分析型CRM：读你千遍不厌倦
客户关系管理（crm）在初期主要是偏重流程的方面，可以称之为流程型crm。所谓流程型crm，是指对市场、销售、服务等企业的前端管理的各个业务流程进行重新规划和调整，以最佳的工作方法来获得最好的效果。无论是销售自动化（sfa），还是利用呼叫中心的交互式客户关怀（interactivecustomercare），都比较注重工作流的管理，如销售的分阶段管理、代理的分层管理、员工的管理、服务请求的回复管理等。在crm发展的历程中，流程型crm软件对整个产业的发展起到了非常重要的作用。流程型crm围绕客户信息，重点解决了以下的问题：如何收集客户信息？谁来收集客户信息？收集什么样的客户信息？与某个客户相关的所有信息是否是整合的？每一个与客户打交道的人员是否都了解公司其他人与客户的联络？公司前端管理的每个部门是否都建立了“以客户为中心”的理念？对不同的客户是否能够提供不同的服务？对于多数已经和正在考虑应用crm的企业来说，流程型crm是不可或缺的。通过流程型crm的应用，企业加深了对crm的理解，初步建立起“以客户为中心”的企业文化，相关的基础数据也从无到有地建立起来。但是，在大量的客户数据积累起来之后，对数据的分析将显得越来越重要。crm分析功能的深化将扩展企业对客户的理解，为企业战略决策提供重要的数据基础。分析型crm的应用方式分析型crm的主要应用方式包括客户多维特征分析、客户行为分析、建模和数据挖掘等。客户多维特征分析分析型crm能够统计大量的客户信息，并支持对客户进行多维的特征分析。在银行、保险、电信、传媒、零售等行业，客户的数据量是庞大的。比如，turbocrm与亚信最近联手开发的向中国电信某省数据局提供的crm解决方案中，客户数据量就达到百万级。要对这些客户数据进行分析，就要求分析工具能够处理大量的客户信息。每个客户的属性描述包括地址、年龄、性别、证件号码、收入、职业和教育程度等多个字段。分析型crm必须能够支持对多维特征的组合性分析，快速给出符合分析条件的客户名单和数量。在分析型crm中，速度成为重要的衡量指标，在对海量的数据进行分析的时候，速度的要求几乎是第一位的。客户行为分析分析型crm能够处理复杂的数据，并支持对客户行为进行分析。现有客户的基础信息来源于企业的现有业务系统，因此，结合客户信息对某一类客户群的消费行为进行分析是很有意义的，这要求crm中的分析工具可以从多个数据库中抓取信息，并形成复杂的数据簇。在此基础上，可以分析某类客户的消费行为。在电信行业可以分析经常打漫游电话的人群具备什么样的客户特征；年龄在30岁左右、月收入在5000以上的女性是否是长途电话消费主体，她们的通话习惯时段是从几点到几点；是否周末的长途漫游消费有明显不同于其它时间的特征等。行为分析是比特征分析更为复杂的分析，因为它涉及到行业知识和分析模型的结合。建模和参数调整除了特征分析和行为分析，预测正在日益成为强大的分析功能。在详细了解消费行为之后，很自然地要对数据的参数进行某些调整。例如，价格的变化对企业整体收入会带来什么影响？如果要着力吸引那些能够带来高价值的客户，那么初期的投入应当在什么范围内？客户的消费点临近什么值的时候，就开始成为“正利润”客户？客户的生命周期至少要在多长时间以内，才具有成为“忠诚客户”的潜力？模型分析有助于企业的市场研究和分析人员更理性地制定市场细分策略。数据挖掘客户信息的录入和储存方式是数据（data），但是，对于决策者来讲，独立的单个的数据的意义并不大，更重要的是信息（information）和知识（knowledge）。现有的数据挖掘方法已经能够按照内置逻辑语言进行归纳和演绎。例如，根据模型数据，系统以达成最高利润为目标，提供建议进行的价格优化政策。通过输入抽样调查的测试数据，系统可以根据呼出电话的反馈率、直邮的反馈率、电视广告反馈率、巡展的反馈率等数据，确定最佳的市场活动模式，以最低的成本获得最好的市场活动效果。分析型crm的应用过程分析型crm的应用是在成熟的分析工具的基础上，结合每个行业的特点进行的，如图1所示。理解业务理解业务是分析型crm的最初阶段，着眼于了解业务特点，并把它还原成数据分析的条件和参数。例如，在零售行业中，第一步就是了解客户购买的频率、购买频率和每次消费金额之间是否有明显的相关关系等。分析数据这个阶段着眼于对现有的数据进行规整。在不少行业中，可分析的数据和分析目标是不匹配的。消费者的月收入水平可能与许多购买行为相关，但是，原始的数据积累中却不一定具备这些数据。对这一问题的解决方法是从其它的相关数据中进行推理。例如，通过抽样调查，我们发现，一次性购买大量卫生纸的客户，其月收入水平集中在1000元至3000元的档次，从此消费习惯中可推理出现有多大比例的客户月收入水平在这个档次中。另外，还可以根据抽样调查的方法，在问卷调查的基础上推理整个样本人群的收入水平曲线。数据准备这个阶段的着眼点是转换、清理和导入数据，可能从多个数据源抽取并加以组合，以形成数据簇。对于缺失的少量数据，是用均值补齐，还是忽略，还是按照现有样本分配，这是在这个阶段需要处理的问题之一。建模现在已经有各种各样的模型方法可以利用。采用一种最好的建模方法应用于要解决的主要问题中，是这个阶段的主要任务。例如，对于利润的预测是否应当采用回归方式预测？预测的基础是什么？这些问题需要行业专家和数据分析专家协商，并达成共识。评估已经建成的模型是否可以有效地完成工作？很好的一个评估方法是利用不同的时间段，让系统对已经发生的消费情况进行预测，然后比较预测结果和实际状况。应用完成了上述的步骤之后，多数的分析工具都支持保存并重复应用已经建立起来的模型。在这个过程中，对数据分析的方法和知识应当已经被客户的市场分析人员或决策者所了解。
