据客户对产品功能的需求不同，构造客户分类分析模型；根据客户的获得、流失情况，构造客户获取流失分析模型等等。(4)建立客户知识管理系统建立一个动态的客户知识库以及制定客户知识的分发规则和保存机制。与客户数据仓库一样，客户知识管理系统也不是一开始就能建立好的，它需要在使用的过程中进行不断地调整和完善，是一个动态完成的系统。客户行为分析(获取新客户、客户流失与保持分析、客户盈利能力分析)获取新客户获取新客户就是“说服”原本不是你的客户的消费者成为你的客户。这些消费者可能是对你的产品/服务不了解的顾客，也可能是你的产品/服务的潜在消费者，还可能是你竞争对手的客户。针对这些不同的消费者需要采用不同的策略才能有效的获取到新客户。另外，在获取新客户之前，不得不确定哪些消费者是值得努力的，预测不同客户对营销努力的反映情况也是提高获取新客户成功率的一个前提。还有，客户分优劣，有些客户获得时付出的努力要比他们成为公司客户后贡献的利润低，这样的客户还是不获得为好。因此，企业要想通过CRM有效获得新客户，必须明确不同客户的特性。目标市场在哪里?哪些客户是企业的潜在客户？哪些潜在客户是优质客户？客户获取的难易程度如何？常用的数据挖掘技术和方法有分类与预测、聚类、关联分析和异类分析等。例如用关联的方法，通过发现诸如“在购买A商品后，一段时间里顾客会接着购买商品B，而后购买商品C”这样的知识，来形成“A-B--C”客户行为模式。还可以对现有客户特征进行聚类分析，建立客户特征模型，以最有效地预测目标市场和发现潜在客户。K-近邻分类方法基本思想：K－近邻分类是基于类比学习的，每个样本代表d维空间的一个点。当给定一个未知样本时，K-近邻分类法将搜索样本空间，找出最接近未知样本的K个训练样本，这K个训练样本是未知样本的K个“近邻”。近邻性一般用欧几里德距离定义：或采用绝对值距离：缺点：计算量大优点：适合各种数据类型的数据dkjkikjiijxxxxd12)(||||dkjkikjiijxxxxd1||||利用K－近邻方法进行潜在客户预测考察的客户自身属性：企业总资产值、年销售收入、距电器销售公司的地理距离及企业所处地域的经济发达程度。客户的消费属性为过去一年内对电器销售公司的总购买额。1.数据处理：销售公司把客户的消费属性分为10万元以下、10万至100万、100万500万、500万以上四个区间，分别取值1,2,3,4；把企业所处地域的经济发达程度根据实际情况分为贫困、欠发达、发达、极发达四档，分别取值1,2,3,4；其余客户属性(企业总资产值、年销售收入、距销售公司的地理距离)也通过区间划分完成量化及归一化处理。表1是经过标准化处理的老客户数据，表2是经过标准化处理的潜在客户数据。表1老客户数据老客户总资产年销售收入地理距离所处发达程度年总购买额11.51.61.20.4221.53.21.20.63310.80.40.2141.53.20.40.84511.60.40.4260.51.60.40.42………………………………表2潜在客户数据潜在客户总资产年销售收入地理距离所处发达程度年总购买额A1.51.61.20.4待预测B0.81.20.40.2待预测………………………………2.预测为了预测客户A对公司电器产品的年购买额，我们只须从处理后的老客户数据中找到K个最近邻(这里设定K=2)。例如：A与客户1的距离：D(A，l)=(1.5-1)+(2.4-1.6)+(1.6-1.2)+(0.4-0.4)=1.7，同理计算可得到：D(A，2)=1.9，D(A，3)=3，D(A，4)=2.9，D(A，5)=1.6，D(A，6)=2.5可以看出，A的2个最近邻为老客户1和5，可以预测其对公司电器产品的年购买额将在10万和100万之间，我们还可以从处理之前的老客户数据库中得到客户1和5的实际年购买额，以对A的年购买额进行更精确的预计，假设销售公司规定年总购买额在500万以上的是公司的重点客户，那么我们可以进一步预测潜在客户的类别，从而可以指定精确的营销计划，来获取客户。将数据挖掘应用于客户的获取活动与传统的市场营销策略比较其优势在哪里？下面我们通过一个例子进行详细的说明。某大银行A进行直邮的市场营销活动以获取信用卡客户，向100万名潜在客户提供信用卡的申请表。使用传统的做法，A银行向这100万名潜在客户寄出信用卡申请表，共有6%的邮件得到申请回应。得到这些潜在客户的回应后，需根据信用风险程度对它们的申请进行筛选，毫无疑问，往往是信用差的潜在客户更可能申请信用卡，所以最终筛选后的结果只有16%的回应者是符合信用要求的，即大约占总潜在客户的1%(6%×16%≈1%)成为最终客户。A银行邮寄一份申请表需花费￥1的费用，每个客户在随后的两年将为银行带来￥125的利润。那么用传统方法营销得到的净回报：￥250,000(￥125×10,000-￥1×1,000,000=Y250,000)数据挖掘技术的应用首先，A银行寄出50,000份进行测试，并对反馈的结果进行分析，将这些数据作为训练数据应用数据挖掘算法建立预测模型，包括潜在客户的回应的模型(可以用决策树方法)和信用评分模型(可以用神经网络方法)。然后，结合这两个模型找出哪些潜在客户的信用风险低且很大可能会接受提供的申请表。根据这些方法，A银行在剩下的950,000个潜在客户中选取其中信用好的700,000个进行邮寄。结果是，通过这邮寄的750,000份申请表，共收到9,000个潜在客户接受信用卡，即接受的比率为1.2%(9,000÷750,000=1.2%)，比传统方法的1%提高了20个百分点。还有1,000个客户在未寄的250,000个潜在客户中，他们是被模型筛选掉的，很明显，若对他们也进行邮寄的话，需花费￥250,000但他们带来的利益只有￥125,000(￥125×1,000=￥125,000)，表明为获得这些客户的成本是大于他们所能带来的收益的，故将他们放弃。表3传统方法和数据挖掘方法获取新客户的比较指标传统方法数据挖掘方法差异邮寄总数量1,000,000750,000250,000邮寄总成本￥1,000,000￥750,000￥250,000成为新客户的数量10,0009,0001,000每个新客户带来的毛利￥125￥125￥0总毛利￥1,250,000￥1,125,000￥125,000净利润￥250,000￥375,000￥125,000数据挖掘建模成本￥0￥40000￥40000最终净利润￥250,000￥335,000￥85,000从表中可以看到，净利润增加了￥125,000，即使减去数据挖掘的成本￥40,000其最终净利润也还多出￥85,000。另外，本例中建立模型的投资回报率(ROT)也比较高，为212.5%(￥85,000÷￥40,000=212.5%。从而显示了将数据挖掘技术应用与新客户获取中的优势所在。决策树分类方法决策树提供了一种展示类似在什么条件下会得到什么值这类规则的方法。比如，在贷款申请中，要对申请的风险大小做出判断，图1是为了解决这个问题而建立的一棵决策树，从中我们可以看到决策树的基本组成部分：决策节点、分支和叶子。是否是否是否收入40000工作时间5年高负债低风险高风险低风险高风险决策树的每个节点子节点的个数与决策树应用的算法有关。如CART算法得到的决策树每个节点有两个分支，这种树称为二叉树。允许节点含有多于两个子节点的树称为多叉树。每个分支要么是一个新的决策节点，要么是树的结尾，称为叶子。在沿着决策树从上到下遍历的过程中，在每个节点都会遇到一个问题，对每个节