客户关系管理复习大纲 2

客户关系管理考试题型：填空题（20分）、名词解释（25分）、判断题（10分）、简答题（30分）、论述题（15分）考核方式：既有记忆的认知题，也有需要展开的理解和综合记忆题目，所以需要大家理解CRM的理念和相关理论。复习大纲：1.客户关系管理的含义:GartnetGroup认为，客户关系管理就是为企业提供全方位的管理视角，赋予企业更完善的客户交流能力，最大化客户的收益率。卡尔松营销集团（CarlsonMarketingGroup）把客户关系管理定义为：通过培养公司的每一个员工，经销商或客户对该公司更积极的偏爱或偏好，留住他们并以此提高公司业绩的一种营销策略。Hurwitzgroup认为，客户关系管理的焦点是自动化并改善与销售、市场营销、客户服务和支持等领域的客户关系有关的商业流程。客户关系管理既是一套原则制度，也是一套软件和技术。IBM所理解的客户关系管理包括企业识别、挑选、获取、发展和保持客户的整个商业过程。IBM把客户关系管理分为三类：关系管理、流程管理和接入管理。（1） 客户的范畴从广义的角度，客户是指企业提供产品和服务的对象，即来自企业外部的、和企业发生交互行为的组织或者个体。客户类型：消费客户、中间客户、公利客户。【详见书本P33表3.1】（2） 对客户关系的理解:企业和客户的行为和感觉是相互的，客户的感觉非常重要，行为是显性的。（3） 对客户关系管理的理解应包含的内容（4） CRM概念三角形：理念、技术和应用（5） CRM系统的分类：A、 按目标客户分类：以全球企业或者大型企业为目标客户的企业级CRM；以200人以上、跨地区经营的企业为目标客户的中端CRM；以200人以下企业为目标客户的中小企业CRM。B、 按应用集成度分类：CRM专项应用、CRM整合应用、CRM企业集成应用C、 按系统功能分类：操作型CRM、协作型CRM、分析型CRM2.支撑客户关系管理的三个主要理论是：客户生命周期理论、关系营销理论、客户价值判别理论。（1） 关系营销的理论概念:所谓关系营销，是把营销活动看成是一个企业与消费者、供应商、分销商、竞争者、政府机构及其他公众发生互动作用的过程，其核心是建立和发展与这些公众的良好关系。（2） 客户范围、（3） 家庭式关系、（4）客户关系管理的五种基本类型基本关系这种关系是指企业销售人员在产品和服务销售后，不再与客户接触.被动式的关系企业的销售人员在销售产品和服务的同时，还鼓励消费者在购买产品和服务后，如果发现产品和服务有问题或不满时及时向企业反映，如通过打电话的方式负责式的关系企业的销售人员在产品和服务售后不久，就应通过各种方式了解产品和服务是否能达到消费者的预期，并且收集客户有关改进产品和服务的建议，以及对产品和服务的特殊要求，把得到的信息及时地反馈给企业，以便不断地改进产品.主动式的关系企业销售人员经常与客户沟通，不时地打电话与消费者联系，向他们提出改进产品和服务使用的建议，或者提供有关新产品的信息，促进新产品的销售口伙伴式的关系企业与客户持续合作，使客户能更有效地使用其资金或帮助客户更好地使用产品，并按照客户的要求来设计新的产品■（5）关系营销的本质特征关系营销的本质特征可以概括为以下几个方面：①双向沟通②合作③双赢④亲密⑤控制（6） 客户忠诚概念：客户忠诚是指客户满意后产生的对某种产品品牌或公司的信赖、维护和希望重复购买的一种心理倾向。（7） 客户忠诚类型：垄断忠诚、惰性忠诚、价格忠诚、激励忠诚、超值忠诚（8） 客户忠诚与满意的关系：客户忠诚的前提是客户满意，客户满意的关键条件是客户需求的满足。一般来说，客户满意度越高，客户的忠诚度也越高；客户的满意度越低，客户的忠诚度也会越低。但是客户满意与客户忠诚之间受到了客户期望、市场竞争状况的影响。随着客户基本期望被满足，客户忠诚会随着逐步接近平均忠诚度。但只有在满足了客户潜在期望之后，客户忠诚度才会进一步提高，否则就会形成客户满意陷阱。在市场竞争激烈的行业，只有客户满意度达到较高的水平，客户才有可能形成忠诚；相反，在竞争程度低的领域，即使客户不满意，也会有较高的客户忠诚度。（9）关系营销的三个层次一级关系营销（财务层次营销）二级关系营销（社交层次营销）三级关系营销（结构层次营销）（10）客户的生命周期阶段客户生命周期是指当一个客户开始对企业进行了解或企业欲对某一客户进行开发开始，直到客户与企业的业务关系完全终止且与之相关的事宜完全处理完毕的这段时间。客户的生命周期性可分为潜在客户期、客户开发（发展）期、客户成长（维系）期、客户成熟期、客户衰退期、客户终止期共六个阶段。客户生命周期阶段及其投入产出比（11）客户智能：是创新和使用客户知识、帮助企业提高优化客户关系的决策能力和整体运营能力的概念、方法、过程以及软件的集合。（12）客户理论对CRM开发的启发。CRM强调企业对与客户之间的“关系”的管理，而不是仅仅客户基础信息的管理当前时期，客户理论的重点在于客户保留目前的CRM系统市场营销功能普遍很弱，有些基本上没有开发市场营销功能。3.CRM应用设计理念中需采集的三种类型数据（描述性、促销性、交易性）举例：客户描述性数据客户叫什么名称？客户公司的员工有多少？客户公司的销售额多少？同比去年如何？客户公司有几个部门？在哪些地区有办公室（组织信息）？这个老板及其他员工的长相如何（照片数据）？在这个公司里，谁说了算？他们的脾气一级处事风格如何？哪天生日（决策者信息）？他们的竞争者是谁（市场定位信息）？他们买什么产品（产品信息）？他们的主要业务伙伴有哪些？促销数据市场营销人员的广告语，展览会的产品宣传单，报刊杂志的宣传报道，电话直销消息，邮寄促销信件及电子邮件等。销售人员现场推销，对客户所作的承诺，产品展示。服务支持人员在服务过程中所提的各种建议。分销商们对客户的宣传与承诺。用户产品使用情况调查。其他任何以企业名义向客户传递的“消息”。客户历史交易数据历史购买纪录投诉信件服务请求访问公司网站（次数和行为）产品询问电话填写各种调查表发送电子邮件对企业提出的建议和要求（2）数据的有效消费类型温饱型消费只对客户数据略微加工整合，然后向企业员工、客户或伙伴多渠道发送的过程。要实现温饱型消费，所有数据都以客户为核心进行整合是首要前提。这个阶段的CRM应用可以认为是一种典型的客户信息管理系统。预测型消费他的主要消费者是企业内部营销和销售人员，目的是从客户数据中找寻出客户的行为规律，从而提高销售成功率。流程型消费这是一种更高级的消费，其高级之处在于这种数据消费过程的“动态性”。每个数据片段都被贯穿在一个流程的各个活动被“即时消费”，实现动态的自动化消费过程。流程性消费过程首先由人设计，数据的主要消费者则是流程本身。（3） 数据采集的两种特征：多渠道、多媒体客户数据的多样性和丰富性，决定了CRM应用中数据采集具有多渠道和多媒体两种特征。（4） 私人关系相关度：将客户在过去同企业交互的每个企业代表所负责的交互次数进行统计，如果次数越平均，那么这个相关度就越小，反之就越大。私人关系相关度—企业企业方的私人关系相关度是衡量这条关系中的私人对关系深度的影响力大小。私人关系相关度—客户同企业方一样，当客户为公司客户时，也存在客户方的私人关系影响问题。计算公式：（5） 销售力自动化：就是要把销售人员以及销售管理人员每天所从事的各种活动尽可能“信息化”、“标准化”以及销售力量的“合理化”。数据仓库概念：数据仓库(DataWarehouse)是一个面向主题的(SubjectOriented)、集成的(Integrate)、相对稳定的(Non-VOlatile)、反映历史变化(TimeVAriant)的数据集合，用于支持管理决策。数据挖掘定义：据挖掘(DataMining)就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。(1)数据挖掘的典型方法有关联分析、序列模式分析、分类分析、聚类分析等、(2)数据挖掘功能(重点掌握)数据挖掘功能—预测数据挖掘自动在大型数据库中寻找预测性信息，以往需要进行大量手工分析的问题如今可以迅速直接由数据本身得出结论。一个典型的例子是市场预测问题，数据挖掘使用过去有关促销的数据来寻找未来投资中回报最大的用户，其它可预测的问题包括预报破产以及认定对指定事件最可能作出反应的群体。数据挖掘功能—关联分析数据关联是数据库中存在的一类重要的可被发现的知识。若两个或多个变量的取值之间存在某种规律性，就称为关联。关联可分为简单关联、时序关联、因果关联。关联分析的目的是找出数据库中隐藏的关联网。有时并不知道数据库中数据的关联函数，即使知道也是不确定的，因此关联分析生成的规则带有可信度。关联是某种事物发生时其他事物会发生的这样一种联系。例如：每天购买啤酒的人也有可能购买香烟，比重有多大，可以通过关联的支持度和可信度来描述。时序关联是一种纵向的联系。例如：今天银行调整利率，明天股市的变化。数据挖掘功能—分类按照分析对象的属性、特征，建立不同的组类来描述事物。例如：银行部门根据以前的数据将客户分成了不同的类别，现在就可以根据这些来区分新申请贷款的客户，以采取相应的贷款方案。数据挖掘功能—聚类数据库中的记录可被化分为一系列有意义的子集，即聚类。聚类增强了人们对客观现实的认识，是概念描述和偏差分析的先决条件。聚类技术主要包括传统的模式识别方法和数学分类学。聚类技术在划分对象时不仅考虑对象之间的距离，还要求划分出的类具有某种内涵描述，从而避免了传统技术的某些片面性。数据挖掘功能—概念描述概念描述就是对某类对象的内涵进行描述，并概括这类对象的有关特征。概念描述分为特征性描述和区别性描述，前者描述某类对象的共同特征，后者描述不同类对象之间的区别。生成一个类的特征性描述只涉及该类对象中所有对象的共性。生成区别性描述的方法很多，如决策树方法、遗传算法等。数据挖掘功能—偏差检测数据库中的数据常有一些异常记录，从数据库中检测这些偏差很有意义。偏差包括很多潜在的知识，如分类中的反常实例、不满足规则的特例、观测结果与模型预测值的偏差、量值随时间的变化等。偏差检测的基本方法是，寻找观测结果与参照值之间有意义的差别。偏差检测对分析对象的少数的、极端的特例的描述，揭示内在的原因。例如：在银行的100万笔交易中有500例的欺诈行为，银行为了稳健经营，就要发现这500例的内在因素，减小以后经营的风险。

（3）数据挖掘技术：数据挖掘的方法很多，大致可分为：统计方法、机器学习方法、神经网络方法和数据库方法。其中，统计方法可细分为：回归分析（多元回归、自回归等）、判别分析（贝叶斯判别、费歇尔判别、非参数判别等）、聚类分析（系统聚类、动态聚类等）、探索性分析（主元分析法、相关分析法等）、以及模糊集、粗糙集、支持向量机等。机器学习中，可细分为：归纳学习方法（决策树、规则归纳等）、基于范例的推理CBR、遗传算法、贝叶斯信念网络等。神经网络方法，可细分为：前向神经网络（BP算法等）、自组织神经网络（自组织特征映射、竞争学习等）等。数据库方法主要是基于可视化的多维数据分析或OLAP方法，另外还有面向属性的归纳方法。（4）具体应用：电信：流失银行：聚类（细分）,交叉销售百货公司/超市：购物篮分析（关联规则）保险：细分，交叉销售，流失（原因分析）信用卡：欺诈探测，细分电子商务：网站日志分析税务部门：偷漏税行为探测警察机关：犯罪行为分析医学：医疗保健（5）数据挖掘的流程选择预处理转換选择预处理转換抡掘分折和同确定业务对象清晰地定义出业务问题，认清数据挖掘的目的是数据挖掘的重要一步。挖掘的最后结构是不可预测的，但要探索的问题应是有预见的，为了数据挖掘而数据挖掘则带有盲目性，是不会成功的。数据准备数据的选择：搜索所有与业务对象有关的内部和外部数据信息，并从中选择出适用于数据挖掘应用的数据。数据的预处理：研究数据的质量，为进一步的分析作准备.并确定将要进行的挖掘操作的类型。数据的转换：将数据转换成一个分析模型.这个分析模型是针对挖掘算法建立的.建立一个真正适合挖掘算法的分析模型是数据挖掘成功的关键。数据挖掘对所得到的经过转换的数据进行挖掘.除了完善从选择合适的挖掘算法外，其余一切工作都能自动地完成。结果分析和知识同化结果分析：解释并评估结果，其使用的分析方法一般应作数据挖掘操作而定，通常会用到可视化技术。知识的同化：将分析所得到的知识集成到业务信息系统的组织结构中去。（6）和数据挖掘所需的人员构成数据挖掘过程的分步实现，不同的步会需要是有不同专长的人员，他们大体可以分为三类。业务分析人员：要