本文以企業(yè)管理信息系統(tǒng)為基礎(chǔ)，從探討CRM本身的特點(diǎn)出發(fā)，結(jié)合數(shù)據(jù)挖掘的原理、SQLSERVER2005的BI平臺(tái)中的分析服務(wù)和報(bào)表服務(wù)，進(jìn)行一個(gè)實(shí)例的分析。對(duì)CRM系統(tǒng)的一些關(guān)鍵性領(lǐng)域存在的問(wèn)題，提出期望的解決方法。
　　
　　一、背景思考

　　（一）商業(yè)智能概述

　　商業(yè)智能（Business Intelligence，簡(jiǎn)稱BI）的概念最早是Gartner Group的Howard Dresner于1996年提出來(lái)的。商業(yè)智能概念涵蓋了查詢報(bào)表、數(shù)據(jù)分析、數(shù)據(jù)挖掘、數(shù)據(jù)備份和恢復(fù)等所有以幫助企業(yè)決策為目的的技術(shù)及其應(yīng)用。

　　商業(yè)智能的關(guān)鍵是從實(shí)際的營(yíng)運(yùn)數(shù)據(jù)中，進(jìn)行數(shù)據(jù)預(yù)處理，然后抽�。‥xtraction）、轉(zhuǎn)換（Transformation）和裝載（Load），即ETL過(guò)程，利用各種技術(shù)或工具，最終得到一個(gè)企業(yè)級(jí)的決策信息。
對(duì)于零售行業(yè)的決策信息獲得，通過(guò)一個(gè)比較形象的，更貼近我們零售企業(yè)日常應(yīng)用的過(guò)程來(lái)表現(xiàn)，即數(shù)據(jù)庫(kù)的知識(shí)發(fā)現(xiàn)（Knowledge Discovery in Database，KDD ）。而在科研中稱的“知識(shí)發(fā)現(xiàn)”，在工程領(lǐng)域也常被稱為“數(shù)據(jù)挖掘”。

　　下圖展示了知識(shí)發(fā)現(xiàn)的過(guò)程：
 　　

　　（二）CRM概述

　　在布賴恩•伍爾夫的基礎(chǔ)性研究《Measured marketing》中描述到，統(tǒng)計(jì)中發(fā)現(xiàn)消費(fèi)額在前30%的顧客貢獻(xiàn)的消費(fèi)額是75%,而消費(fèi)額后30%的顧客貢獻(xiàn)的消費(fèi)額僅僅是3%。這足以說(shuō)明顧客在購(gòu)買(mǎi)能力上的不均等性。以顧客為中心的零售經(jīng)濟(jì)學(xué)的宗旨是讓顧客滿意，將企業(yè)的有限的資源投入到最有價(jià)值的顧客身上，為自己的忠誠(chéng)顧客提升更有價(jià)值的服務(wù)。這和零售產(chǎn)出管理是異曲同工的。

　　而對(duì)于一個(gè)客戶關(guān)系管理系統(tǒng)，其主旨也在于幫助企業(yè)通過(guò)技術(shù)手段，分析客戶的行為和他們的價(jià)值，以提供更優(yōu)的消費(fèi)服務(wù)及客戶體驗(yàn)。

　　通常，CRM系統(tǒng)分為分析型、運(yùn)營(yíng)型、協(xié)作型。對(duì)于一個(gè)零售企業(yè)的客戶關(guān)系管理系統(tǒng)，通常是以各種介質(zhì)的卡作為載體去綁定顧客的身份，從而貼近顧客，服務(wù)顧客。所以對(duì)于一個(gè)零售企業(yè)的客戶關(guān)系管理必然會(huì)涉及到卡管理，同時(shí)涵蓋客戶分析和溝通等。

　　通常對(duì)于數(shù)據(jù)分析的需求，可以分為：
　　1、客戶概況分析：客戶的層次、風(fēng)險(xiǎn)、愛(ài)好、習(xí)慣等；
　　2、客戶忠誠(chéng)度分析：基于類別管理，考查客戶類別轉(zhuǎn)移和變節(jié)，及考查經(jīng)濟(jì)忠誠(chéng)和關(guān)系忠誠(chéng)；
　　3、客戶利潤(rùn)分析：不同客戶所消費(fèi)的產(chǎn)品的邊緣利潤(rùn)、總利潤(rùn)額、凈利潤(rùn)等；
　　4、客戶性能分析：不同客戶所消費(fèi)的產(chǎn)品按種類、渠道、銷售地點(diǎn)等指標(biāo)劃分的銷售額；
　　5、客戶未來(lái)分析：尋找客戶數(shù)量、類別等情況的未來(lái)發(fā)展趨勢(shì)，以爭(zhēng)取客戶；
　　6、客戶產(chǎn)品分析：主要針對(duì)商品的關(guān)聯(lián)分析，及涉及的供應(yīng)鏈優(yōu)化；
　　7、客戶促銷分析：包括郵報(bào)或降價(jià)等促銷活動(dòng)的管理。

　　二、應(yīng)用實(shí)例

　�。ㄒ唬╊櫩皖悇e管理

　　本實(shí)例的目的是創(chuàng)建一個(gè)簡(jiǎn)單的顧客分類，在顧客分類的基礎(chǔ)上，進(jìn)行相應(yīng)的商品品類購(gòu)買(mǎi)的分析。
基于顧客類別管理的理論，不可能在分析時(shí)直接針對(duì)單一顧客進(jìn)行分析，肯定是對(duì)同一類別的顧客，進(jìn)行相應(yīng)的消費(fèi)行為習(xí)慣分析等。這就如同商品要進(jìn)行品類管理的道理一樣。當(dāng)只有進(jìn)行顧客的類別管理時(shí)，才能去考查類別人數(shù)轉(zhuǎn)移量，這是會(huì)員管理成效的一個(gè)重要指標(biāo)。也只有這樣，才能對(duì)變節(jié)率等指標(biāo)進(jìn)行
考查。

　　我們通常進(jìn)行的顧客分類，都是利用客單量或購(gòu)物頻次劃一根線，來(lái)界定分類的象限。而真正的顧客聚類，通�？紤]了客單、頻次或者收入等等綜合因素而實(shí)現(xiàn)。通過(guò)簡(jiǎn)單的劃線式分類，無(wú)法達(dá)到“人以群分”的效果。

　　（二）聚類分析

　　 聚類算法有能力發(fā)現(xiàn)用來(lái)對(duì)數(shù)據(jù)進(jìn)行分組的隱性變量，因此對(duì)于零售行業(yè)來(lái)說(shuō)，聚類算法是一種非常流行的數(shù)據(jù)挖掘技術(shù)。
 
　　對(duì)于聚類算法來(lái)說(shuō)，常用的有兩種：K-平均和K-中心點(diǎn)。
 
　　在SQLSERVER2005 BI Development Studio中的聚類算法也有兩種，K-means算法和EM算法，這兩種都是屬于K-平均算法的。

　　K-means算法是以距離值的平均值對(duì)聚類成員進(jìn)行分配，每個(gè)對(duì)象是在一個(gè)聚類中，聚類和聚類之間互不重疊, 通常被認(rèn)為是硬聚類。而EM算法試用概率進(jìn)行度量,一個(gè)點(diǎn)可能屬于多個(gè)聚類，每個(gè)聚類有不同的概率，聚類之間是可以重疊的，通常被稱為軟聚類。對(duì)于離散屬性的聚類是適合使用EM算法的。

　　Microsoft的聚類算法有一個(gè)可收縮原理，對(duì)于一個(gè)可收縮的框架，當(dāng)進(jìn)行重復(fù)訓(xùn)練時(shí)，對(duì)于不會(huì)在聚類之間移動(dòng)的數(shù)據(jù)，都把他們壓縮，不加載到內(nèi)存，這樣就壓縮了內(nèi)存空間。

　　SLQ Server Analysis Services有兩個(gè)主要的數(shù)據(jù)挖掘?qū)ο螅和诰蚪Y(jié)構(gòu)和挖掘模型。挖掘結(jié)構(gòu)用來(lái)定義挖掘問(wèn)題的對(duì)象，而挖掘模型是挖掘算法對(duì)挖掘結(jié)構(gòu)的具體應(yīng)用。
 
 　　 本節(jié)中下面的例子，是在SQL Server Analysis Services服務(wù)的平臺(tái)上，新建的一個(gè)analysis services項(xiàng)目, 應(yīng)用可收縮的k-means聚類算法模型，以某大型超市近半年的會(huì)員消費(fèi)數(shù)據(jù)基礎(chǔ)，只通過(guò)客單量和頻次兩個(gè)維度，對(duì)會(huì)員進(jìn)行簡(jiǎn)單分類。總共分成了4類會(huì)員。在后面報(bào)表應(yīng)用時(shí)，將簡(jiǎn)單的以A、B、C、D來(lái)標(biāo)識(shí)。首先如下圖顯示：
 　　
　　需值得注意的是，在進(jìn)行數(shù)據(jù)預(yù)處理的時(shí)候，須先進(jìn)行數(shù)據(jù)的清洗。將一些垃圾數(shù)據(jù)清除，將需要的數(shù)據(jù)進(jìn)行加工。
　　
　　對(duì)于SLQ Server Analysis Services的挖掘結(jié)果的發(fā)布，可以直接通過(guò)DMX語(yǔ)言進(jìn)行查詢，或者通過(guò)SQLSERVER2005 BI Development Studio來(lái)創(chuàng)建報(bào)表模型來(lái)展示。報(bào)表模型的使用在下一節(jié)中敘述。這里先說(shuō)明下DMX語(yǔ)言的使用。

　　數(shù)據(jù)挖掘擴(kuò)展插件 (DMX) 是一種語(yǔ)言，在 Microsoft SQL Server 2005 Analysis Services (SSAS) 中可以使用該語(yǔ)言創(chuàng)建和處理數(shù)據(jù)挖掘模型�？梢允褂� DMX 創(chuàng)建新數(shù)據(jù)挖掘模型的結(jié)構(gòu)、為這些模型定型并對(duì)其進(jìn)行瀏覽、管理和預(yù)測(cè)。DMX 由數(shù)據(jù)定義語(yǔ)言 (DDL) 語(yǔ)句、數(shù)據(jù)操作語(yǔ)言 (DML) 語(yǔ)句以及函數(shù)和運(yùn)算符構(gòu)成。譬如在上例中如何找到哪些是“B類會(huì)員”的：

　　SELECT   t.cardcode From  [Guestsort] PREDICTION JOIN  OPENQUERY([Hd31],
　　'SELECT [cardcode],[pjkdl],[pjkdpc] FROM [dbo].[guestsort] ') AS t
　　ON  [Guestsort].[Pjkdl] = t.[pjkdl] AND  [Guestsort].[Pjkdpc] = t.[pjkdpc]
　　where  Cluster() = 'B類會(huì)員'
　　當(dāng)然如果不想這部分會(huì)員的分類叫“B類會(huì)員”，而改稱為“白銀會(huì)員”或其他稱呼，那么也是可以通過(guò)DMX語(yǔ)言來(lái)修改挖掘模型的內(nèi)容得到。

　　（三）報(bào)表發(fā)布
 
　　上一節(jié)提到了發(fā)布數(shù)據(jù)可以通過(guò)Reporting Services來(lái)展示。Reporting Services提供了一個(gè)創(chuàng)建定制報(bào)表的機(jī)制，這個(gè)報(bào)表通常包含文本和圖形，可以通過(guò)HTML、Email、打印形式和Microsoft Office文檔發(fā)布。基于Web的報(bào)表可以是交互式的，通過(guò)增加報(bào)表參數(shù)實(shí)現(xiàn)交互目的。
 
　　本節(jié)中下面的例子，是基于顧客類別管理的基礎(chǔ)上，對(duì)A、B、C、D不同類別的顧客所關(guān)心、購(gòu)買(mǎi)的商品品類進(jìn)行的統(tǒng)計(jì)分析。如果將這個(gè)過(guò)程進(jìn)一步細(xì)分的話，那就是針對(duì)商品級(jí)別的關(guān)聯(lián)規(guī)則的應(yīng)用，這個(gè)在這里不進(jìn)行討論。這里只是通過(guò)商品品類和會(huì)員類別的矩陣式展示，較簡(jiǎn)單地體現(xiàn)Reporting Services的功能。
 
　　同樣在SQLSERVER2005 BI Development Studio可以去創(chuàng)建一個(gè)Reporting Services項(xiàng)目。數(shù)據(jù)源可以是關(guān)系數(shù)據(jù)庫(kù)，也可以是Analysis Services等。具體的過(guò)程不描述了，從數(shù)據(jù)源中最終的報(bào)表文本或圖形等，進(jìn)行生成、部署，最終可以通過(guò)web的方式進(jìn)行瀏覽。 下圖示意了一個(gè)簡(jiǎn)單數(shù)據(jù)的發(fā)布：

  
　　通過(guò)web展示的矩陣格式，行代表商品類別，列代表會(huì)員類別，以顯示不同類別會(huì)員對(duì)不同品類商品的購(gòu)買(mǎi)情況。

　　同時(shí)上圖也示意了一個(gè)交互的過(guò)程，可以通過(guò)用戶指定的商品類別來(lái)查看感興趣的數(shù)據(jù)。比如查看中類3000的商品被A、B、C、D四類會(huì)員的購(gòu)買(mǎi)頻次及品類金額情況。當(dāng)然也可以增加其他的查詢條件。
 
　　對(duì)感興趣的類別支持樹(shù)形結(jié)構(gòu)的自由展開(kāi)，下鉆到小類，子類。如上圖的30000小類和30001小類就展開(kāi)明細(xì)到各自的子類中。

　　對(duì)于報(bào)表的結(jié)果可以導(dǎo)出到XML,HTML,PDF,EXCEL等等文件中。

　　報(bào)表平臺(tái)支持同時(shí)也支持對(duì)各種角色的權(quán)限管理及日常的訂閱服務(wù)等。

　　三、應(yīng)用前景
 
　　從目前的實(shí)際應(yīng)用來(lái)看，聚類分析作為數(shù)據(jù)挖掘的一種算法模型，還有很多需要值得去調(diào)整的地方，譬如：如何數(shù)據(jù)預(yù)處理，如何剔除大型促銷等，造成的數(shù)據(jù)異動(dòng)……
 
　　而對(duì)于CRM本身的7大分析需求，也需要更多地挖掘模型進(jìn)行實(shí)踐。比如考查顧客類別轉(zhuǎn)移時(shí)，可以使用序列聚類算法。產(chǎn)品分析時(shí)，可以使用關(guān)聯(lián)規(guī)則。而對(duì)于同一種業(yè)務(wù)場(chǎng)景，應(yīng)用不同算法也將得到不同的結(jié)果。因此可以通過(guò)挖掘準(zhǔn)確性圖表，對(duì)挖掘模型本身進(jìn)行不斷的修正。
 
　　可以預(yù)期在未來(lái)的應(yīng)用過(guò)程中，結(jié)合商業(yè)智能理論的應(yīng)用，通過(guò)顧客關(guān)系管理，將為顧客帶來(lái)更美好的消費(fèi)體驗(yàn)，給零售商帶來(lái)更多的銷售提升。