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)倉庫數(shù)據(jù)挖掘本章重點第一節(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，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，其可用某種記錄方式加以描述。

目的：

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

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)系管理通過數(shù)據(jù)倉庫、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、購買行為、習性偏好等數(shù)據(jù)，從中提煉出有用信息，為企業(yè)銷售、營銷、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)分類通過數(shù)據(jù)來源分類內(nèi)部來源數(shù)據(jù)外部來源數(shù)據(jù)一、數(shù)據(jù)分類通過數(shù)據(jù)采集渠道分類電子郵件電話語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)所采取的促銷活動這一類數(shù)據(jù)描述客戶對企業(yè)各種促銷活動的反應(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)研詢問法觀察法實驗法三、數(shù)據(jù)的質(zhì)量

高質(zhì)量的數(shù)據(jù)可為使用者提供準確的信息報告，同時降低企業(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)量標準的高質(zhì)量數(shù)據(jù)？數(shù)據(jù)倉庫對數(shù)據(jù)質(zhì)量的要求可歸納為：數(shù)據(jù)的準確性數(shù)據(jù)的有效性數(shù)據(jù)既符合邏輯，又不冗余。數(shù)據(jù)的審查機制：審核數(shù)據(jù)的標準化審查數(shù)據(jù)采集的各個環(huán)節(jié)系統(tǒng)審查第四節(jié)數(shù)據(jù)倉庫和數(shù)據(jù)挖掘數(shù)據(jù)倉庫的概念特征數(shù)據(jù)倉庫的體系結(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)倉庫及其特征

數(shù)據(jù)倉庫——一個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、隨時間不斷變化的數(shù)據(jù)集合。

數(shù)據(jù)倉庫有以下幾個特征：

面向主題集成相對穩(wěn)定反映歷史變化數(shù)據(jù)倉庫的基本體系數(shù)據(jù)倉庫的一般結(jié)構(gòu)數(shù)據(jù)倉庫技術(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)倉庫技術(shù)在CRM中的應(yīng)用2、重點客戶發(fā)現(xiàn)

重點客戶的特點：潛在客戶交叉銷售增量銷售二、數(shù)據(jù)倉庫技術(shù)在CRM中的應(yīng)用3、性能評估

根據(jù)客戶行為分析，企業(yè)可以準確地制定市場策略和市場活動。然而，這些市場活動能否達到預(yù)定的目標是改進市場策略和評價客戶行為分組性能的重要指標。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、隨機的實際應(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的過程。2、數(shù)據(jù)挖掘的功能分類估計關(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數(shù)據(jù)挖掘結(jié)果的發(fā)布方式市場活動管理軟件的運用數(shù)據(jù)挖掘可以幫助增加客戶價值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)先知道要搜索目標的情況自下而上的方法，適用于預(yù)先不知道要搜索目標的情況三、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)倉庫比較項目數(shù)據(jù)庫數(shù)據(jù)倉庫數(shù)據(jù)內(nèi)容當前值存檔、匯總或計算的值數(shù)據(jù)性質(zhì)動態(tài)靜態(tài)數(shù)據(jù)結(jié)構(gòu)復(fù)雜，用于操作性計算簡單，用于商業(yè)分析訪問頻率高低主要用途日常事務(wù)處理聯(lián)機分析處理性能要求高一般數(shù)據(jù)倉庫與數(shù)據(jù)庫的區(qū)別數(shù)據(jù)倉庫的簡單堆積方式事務(wù)處理數(shù)據(jù)庫每天的事務(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)倉庫的簡單堆積方式二）數(shù)據(jù)挖掘算法聚類決策樹關(guān)聯(lián)1、聚類概念：按照對象屬性的相似性將他們分為若干個組或類別的方法。研究目的：就是把相似的對象歸并成類，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到分類的目的。研究對象：

1、對樣品進行分類，即從實際問題中觀測得到n個樣品Xi,i=1,2,…,n，要根據(jù)某相似性原則，將這n樣品進行分類；

2、是對指標進行分類，即對所考察的p個指標X=(x1,x2,…,xp)’,根據(jù)n個觀測值Xi=(xi1,xi2,…,xip)’,i=1,2,…,n,要由某相似原則將這p個指標x1,x2,…,xp進行分類。在客戶管理中應(yīng)用：

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

決策樹是一個類似流程圖的有點像樹的分析工具。從樹根到枝葉，每個內(nèi)部節(jié)點代表對一個屬性取值的判斷，相對于節(jié)點，每個分支都代表一個判斷結(jié)果，或者說是一個類別。決策樹

舉例：有一群人，描述這群人的屬性有年齡，年收入，學歷。DC2C1年齡年收入B2B4B3B1B1B1B1B1B1B1B1學歷

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)能力計劃。

南方醫(yī)院供應(yīng)公司是一家制造醫(yī)護人員的工裝大褂的公司。該公司正在考慮擴大生產(chǎn)能力。它可以有以下幾個選擇：1、什么也不做；2、建一個小廠；3、建一個中型廠；4、建一個大廠。新增加的設(shè)備將生產(chǎn)一種新型的大褂，目前該產(chǎn)品的潛力或市場還是未知數(shù)。如果建一個大廠且市場較好就可實現(xiàn)$100，000的利潤。如果市場不好則會導致$90，000的損失。但是，如果市場較好，建中型廠將會獲得$40，000，市場不好則損失$5，000。當然，還有一個選擇就是什么也不干。最近的市場研究表明市場好的概率是0.4，也就是說市場不好的概率是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標準，南方公司應(yīng)該建一個中型廠。3、關(guān)聯(lián)簡單的說是在數(shù)據(jù)庫和數(shù)據(jù)倉庫中發(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：記錄號購物清單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，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，可樂為X7。問題：超市經(jīng)理想知道商品之間的關(guān)聯(lián)，要求列出哪些同時購買的，且支持度≥0.4的商品名稱。單項統(tǒng)計結(jié)果單項統(tǒng)計支持度啤酒尿布嬰兒爽身粉牛奶0.80.80.40.4雙項統(tǒng)計支持度啤酒，尿布啤酒，牛奶尿布，嬰兒爽身粉0.60.40.4雙項統(tǒng)計結(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、挖掘模型的建立過程訓練集測試集評價集得分集初始模型初始模型初始模型預(yù)測2、模型集的規(guī)模與分割模型集的規(guī)?！m當規(guī)模、數(shù)據(jù)精選模型集由三個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%的比例來劃分。四）數(shù)據(jù)挖掘的應(yīng)用客戶細分客戶獲取客戶保持交叉營銷OLAP與數(shù)據(jù)挖掘的區(qū)別OLAP是一個演繹推理的過程，而數(shù)據(jù)挖掘是一個歸納的過程。OLAPOLAP分析師是建立一系列的假設(shè)，然后通過OLAP來證實或推翻這些假設(shè)來最終得到自己的結(jié)論,因此說，OLAP分析過程在本質(zhì)上是一個演繹推理的過程。但是如果分析的變量達到幾十或上百個，那么再用OLAP手動分析驗證這些假設(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)挖掘不是用于驗證某假定的模式（模型）的正確性，而是在數(shù)據(jù)庫中自己尋找模型，因此說它在本質(zhì)上是一個歸納的過程。比如，一個用數(shù)據(jù)挖掘工具的分析師想找到引起貸款拖欠的風險因素。數(shù)據(jù)挖掘工具可能幫他找到高負債和低收入是引起這個問題的因素，甚至還可能發(fā)現(xiàn)一些分析師從來沒有想過或試過的其他因素，比如年齡。

數(shù)據(jù)挖掘與聯(lián)機分析處理的本質(zhì)區(qū)別是,數(shù)據(jù)挖掘是在沒有明確假設(shè)的前提下去挖掘信息、發(fā)現(xiàn)知識。數(shù)據(jù)挖掘所得到的信息應(yīng)具有先前未知,有效和可實用三個特征。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)那些不能靠直覺發(fā)現(xiàn)的信息或知識,甚至是違背直覺的信息或知識,挖掘出的信息越是出乎意料,就可能越有價值。數(shù)據(jù)挖掘得到的規(guī)則可以作為OLAP工具的輸入，反過來OLAP工具分析得到的答案又檢驗規(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完善規(guī)則。

【技能介紹】技能點1如何搜集客戶的詳細資料

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詢問讓客戶填寫卡片

【實踐練習】假如你是一位營業(yè)員，需要記錄客戶的個人資料?？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、其他影響購買內(nèi)容的興趣特別資料：首次購買商品的種類，首次購買商品的日期或聯(lián)系的日期。愛好或者規(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2如何把數(shù)據(jù)庫數(shù)據(jù)轉(zhuǎn)變成有用的信息

匯集整理各