| 联系我们 |
 |
合作经济与科技杂志社
地址：石家庄市建设南大街21号
邮编：050011
电话：0311-86049879 |
|
|
| 经济/产业 |
CRM对客户关系的管理，其目的在于使企业的生产经营活动变成以客户为中心。而在利用现代通信技术将客户的信息传递给企业后，重要的不仅是对这些信息、数据进行日常处理响应，更在于分析这些数据，做出生产经营以及企业战略决策；另一方面，为了更好地使客户通过Web表达他们的想法和要求，就有必要增强客户端的决策支持，提供客户智能的查询、设计和其他要求。这样的CRM才能真正实现以市场、以客户为中心的转变。
一、客户关系管理决策支持的分类
根据决策支持的使用者角色的不同，提供的功能和要求都会有所不同。根据面向的对象，将其划分为面向客户的决策支持、面向部门的决策支持，以及面向企业高层管理者的决策支持。
1、面向客户的决策支持。面向客户的决策支持主要是要完成客户智能和智能查询的功能。CRM系统所处理的信息并不是简单地反映客户的行为，更重要的是利用CRM来与客户达到快速有效的交互。因而接受和处理客户行为数据是CRM系统的一个任务。另一个任务就是要支持客户的智能查询，协助客户进行产品的选择甚至设计，并将这些信息进行储存、加工和反馈。
面向客户的CRM应用程序结构最流行的做法是采用B/S架构，使用动态HTML、ActiveX、Java等技术来增强浏览器端的表现；服务器端负责处理各种业务和分析逻辑。面向客户的决策支持所面对的是客户，系统设计力求通过细化客户市场，设计简洁、友好和个性化的界面，提供强大的基于内容的多媒体查询，用户可以通过这种方式更主动地传达出他们对产品和服务的需求。
2、面向部门的决策支持。决策支持系统不是要解决维持日常生产运作的问题，而是要解决企业如何发展的问题。因而有必要将专家系统(ES)嵌入决策支持系统中，通过推理机制扩大系统的智能搜索、解释和判断能力，从而赋予系统主动性的特征，形成主动性的ADSS。
CRM中主要的应用层次是在部门级。这些部门包括市场部、销售部和服务部。部门根据对通过呼叫中心得到的信息进行直接响应，通过部门间的协调以及与其他信息系统连接，改变生产经营活动来满足客户需求。而在这个过程中，由于这些部门是企业与客户直接接触的职能部门，因而决策支持可以使他们尽快尽早地发现新的市场机会，提供新的产品和服务方案，同时也为高层战略决策提供依据。
3、面向企业高层管理者的决策支持。要实现面向企业高层管理者的决策支持，离不开数据仓库、数据挖掘和群体决策支持(GDSS)技术。联合CRM系统数据库和其他系统的数据库，建立丰富的知识库与模型库，在此基础上支持企业的高层战略决策。
二、客户关系管理决策支持系统模型
基于数据库的知识发现（KDD）即数据挖掘技术已经广泛的应用在企业管理的很多重要领域，在CRM中实现数据仓库，进行实时响应的联机分析处理（OLAP）和高级的数据挖掘是当代智能决策支持系统的发展趋势。下图是基于企业CRM数据仓库、联机分析处理的CRM决策支持系统通用模型：
客户关系管理中的决策支持系统应包括如下典型的组件：
数据管理子系统：DSS的数据库通常包括在数据仓库中，数据仓库中保存了客户和管理的信息，包括公司的内部信息和客户数据库外，外部信息、竞争对手信息、行业发展信息；
模型管理子系统：一个包含有财务、统计、运筹和其它定量模型的软件包，能够提供系统的分析能力和合适的软件管理能力；
知识管理子系统：许多非结构化和半结构化的问题是如此的复杂以至于除通常的DSS能力外，它们还需要特别的专业知识。
CRM中的DSS还应包括强大的多角度多维度报表和统计分析功能，并能在此基础上进行准确预测和科学决策。CRM中引入了客户信息数据仓库，结合联机分析处理、数据挖掘技术，使CRM的决策支持功能得以大大增强。联机分析处理通过对客户信息的归纳、分析和处理，把数据仓库中繁多的数据转化为有用的信息。主要是对基层的操作数据进行多维化或预综合处理，并以一种直观易懂的形式将查询结果提供给决策人员。
数据挖掘对客户原有的数据进行高度自动化的分析、推理，从中挖掘出客户、商品潜在的模式，预测客户的行为。使企业决策者能迅速判断市场走向，准确作出销售决策。
三、CRM决策支持系统中的数据分析模型
客户模型通常分为预测模型和描述模型。下面是一些具体的商业目标和与之对应的数据分析模型：
1、使用特征化和划分了解客户的基本状况。深入地认识客户和潜在客户是在现今市场保持竞争力的关键，其优点在于提高定位和产品开发。特征分析是了解客户和潜在客户的极好方法，其中包括对感兴趣的对象范围进行一般特征的度量。划分是把数据库分成互不相交的部分或分区的方法，通过使用对业务有重要影响的特征得到划分称为市场驱动方法，而数据驱动方法利用聚集技术或要素分析技术寻找同质的群体，这在不是很了解数据时很有用。
2、使用响应建模定位新的潜在客户。响应模型是使用极为频繁的一种预测模型，是估算一个客户对一个产品与服务的响应概率，适用于大多数行业，能够改进定位和削减开销。实施过程主要为明确目标，准备合适的数据，设计预测因子，严格处理和全面验证模型。响应模型的验证可以引入激活模型，即预测潜在客户是否会成为成熟客户，称之为双系统方法。
3、使用风险建模避免高风险客户。风险或验证模型是提供产品或服务时存在潜在损失的行业所特有的，主要应用于银行业和保险业。银行在放贷时存在金融风险，风险模型试图预测一个对象如期还贷的可能性；保险业的风险来自客户索赔，通过风险模型可以管理价格和储备；其他行业如先货后款形式的风险也可以使用预测客户如期付款的可能性的风险模型。欺诈检测模型通过了解客户的典型消费行为可以帮助银行或保险公司减少损失。如果客户的消费习惯变化极大，则验证处理就采取措施停止或监控直到这种情况可评估为止。
4、使用流失建模留住创利客户。客户流失和损失是许多行业都会出现的问题。客户为了减低花费，停止消费当前的产品和服务，转向提供同类产品和服务的企业，称之为流失；而损失就是客户减少当前对产品和服务的消费。流失模型通过建立流失客户特征，预测客户流失的概率以及对企业利润的影响，在客户真正流失之前采取行动，通过创建附加价值等营销策略来提升客户忠诚度，优化客户的创利能力，提前了保留客户，而且成本要低于吸引新的客户。流失建模正在成为竞争活动管理整体的一个组成部分。
5、使用生命周期价值建模来定位创利客户。生命周期价值是客户或潜在客户在一段时期内的用当前货币计算的预期价值，基本上表达了未来收入与企业一般管理费用和支出的差值，这种估算使企业能够按照客户或潜在客户的价值来申请资源，量化了企业或公司的长期财政经济健康状况。生命周期价值模型能够获取新客户和管理客户关系：预期价值的增加允许企业增加市场支出，可以拓宽创利潜在客户的范围；根据不同客户的LTV进行划分（如80/20法则），可以对市场计划依据不同的利润水平进行裁减，比如公司可以给他们的高价值客户提供更优质的服务，从而优化其客户关系管理。
客户生命周期包括三个阶段：获得客户；提高客户的价值；保持效益客户。CRM决策支持可以在每一个阶段都提高企业的收益：
通过数据挖掘获取新客户：在CRM中的第一步是识别潜在客户然后将他们转变成真正的客户，数据挖掘可以辅助进行客户细分，识别潜在客户。
提高客户价值：1数据挖掘支持客户盈利能力分析，预测客户盈利能力变动以增强客户盈利能力；2支持客户购买行为模式分析，进行客户细分，从而提供更具针对性的个性化服务；3有效进行交叉营销，向现有的客户提供新的产品和服务，实现购买推荐和升级销售。
客户保持：包括客户忠诚度分析和客户流失警示分析。通过数据挖掘，对客户历史交易行为的分析，警示客户异常行为，并提出相应的对策建议。■ |
|
|
|
