第七章 數(shù)據(jù)管理

第七章CRM中的數(shù)據(jù)管理數(shù)據(jù)的概念數(shù)據(jù)的收集數(shù)據(jù)的質(zhì)量數(shù)據(jù)倉(cāng)庫(kù)數(shù)據(jù)挖掘本章重點(diǎn)第一節(jié)數(shù)據(jù)的概念和重要性數(shù)據(jù)的概念數(shù)據(jù)的重要性一、數(shù)據(jù)的概念數(shù)據(jù)是為反映客觀世界中的某一事件而記錄的可以鑒別的數(shù)字或符號(hào)，如數(shù)字、文字、圖形、圖像、聲音等。特征：這些數(shù)據(jù)結(jié)構(gòu)化地記錄了企業(yè)有關(guān)事件離散的、互不關(guān)聯(lián)的客觀事實(shí)，其可用某種記錄方式加以描述。

目的：

圍繞數(shù)據(jù)庫(kù)建立的企業(yè)CRM活動(dòng)，其核心價(jià)值在于通過(guò)CRM系統(tǒng)對(duì)數(shù)據(jù)的分析、合成，并把這些離散的、單一存儲(chǔ)的數(shù)據(jù)轉(zhuǎn)化為使用者可以理解和使用的信息和知識(shí)。

二、數(shù)據(jù)的重要性

數(shù)據(jù)是CRM系統(tǒng)的靈魂。CRM最關(guān)鍵、最基本的支柱是客戶數(shù)據(jù)?？蛻絷P(guān)系管理通過(guò)數(shù)據(jù)倉(cāng)庫(kù)、數(shù)據(jù)挖掘、商務(wù)智能等技術(shù)處理大量的客戶屬性、交易記錄、購(gòu)買行為、習(xí)性偏好等數(shù)據(jù)，從中提煉出有用信息，為企業(yè)銷售、營(yíng)銷、客戶服務(wù)等工作提供全面支持。第二節(jié)數(shù)據(jù)的分類、收集及質(zhì)量數(shù)據(jù)的收集數(shù)據(jù)的質(zhì)量一、數(shù)據(jù)分類通過(guò)數(shù)據(jù)來(lái)源分類內(nèi)部來(lái)源數(shù)據(jù)外部來(lái)源數(shù)據(jù)一、數(shù)據(jù)分類通過(guò)數(shù)據(jù)采集渠道分類電子郵件電話語(yǔ)音文字交談多媒體數(shù)據(jù)一、數(shù)據(jù)分類按照企業(yè)不同部門的用途分類客戶數(shù)據(jù)銷售數(shù)據(jù)服務(wù)數(shù)據(jù)一、數(shù)據(jù)分類根據(jù)CRM系統(tǒng)的特殊需要分類描述性數(shù)據(jù)促銷活動(dòng)數(shù)據(jù)交易數(shù)據(jù)這一類數(shù)據(jù)描述了客戶的基本情況，可用于判斷誰(shuí)是我們的客戶。這些數(shù)據(jù)詳盡描述了企業(yè)所采取的促銷活動(dòng)這一類數(shù)據(jù)描述客戶對(duì)企業(yè)各種促銷活動(dòng)的反應(yīng)，即他們與企業(yè)的交易情況。二、數(shù)據(jù)的收集

常見(jiàn)的用于描述客戶的原始數(shù)據(jù)收集方法有如下幾種：定性調(diào)研詢問(wèn)法觀察法實(shí)驗(yàn)法三、數(shù)據(jù)的質(zhì)量

高質(zhì)量的數(shù)據(jù)可為使用者提供準(zhǔn)確的信息報(bào)告，同時(shí)降低企業(yè)與低質(zhì)量數(shù)據(jù)相關(guān)的潛在成本。什么是符合數(shù)據(jù)質(zhì)量標(biāo)準(zhǔn)的高質(zhì)量數(shù)據(jù)？數(shù)據(jù)倉(cāng)庫(kù)對(duì)數(shù)據(jù)質(zhì)量的要求可歸納為：數(shù)據(jù)的準(zhǔn)確性數(shù)據(jù)的有效性數(shù)據(jù)既符合邏輯，又不冗余。數(shù)據(jù)的審查機(jī)制：審核數(shù)據(jù)的標(biāo)準(zhǔn)化審查數(shù)據(jù)采集的各個(gè)環(huán)節(jié)系統(tǒng)審查第四節(jié)數(shù)據(jù)倉(cāng)庫(kù)和數(shù)據(jù)挖掘數(shù)據(jù)倉(cāng)庫(kù)的概念特征數(shù)據(jù)倉(cāng)庫(kù)的體系結(jié)構(gòu)數(shù)據(jù)挖掘概念數(shù)據(jù)在CRM中的應(yīng)用一、數(shù)據(jù)倉(cāng)庫(kù)及其特征

數(shù)據(jù)倉(cāng)庫(kù)——一個(gè)用以更好地支持企業(yè)或者組織決策分析處理的、面向主題的、集成的、不可更新的、隨時(shí)間不斷變化的數(shù)據(jù)集合。

數(shù)據(jù)倉(cāng)庫(kù)有以下幾個(gè)特征：

面向主題集成相對(duì)穩(wěn)定反映歷史變化數(shù)據(jù)倉(cāng)庫(kù)的基本體系數(shù)據(jù)倉(cāng)庫(kù)的一般結(jié)構(gòu)數(shù)據(jù)倉(cāng)庫(kù)技術(shù)在CRM中的應(yīng)用1、CRM客戶行為分析：客戶理解行為規(guī)律分析組間交叉分析二）數(shù)據(jù)倉(cāng)庫(kù)技術(shù)在CRM中的應(yīng)用2、重點(diǎn)客戶發(fā)現(xiàn)

重點(diǎn)客戶的特點(diǎn)：潛在客戶交叉銷售增量銷售二、數(shù)據(jù)倉(cāng)庫(kù)技術(shù)在CRM中的應(yīng)用3、性能評(píng)估

根據(jù)客戶行為分析，企業(yè)可以準(zhǔn)確地制定市場(chǎng)策略和市場(chǎng)活動(dòng)。然而，這些市場(chǎng)活動(dòng)能否達(dá)到預(yù)定的目標(biāo)是改進(jìn)市場(chǎng)策略和評(píng)價(jià)客戶行為分組性能的重要指標(biāo)。二、數(shù)據(jù)挖掘1、數(shù)據(jù)挖掘概述定義：從大量的、不完全的、有噪聲的、模糊的、隨機(jī)的實(shí)際應(yīng)用數(shù)據(jù)中提取隱含于其中的、人們事先不知道但又具有潛在用途的信息和知識(shí)的過(guò)程。2、數(shù)據(jù)挖掘的功能分類估計(jì)關(guān)聯(lián)聚類直接數(shù)據(jù)挖掘間接數(shù)據(jù)挖掘3、CRM與數(shù)據(jù)挖掘數(shù)據(jù)挖掘如何幫助銷售活動(dòng)數(shù)據(jù)挖掘結(jié)果的發(fā)布方式市場(chǎng)活動(dòng)管理軟件的運(yùn)用數(shù)據(jù)挖掘可以幫助增加客戶價(jià)值4、數(shù)據(jù)挖掘的類型有監(jiān)督的數(shù)據(jù)挖掘（直接數(shù)據(jù)挖掘）無(wú)監(jiān)督的數(shù)據(jù)挖掘（間接數(shù)據(jù)挖掘）自上而下的方法，適用于預(yù)先知道要搜索目標(biāo)的情況自下而上的方法，適用于預(yù)先不知道要搜索目標(biāo)的情況三、數(shù)據(jù)挖掘的三大支柱數(shù)據(jù)與數(shù)據(jù)庫(kù)數(shù)據(jù)挖掘算法數(shù)據(jù)挖掘模型一）數(shù)據(jù)與數(shù)據(jù)倉(cāng)庫(kù)比較項(xiàng)目數(shù)據(jù)庫(kù)數(shù)據(jù)倉(cāng)庫(kù)數(shù)據(jù)內(nèi)容當(dāng)前值存檔、匯總或計(jì)算的值數(shù)據(jù)性質(zhì)動(dòng)態(tài)靜態(tài)數(shù)據(jù)結(jié)構(gòu)復(fù)雜，用于操作性計(jì)算簡(jiǎn)單，用于商業(yè)分析訪問(wèn)頻率高低主要用途日常事務(wù)處理聯(lián)機(jī)分析處理性能要求高一般數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)庫(kù)的區(qū)別數(shù)據(jù)倉(cāng)庫(kù)的簡(jiǎn)單堆積方式事務(wù)處理數(shù)據(jù)庫(kù)每天的事務(wù)處理8月1日8月2日8月4日8月3日8月5日8月6日每日的綜合數(shù)據(jù)倉(cāng)庫(kù)的簡(jiǎn)單堆積方式二）數(shù)據(jù)挖掘算法聚類決策樹關(guān)聯(lián)1、聚類概念：按照對(duì)象屬性的相似性將他們分為若干個(gè)組或類別的方法。研究目的：就是把相似的對(duì)象歸并成類，研究的主要內(nèi)容是如何度量相似性以及怎樣構(gòu)造聚類的具體方法以達(dá)到分類的目的。研究對(duì)象：

1、對(duì)樣品進(jìn)行分類，即從實(shí)際問(wèn)題中觀測(cè)得到n個(gè)樣品Xi,i=1,2,…,n，要根據(jù)某相似性原則，將這n樣品進(jìn)行分類；

2、是對(duì)指標(biāo)進(jìn)行分類，即對(duì)所考察的p個(gè)指標(biāo)X=(x1,x2,…,xp)’,根據(jù)n個(gè)觀測(cè)值Xi=(xi1,xi2,…,xip)’,i=1,2,…,n,要由某相似原則將這p個(gè)指標(biāo)x1,x2,…,xp進(jìn)行分類。在客戶管理中應(yīng)用：

幫助市場(chǎng)分析人員發(fā)現(xiàn)客戶中所存在的各種特征的群體，并使用購(gòu)買模式來(lái)描述各個(gè)客戶群體。2、決策樹

決策樹是一個(gè)類似流程圖的有點(diǎn)像樹的分析工具。從樹根到枝葉，每個(gè)內(nèi)部節(jié)點(diǎn)代表對(duì)一個(gè)屬性取值的判斷，相對(duì)于節(jié)點(diǎn)，每個(gè)分支都代表一個(gè)判斷結(jié)果，或者說(shuō)是一個(gè)類別。決策樹

舉例：有一群人，描述這群人的屬性有年齡，年收入，學(xué)歷。DC2C1年齡年收入B2B4B3B1B1B1B1B1B1B1B1學(xué)歷

下面以南方醫(yī)院供應(yīng)公司為例，看一看如何利用決策樹作出合適的生產(chǎn)能力計(jì)劃。

南方醫(yī)院供應(yīng)公司是一家制造醫(yī)護(hù)人員的工裝大褂的公司。該公司正在考慮擴(kuò)大生產(chǎn)能力。它可以有以下幾個(gè)選擇：1、什么也不做；2、建一個(gè)小廠；3、建一個(gè)中型廠；4、建一個(gè)大廠。新增加的設(shè)備將生產(chǎn)一種新型的大褂，目前該產(chǎn)品的潛力或市場(chǎng)還是未知數(shù)。如果建一個(gè)大廠且市場(chǎng)較好就可實(shí)現(xiàn)$100，000的利潤(rùn)。如果市場(chǎng)不好則會(huì)導(dǎo)致$90，000的損失。但是，如果市場(chǎng)較好，建中型廠將會(huì)獲得$40，000，市場(chǎng)不好則損失$5，000。當(dāng)然，還有一個(gè)選擇就是什么也不干。最近的市場(chǎng)研究表明市場(chǎng)好的概率是0.4，也就是說(shuō)市場(chǎng)不好的概率是0.6。參下圖：在這些數(shù)據(jù)的基礎(chǔ)上，能產(chǎn)生最大的預(yù)期貨幣價(jià)值（EMV）的選擇就可找到。

EMV（建大廠）=（0.4）*($100,000)+(0.6)*(-$90,000)=-$14,000EMV（中型廠）=(0.4)*($600,000))+(0.6)*(-$10,000)=+$18,000EMV(建小廠)=(0.4)*($40,000)+(0.6)*(-$5,000)=+$13,000EMV(不建廠)=$0根據(jù)EMV標(biāo)準(zhǔn)，南方公司應(yīng)該建一個(gè)中型廠。3、關(guān)聯(lián)簡(jiǎn)單的說(shuō)是在數(shù)據(jù)庫(kù)和數(shù)據(jù)倉(cāng)庫(kù)中發(fā)現(xiàn)大量數(shù)據(jù)之間的有趣的相關(guān)聯(lián)系。

關(guān)聯(lián)規(guī)則的兩個(gè)重要特性1、置信度（Confidence），又稱為正確率，描述關(guān)聯(lián)規(guī)則的可靠程度。具體而言，規(guī)則XY在交易集中的置信度是指包含X和Y的交易次數(shù)與包含X的交易次數(shù)之比，記作confidence（XY）。2、支持度（Support），又稱覆蓋率，描述關(guān)聯(lián)規(guī)則的適用范圍。具體而言，規(guī)則XY在交易集中的支持度是指交易集中同時(shí)包含X和Y的交易次數(shù)與所有交易次數(shù)之比，記作support（XY）。舉例：記錄號(hào)購(gòu)物清單12345啤酒、尿布、嬰兒爽身粉、面包、雨傘尿布、嬰兒爽身粉啤酒、尿布、牛奶啤酒、尿布、洗衣粉啤酒、牛奶、可樂(lè)上表中，共發(fā)生交易5次，即T1，

T2，

T3，T4，

T5交易中的商品設(shè)為項(xiàng)，即啤酒為X1，尿布為X2，嬰兒爽身粉為X3，面包為X4，牛奶為X5，洗衣粉為X6，可樂(lè)為X7。問(wèn)題：超市經(jīng)理想知道商品之間的關(guān)聯(lián)，要求列出哪些同時(shí)購(gòu)買的，且支持度≥0.4的商品名稱。單項(xiàng)統(tǒng)計(jì)結(jié)果單項(xiàng)統(tǒng)計(jì)支持度啤酒尿布嬰兒爽身粉牛奶0.80.80.40.4雙項(xiàng)統(tǒng)計(jì)支持度啤酒，尿布啤酒，牛奶尿布，嬰兒爽身粉0.60.40.4雙項(xiàng)統(tǒng)計(jì)結(jié)果得出如下規(guī)則：R1：啤酒尿布，S=0.6，C=0.6/0.8=0.75R2：尿布啤酒，S=0.6，C=0.6/0.8=0.75R3：牛奶啤酒，S=0.4，C=0.4/0.4=1R4：啤酒牛奶，S=0.4，C=0.4/0.8=0.5R5：尿布嬰兒爽身粉，S=0.4，C=0.4/0.8=0.5R6：嬰兒爽身粉尿布，S=0.4，C=0.4/0.4=1關(guān)聯(lián)規(guī)則的支持度與置信度的實(shí)際意義置信度低置信度高支持度低關(guān)聯(lián)規(guī)則很少正確，而且很少被使用關(guān)聯(lián)規(guī)則在多數(shù)情況下是正確的，但是很少被使用支持度高關(guān)聯(lián)規(guī)則很少正確，但可以經(jīng)常被使用關(guān)聯(lián)規(guī)則在多數(shù)情況下是正確的，但可以經(jīng)常被使用關(guān)聯(lián)規(guī)則的支持度與置信度三）數(shù)據(jù)挖掘模型1、挖掘模型的建立過(guò)程訓(xùn)練集測(cè)試集評(píng)價(jià)集得分集初始模型初始模型初始模型預(yù)測(cè)2、模型集的規(guī)模與分割模型集的規(guī)?！m當(dāng)規(guī)模、數(shù)據(jù)精選模型集由三個(gè)彼此不含共同部分的數(shù)據(jù)集組成，一般的劃分是：按照60%、30%、10%的比例來(lái)劃分。四）數(shù)據(jù)挖掘的應(yīng)用客戶細(xì)分客戶獲取客戶保持交叉營(yíng)銷OLAP與數(shù)據(jù)挖掘的區(qū)別OLAP是一個(gè)演繹推理的過(guò)程，而數(shù)據(jù)挖掘是一個(gè)歸納的過(guò)程。OLAPOLAP分析師是建立一系列的假設(shè)，然后通過(guò)OLAP來(lái)證實(shí)或推翻這些假設(shè)來(lái)最終得到自己的結(jié)論,因此說(shuō)，OLAP分析過(guò)程在本質(zhì)上是一個(gè)演繹推理的過(guò)程。但是如果分析的變量達(dá)到幾十或上百個(gè)，那么再用OLAP手動(dòng)分析驗(yàn)證這些假設(shè)將是一件非常困難和痛苦的事情。數(shù)據(jù)挖掘與OLAP不同的地方是：數(shù)據(jù)挖掘不是用于驗(yàn)證某假定的模式（模型）的正確性，而是在數(shù)據(jù)庫(kù)中自己尋找模型，因此說(shuō)它在本質(zhì)上是一個(gè)歸納的過(guò)程。比如，一個(gè)用數(shù)據(jù)挖掘工具的分析師想找到引起貸款拖欠的風(fēng)險(xiǎn)因素。數(shù)據(jù)挖掘工具可能幫他找到高負(fù)債和低收入是引起這個(gè)問(wèn)題的因素，甚至還可能發(fā)現(xiàn)一些分析師從來(lái)沒(méi)有想過(guò)或試過(guò)的其他因素，比如年齡。

數(shù)據(jù)挖掘與聯(lián)機(jī)分析處理的本質(zhì)區(qū)別是,數(shù)據(jù)挖掘是在沒(méi)有明確假設(shè)的前提下去挖掘信息、發(fā)現(xiàn)知識(shí)。數(shù)據(jù)挖掘所得到的信息應(yīng)具有先前未知,有效和可實(shí)用三個(gè)特征。先前未知的信息是指該信息是預(yù)先未曾預(yù)料到的,既數(shù)據(jù)挖掘是要發(fā)現(xiàn)那些不能靠直覺(jué)發(fā)現(xiàn)的信息或知識(shí),甚至是違背直覺(jué)的信息或知識(shí),挖掘出的信息越是出乎意料,就可能越有價(jià)值。數(shù)據(jù)挖掘得到的規(guī)則可以作為OLAP工具的輸入，反過(guò)來(lái)OLAP工具分析得到的答案又檢驗(yàn)規(guī)則的有效性、可信度，即OLAP工具分析得到的特征歸納還可以用來(lái)完善規(guī)則。

【技能介紹】技能點(diǎn)1如何搜集客戶的詳細(xì)資料

記錄客戶的重要資料挖掘客戶留下的信息與客戶聊家常主動(dòng)詢問(wèn)讓客戶填寫卡片

【實(shí)踐練習(xí)】假如你是一位營(yíng)業(yè)員，需要記錄客戶的個(gè)人資料?？蛻糍Y料一般分為兩部分：一部分為基本資料，另一部分為特別資料。請(qǐng)你列出客戶的這兩種資料。

1、基本資料

2、特別資料基本資料：姓名、地址、電話、職業(yè)、嗜好、其他影響購(gòu)買內(nèi)容的興趣特別資料：首次購(gòu)買商品的種類，首次購(gòu)買商品的日期或聯(lián)系的日期。愛(ài)好或者規(guī)格。特別需要考慮之處。是否需要送貨服務(wù)、安裝服務(wù)或其他特殊服務(wù)。

【技能介紹】技能點(diǎn)2如何把數(shù)據(jù)庫(kù)數(shù)據(jù)轉(zhuǎn)變成有用的信息

匯集整理各