客户关系管理 PPT课件 第10章

第10章CRM中的数据管理与分析

10.1CRM中的数据信息10.2CRM中的数据仓库10.3数据挖掘在CRM中的应用客户数据是进行客户分级的依据客户数据是开展企业决策的基础客户数据是加强客户互动的指南客户数据是达到客户满意的要求客户数据的重要性2023/10/8210.1CRM中的数据信息CRM信息的来源和分类CRM数据的隐私与安全从客户数据到客户信息和客户知识一、CRM信息的来源和分类CRM信息的来源内部信息

外部信息

CRM信息按利用及难易程度分类

文本信息

统计信息

基本信息

市场需求信息竞争信息用户信息CRM数据性质

交易性数据

促销性数据

描述性数据

部门用途客户信息

服务信息

销售信息

图10-1CRM系统中的信息来源二、CRM数据的隐私与安全保证客户信息的安全性——加密技术

尊重客户的隐私权——P3P标准（ThePlatformforPrivacyPreferencesProject）

2018年5月25日，欧盟出台《通用数据保护条例》（GeneralDataProtectionRegulations，“GDPR”）建立企业内部的知识共享——培养“知识共享”的企业文化

高质量数据的评判标准（1）数据的准确性。（2）数据的有效性。（3）数据的时效性。（4）数据的完备性。符合逻辑，不能冗余。逻辑性主要从业务逻辑的角度判断数据是否正确；同时客户数据中要避免不必要的冗余（如客户出生日期和年龄同步采集）。三、从客户数据到客户信息和客户知识

（一）客户数据的质量保证2023/10/88（二）客户信息分析方法CRM的信息分析既包括一般的统计分析，也包括利用数据仓库、联机分析处理OLAP、数据挖掘等工具提供的决策支持。一般统计分析：对现有的CRM数据信息进行简单的统计计算(求和、求平均、方差、图形)，以获取企业当前的运作状况，使用户能够监测业务运行情况；或提供部门人员的工作业绩报告等。

3．客户知识提升

图10-2客户数据-客户信息-客户知识转化过程客户关系指数模型

YRIDX=k1Xf+k2Xs+k3Xv+k4Xt客户响应模型风险模型10.2CRM中的数据仓库数据仓库的基本知识CRM中的数据仓库大数据时代下的企业级数据仓库数据仓库的实施数据仓库是客户关系管理的灵魂。利用数据仓库，企业可以对客户行为进行分析与预测，从而制定准确的市场策略、发现企业的重点客户和评价市场性能，并通过销售和服务等部门与客户交流，实现企业利润的提高。对于客户量大、市场策略对企业影响较大的企业来说，必须在客户关系管理系统中包含数据仓库。1968年著名的层次型数据库系统的典范——IBM的信息管理系统1969年网络数据库模型的数据规范制定1970年数据库关系模型提出20世纪80年代以来，关系型数据库理论趋于成熟；90年代一般的技术改进数据库技术的发展1992年“数据仓库”被提出一、数据仓库的基本知识手工业务处理OLTPOLAP数据库数据仓库

OLTPOLAP用户操作人员、低层管理人员决策人员、高级管理人员功能日常操作处理分析决策DB设计面向应用面向主题数据特点当前的，最新的细节的，二维的分立的历史的，聚集的，多维的集成的，统一的存取方式读/写/索引数十条记录大量的扫描工作单位简单的事务复杂的查询用户数数以千计数以百计DB大小100MB-GB100GB-TBOLAP与OLTP的主要区别（一）作为数据仓库前端接口的OLAP联机分析处理（OnLineAnalyticalProcessing,OLAP），是专门用来支持对复杂问题进行分析的操作，其侧重于为分析人员和高层管理人员提供决策支持，可以按照分析人员的要求快速灵活地进行大量数据的复杂查询处理，并以一种直观、易懂的形式把查询结果提供给决策者OLAP的一般结构以及类型介绍按照其存储器的数据存储格式分为：OLAP的基本多维分析操作钻取：

改变维的层次，变换分析的粒度。rollup减少维数drilldown增加新维。

切片和切块在一部分维上选定值后，关心度量数据在剩余维上的分布。如果剩余的维只有两个，则是切片；如果有三个，则是切块。

旋转：变换维的方向，类似于行列互换。产品

时间

地点

（二）数据仓库的概念和特点

著名的数据仓库专家W.H.Inmon在《BuildingtheDataWarehouse》一书中给数据仓库的定义是：数据仓库(DataWarehouse)是一个面向主题的(SubjectOriented)、集成的(Integrated)、相对稳定的(Non-Volatile)、反映历史变化的(TimeVariant)数据集合，用于支持管理决策。面向主题集成性相对稳定性反映历史变化（三）数据仓库的关键技术数据抽取数据存储和管理数据的表现数据清理数据转换元数据数据粒度反映数据仓库中数据的综合程度抽样率

多维分析数理统计数据挖掘（四）数据仓库系统体系结构二、CRM中的数据仓库（一）CRM与数据仓库的关系CRM的业务整合需要数据仓库数据清洁与集中需要数据仓库数据分析需要数据仓库（二）数据仓库的应用客户行为分析整体行为分析群体行为分析——行为分组(behaviorsegmentation)客户理解行为规律分析组间交叉分析重点客户发现潜在客户交叉销售增量销售客户保持个性化服务市场性能评估（三）CRM中数据仓库的系统结构客户信息客户行为生产系统其他相关数据数据仓库建设OLAP&Report客户行为分析重点客户发现性能评估模板OLAP&Report数据仓库分析数据准备客户分析数据集市运营分析等市场专家调度监控三、大数据时代的企业级数据仓库企业级别的数据仓库解决方案分类支持混合工作负载的传统的数据库管理系统产品改进提供优化分析功能的专业的企业级数据仓库软件能够提供软硬件集成优化的仓库设备利用新的公共云服务DWaaS，提供更快的时效性和低成本替代的数据仓库解决方案数据仓库架构演进过程架构组成特点经典数仓架构关系型数据库（mysql、oracle）为主数据量小，实时性要求低离线大数据架构hive，spark为主数据量大，实时性要求低Lambdahive，spark负责存量，strom/Flink负责实时计算数据量大，实时性要求高Kappakafka、strom、Flink多业务，多数据源，事件型数据源混合架构数据仓库的存储结构由SQL向NoSQL转换基于Hadoop的数据仓库系统湖仓一体解决方案四、数据仓库的实施（一）项目计划1.定义创建数据仓库的项目目标

明确主题：确定决策涉及的范围和所要解决的问题，每一个主题对应一个宏观的分析领域。主题的确定必须建立在现有联机事务处理（OLTP）系统基础上2.确定项目范围：包括对项目计划的评估和流程的调整了解方向性分析处理需求：决策类型、决策者感兴趣的问题（或对象）等。

确定信息需求

确定数据覆盖范围：用户驱动和数据驱动相结合表示为：组织、地区、应用、业务功能（二）业务需求分析深入了解数据源分析所包含的主题域及其相互之间的关系坚持用户参与，并且与原有系统开发或维护人员进行深入的沟通（三）数据线1、数据仓库设计企业模型设计概念模型设计确定主题及主题所涉及的对象；进行技术准备工作。逻辑模型设计物理模型设计确定物理存储结构、确定索引策略、确定存储分配。企业模型设计（数据需求）ER模型

对象模型逻辑模型设计分析主题域——客户销售划分粒度层次——分析类型、可接受的最低粒度、可存储的数据量

确定数据分割策略——数据量、数据对象、粒度划分策略

定义关系模型定义数据抽取模型——详细描述数据抽取的源数据、规则、排列方式等，反映数据抽取的全过程及数据源与数据仓库的对应关系。

时间ID地理ID商品ID成本ID销售量

时间ID年月

地理ID省市

商品ID商品名供应商

成本ID成本

星型模型时间ID地理ID商品ID成本ID销售量

时间ID年月

地理ID省市

商品ID商品名供应商ID

成本ID成本

供应商ID供应商

雪花模型2、数据预处理——ETLExtractionTransformationLoad保证数据的清洁和统一3、数据使用4、数据维护（四）技术线技术选择产品选择技术体系选择必须从为这些技术建立全局的结构框架和视角出发，需同时考虑商业需求、当前的技术环境、计划的策略技术方向产品选择，包括硬件平台、ETL工具、OLAP服务器、数据展现工具等，并进行产品的安装和测试（五）应用线应用设计：设计标准的用户应用模板确定初始模板集、设计模板标准、设计详细模板、通过用户反馈进行改进应用开发：设计说明书，实现模板的设计选择实现的方法，进行模板的实现、测试和数据验证，应用模板的维护（六）系统运行维护不断验证评价分析设计是否符合用户需求产生新的分析要求及时反馈回需求分析进行系统设计的改进分为目标数据维护和元数据维护目标数据维护是根据元数据库所定义的更新频率、更新数据项等更新计划任务来刷新数据仓库，以反映数据源的变化，且对时间相关性进行处理。10.3数据挖掘在CRM中的应用数据挖掘的基本概念数据挖掘算法数据挖掘实施过程数据挖掘在CRM中的应用

大数据的基本特征大量可视化波动性真实性变化性价值高速多样一、数据挖掘的基本概念1、数据挖掘定义数据挖掘（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。数据挖掘是一种新的商业信息处理技术，其主要特点是对商业数据库中的大量业务数据进行抽取、转换、分析和其他模型化处理，从中提取辅助商业决策的关键性数据。2、数据挖掘的数据来源

关系数据库数据仓库事务数据库高级数据库3、数据挖掘的任务描述性数据挖掘预测性数据挖掘关联分析、分类和预测、聚类分析和序列模式分析、偏差检测和智能推荐4、数据挖掘的应用5、数据挖掘的方法

统计方法：逻辑回归、判别分析（贝叶斯法、非参数法）、聚类分析、探索性分析、模糊集、粗糙集、序列模式分析机器学习方法：决策树法、规则归纳法、遗传算法神经网络方法：BP算法、竞争学习数据库方法主要是基于可视化的多维数据分析或OLAP方法二、数据挖掘算法1、关联规则挖掘

对于关联规则A=>B（表示如果A那么B）支持度是交易集中包含A和B的交易数与所有交易数之比；置信度指包含A和B的交易数与包含A的交易数之比。同时满足最小支持度和最小置信度的规则称为强规则。

Apriori算法是一个关于单维、单层、布尔规则的方法。ID购买商品1{K,A,D,B}2{D,A,C,E,B}3{C,A,B,E}4{B,A,D}项集支持度{A}100%{B}100%{C}50%{D}75%{E}50%{K}25%项集支持度{A}100%{B}100%{D}75%候选项集L1项集支持度{A,B}100%{A,D}75%{B,D}75%项集支持度{A,B,D}75%规则置信度A

B

D75%A

D

B100%B

D

A100%A

B

D75