CRM系统中的商业智能：模型和技术

申请免费试用、咨询电话：400-8352-114

在正确的时间，通过正确的渠道，给正确的人提供恰当的服务——CRM和福州OA、SCM一起构成了现代企业管理基础设施。如果说SCM用于优化企业外部环境和外部资源配置，福州OA着力于内部生产管理流程的规划控制和企业硬件资源的充分利用，那么CRM则紧紧围绕“客户”这个为企业创造利润的软资源，直接面向市场，提高企业的核心竞争力，以创新的技术和管理理念经营企业。

CRM和福州OA、SCM一样，在实施过程中会面临管理和技术上的挑战。从技术角度来说，CRM的组成模块可以分为四大类：一是操作级实时业务过程模块；二是系统内功能集成模块；三是企业级应用协同集成模块；四是企业活动分析模块，也就是商业智能决策过程模块。前三项是传统的，例如：MIS、OA、福州OA等企业应用的构成，可以统称为操作型应用；而商业智能是CRM的分析型应用，由于能对数据和用户提供更深层次的理解和展示，协助管理层进行决策，是构成CRM核心竞争力的核心模块。本文从技术层面、从客户模型角度论述CRM的核心竞争力。

1 CRM和商业智能

Goldenberg是这样定义CRM的：CRM是人、过程和技术的有机集成，以使企业和客户的关系最优；CRM提供了面向客户的各种功能模块的无缝连接；CRM越来越倚重（increaasingly leverages）因特网技术。Goldenberg的这个定义基本上概括了CRM的理念：CRM不仅是一个软件系统，也是一种管理思想。

CRM的最终目的是确保客户忠诚度，以使企业利润最大化。CRM的构建，在技术方面要把握的是：CRM是“面向客户”的智能化企业信息系统。知识经济时代，与客户相关的数据是海量的，从海量数据中快速有效地抽取有用知识，以支持面向客户的决策，是传统技术难以有效完成的，商业智能技术也就有了用武之地。所谓商业智能，就是把海量数据转化为知识，以支持企业正确决策的方法和过程，确切地说，商业智能只是一个新概念，并不是一种新技术。一般认为，数据仓库、OLAP和数据挖掘是商业智能的三大支撑组件，数据仓库构成整个商业智能的数据基础，OLAP和数据挖掘则是为商业决策提供支持的知识提取和展示的智能化过程。商业智能实质上是一个决策支持系统的解决方案，但它和传统方案的不同之处在于商业智能解决方案有更完整、更规范化的体系结构。图1展示了一个商业智能解决方案的典型结构。

图1 典型商业智能解决方案

组成CRM的部件很多，但最核心的是客户建模部分，这些模型部件直接描述客户行为特征，提供决策支持。

2 数据建模

2.1 建模理论

建模的过程就是对构建模型的原始数据描述和解释的过程，最后得出的模型或者能够揭示源数据的一些本质属性，或者能够成功地对数据未来的发展做出预测或说明。一般分为识别问题域、问题描述和模型建立、模型解释、模型验证和模型维护五个步骤。

在商业智能建模过程中，数据源扮演着一个很重要的角色。在研究商业智能解决方案时，有时要识别向题域之后才着手解决数据源、数据格式和建立什么样的数据模型问题；但有时要明确企业所能提供的数据源之后才考虑所能解决的商业问题。

问题描述和模型建立过程要分清楚影响向题的参数是什么，参数之间的关系以及参数是如何影响问题域的。

模型解释需要回答模型是否正确地揭示了现实世界的间题，主要是定性分析的过程。

与模型解释从定性角度说明模型的性质不同，模型验证从定量角度来证明模型的实用性。常见的方法包括交叉验证法、留一法、自举法等。

模型维护是为了使模型适应环境变化所应该采取的措施。

2.2 CRM中常见客户模型

CRM的核心价值所在，就是面向客户所建立的一些分析模型所表达的商业智能水平。CRM中常见的客户模型，大致可以分为三大类：客户获得、客户保持和客户盈利能力，这三大类模型可能会由一些更具体的模型去实现。

客户获得，通过对客户行为进行分析，识别客户特征，找到潜在客户，获得新客户。如能回答蔽得某些客户群体的最佳广告类型是什么，赢得客户的最有效广告媒体是什么，购买特定商品的是哪一类客户等等这样问题的模型，就可以应用到客户获取中。

客户保持，保持长久客户关系，避免客户流失，提高客户满意度。实践表明，保留一个客户比争取一个客户的花费要少得多，因此客户保持也显得越来越有价值。类似地，很多模型也能够完成客户保持的任务，比如客户流失建模，如果模型能够回答最有利可图或最无利可图的客户具有哪些特征，客户最可能的购买时机是什么时间，就可以给决策者提供信息以采取相应的措施，防止客户流失。CRM系统使用的客户保持技术多种多样，像OLAP、分类树（CART ，CHAID等）、聚类技术等是比较常见的。例如，在银行业中，用分类技术建立了一个模型，定义客户在不同的生命周期内不同的消费行为。如在早期，某一类客户可能对助学贷款和养老保险储蓄感兴趣；而在后期，对房屋贷款和投资不同行业更感兴趣。这样的模型就可以帮助银行对相同类型的客户作出营销策略。图2显示了这样一个模型的建立和使用过程。

图2 一个银行业客户模型的建立和使用

客户盈利能力是客户给企业创造利润的能力，这种能力包括现在的和未来的创利能力。在如何用商业智能技术描述客户盈利能力模型之前，必须在商业上给出“客户盈利能力”的定义，也就是客户盈利能力的一些优化目标。这个目标可能是一些简单的计算公式，例如盈利＝收入－成本，也可能是一些更复杂的公式集。

其他比较独立的模型包括欺诈检测、风险评估等，在银行业、电信业用得比较普遍，这两个行业也是CRM系统、商业智能系统应用得比较好的行业。这两类模型很多时候是相辅相成的，风险评估的目的之一就是为了避免欺诈，欺诈检测往往是风向评估的一种手段。可以采用分类和聚类这样的技术来遴别正常用户和欺诈用户，分析它们的特征，用作欺诈检测。另外，像离群点（outlier）分析也是欺诈分析的常用技术。风险评估涉及参数可能包括用户的经营情况、历史信贷记录、信誉度和还债能力等。商业智能技术帮助信用评估由定性转向定量，更加可靠，从而提高关于客户的信用决策水平。

 2.3 商业智能建模技术

简单地说，一个企业的商业智能系统是为了帮助决策者更好地理解企业的操作。这种理解需要的知识是“深层次”的.是面向用户快速反应的，这些不是传统如OLAP这样的技术所能达成的目标。商业智能建模技术基本上可以分为两大类：一是数据仓库——OLAP建模技术；二是数据挖掘建模技术。

数据仓库是一个集成的数据环境，也是一个集成的分析中心，其中的数据是依据商业智能主题，而不是传统数据库应用来组织的。OLAP提供强大、友好的知识获取界面，使得决策者可以从不同的角度观察数据，这样的功能，可以通过切片、切块、旋转、上卷、下钻等功能实现。

数据挖掘技术，使用一些数学方法，一些算法和适当的数据结构对数据进行建模，从而描述隐藏在大量数据背后的传统技术不能或很难发现的知识，用于给决策提供支持。数据挖掘建模技术包括神经网络、决策树、logistic回归、模糊集、遗传算法、聚类、关联规则挖掘等等。数据挖掘模型都为特定目标而设计，在模型建立之前，分析员必须对模型的需求假设、数据结构要求、应用范围和结果解释方法了然于胸。

同一个商业智能分析任务，可以用不同的技术实现。比如市场篮分析，可以用数据挖掘技术，也可以用数据仓库OLAP技术，但两种方法得出的结果可能不同，于是，其有用性依赖于决策人员的技术涵养。

OLAP技术回答的间题通常可以归结为一些查询式的提问，一般情况下，复杂一些的SQL或者SQL集也能够回答。但是数据仓库——OLAP技术的优势在于提供了一个面向主题的集成的数据环境、高效的分析操作和友好的结果显示界面，大大提高了决策效率。数据挖掘技术找出的结果表现形式往往层次更深，更多样化。如果说数据挖掘是一个知识发现的过程，那么OLAP就是一个“知识验证”的过程。

3 基于商业智能的CRM系统

一个基于商业智能的CRM系统解决方案一般包括四个层次：数据源层、数据存储层、应用支持层和服务层。实际上，这可以看作图1商业智能解决方案在具体行业（CRM）中的应用。方案中包括商业智能系统的一些通用元素，比如数据集市、数据仓库、ODS（Operational Data Store）、OLAP、DM等，也看到了一些面向CRM的特定元素的位置，例如关于客户的数据源，面向客户的业务处理和集成以及面向客户的服务层。

数据源层主要是关系型数据库表数据，也包括其它像文本文件等数据源，提供CRM数据存储层的数据来源。

数据存储层数据包括数据仓库和ODS，它们都是通过对源数据的ETL（Extraction/Transformation/Load）生成。通过EYL 的数据流向，一条指向ODS，另一条指向DW。这两条数据流满足了各种终端用户对多种功能的多种分析应用需求。

ODS是一个集成了来自不同操作数据库数据的环境，其目的是为终端用户提供一致的企业数据集成视图，它使用户能够进行跨多个模块功能的操作。这些与DW是类似的，但与数据仓库和数据集市受约束的更新相比，主要差异在于频致的更新频率和直接的更新途径。ODS具有DW的一些特征，例如它也是面向主题的、集成的数据，但它还有一些DB的特征，例如反映当前值的、变化的、细节的数据。

ODS和DW的数据流向是双向的。ODS通过标准批处理方法把数据推入DW，例如，为了快照、数据分期存储（data staging）或存放历史数据的目的，将一个总结型数据元素的当前值转存入DW。

根据ODS的类型，少量的数据可以以受控的方式从DW回流至ODS。虽然这个数据流只是ODS很小的一部分，但是却有着重大的商业意义。根据ODS的类型，最终用户对ODS的更新可能会触发数据回流至数据源。

解决方案的最顶两层是应用支持层和服务层，这两层是紧密相连的，服务层的服务通过应用层应用提供，应用支持层的功能通过服务层直接面对客户和决策者。

CRM应用支持层包括操作级实时业务应用、模块级和企业应用级集成及商业智能应用支持层。实时业务应用层包括基本的CRM操作型数据应用，如客户信息查询处理、产品销售过程处理、客户支持处理监控过程、促销活动记录等实时业务和业务管理。至于模块级和应用级集成就是引言中提到的系统内功能集成模块和企业级应用协同集成模块。前者协调CRM解决面向CRM中各部门的子模块的数据交换和功能协调，后者则负责与企业的福州OA、SCM等生产管理系统的集成。商业智能应用支持就是CRM的企业活动分析模块，通过OLAP和DM得到一些模型和报表。提供给决策人做决策，并通过一个商业活动管理子模块提供直接面向客户的活动。

服务层既要面对客户，也要面对决策者，界面应该是清晰、直观、友好的。客户从服务层接受系统提供的功能和服务，并向系统反馈意见；决策人员根据反馈意见和数据分析展示，进行相应决策。在这个互动的过程中，CRM完成它的目标：争取新客户、保留老客户、达成企业利润最大化。

最后是贯穿整个系统的工作流管理，工作流管理是CRM系统中的另外一个挑战。前面已经花了相当篇幅论述系统模型和系统应用集成，事实上，在整个系统结构中，工作流管理系统不仅是控制业务流程的“引擎”，还充当了模块级集成和企业应用级集成的“粘和剂”。限于篇幅，不再详述。

本文针对分析型应用的CRM系统建设瓶颈，从建模视角分析了商业智能在CRM中的地位和作用，描述了一个基于商业智能的完整CRM解决方案应该包含的基本部件，并从模块功能、数据流、工作流三方面论述了方案良好的集成性。（万方数据）