如何构建基于客户智能的CRM

越来越多的CRM系统厂商在其解决方案中都提及到"客户智能"。但究竟什么是客户智能（customer intelligence，CI），尚没有发现这方面的明确论述。本文是作者本人多年专注于客户智能的研究成果，它概括了客户智能的本质，并提出了基于客户智能的CRM框架。该框架以商业智能所提供的决策支持工具为技术支撑，围绕整个过程为CRM构建一个具有可操作性、科学的信息结构。

0.引言

客户关系管理（customer relationship management，简称CRM）是适应企业"以产品为中心"到"以客户为中心"的经营模式的战略转移而迅猛发展起来的新的管理理念，它把追求客户满意和客户忠诚作为最终目标。近年来，越来越多的国内外企业和软件开发商把CRM作为研究热点。CRM系统是集成了后台应用的前台应用系统，是在以客户为中心的销售、营销、服务和支持应用的增强、自动化的基础上，提高客户满意度和忠实度，从而给企业带来长久利益的一种应用和理念。许多企业在实施CRM时，正是违背了这条原则，致使CRM不成功的案例屡见不鲜。

现有的关于CRM的文章绝大多数探讨建立的系统和流程对高质量的CRM会产生什么样的影响，却很少关心实施CRM第一步要做的工作：知道谁是你的客户，以及影响他们行为的因素。现阶段企业能做到的，是了解（know about）自己的客户，而不是理解（understand）客户本身。KPMG报告指出：70%的UK公司承认很难发现谁是他们的客户，他们想买些什么。诸如此类的与CRM有价值的信息，在通常的报表和分析中是难以被发现的。

著名管理咨询专家Jim Berkowitz认为CRM必须具备两个坚实的基础：一个是合理的组织结构（Organization），另一个是合理的信息结构（Information）。如果企业实施CRM的动机是建立在各部门各自的利益之上而不是适应面向客户为中心的商业哲理、文化和战略，那么CRM就缺少了合理的组织结构基础。这种合理的组织结构是将一个共享的、更加整合的工作流和信息流代替原先集中的部门流程。这样，企业变成一个统一的组织，来有效预测客户需求，管理客户价值，简化企业运作流程。本文的出发点放在第二点，即如何创建一个适于CRM的、合理的信息结构。

另一方面，在激烈的竞争环境下，对有限数目的客户的争夺将加白热化。由于获取一个新客户的成本比保留一个老客户的成本大得多，采取什么样的客户保留措施来提高户忠诚度，已成为企业考虑客户关系时的关键问题。而这些答案已经存在于与客户的交往过程的记录中，即客户数据库中，只不过没有对客户数据进行有效地利用，从中发现潜在的、与客户忠诚有关的、有价值的知识。

META Group行的一项调查中，800家商业和IT公司的经理们被问了一个问题：你是认为你的公司是否使用了客户数据来理解你的客户？29%的答案承认在一定程度上使用了客户数据来理解客户，67%的回答是否定的。仅有4%的回答是充分利用了客户数据。本文建立的CRM的信息结构不再局限于事务处理，更强调如何将分析工具应用于客户数据，将发现的知识用于与优化客户关系有关的决策问题。

如何构建基于客户智能的CRM: 1.客户智能

有些专家在研究中提到了客户智能的概念。本文将他们对客户智能的研究分为三大类：一、围绕客户智能的作用、内容、实质的研究。Mark Allen Smith将客户智能与客户分析等同起来。BO公司的Paul Clark在分析客户智能与CRM的关系时认为：客户智能是CRM的智慧所在（the brains behind CRM）。二、围绕客户智能的实现的研究。Jim Berkowitz提出"商业智能是CRM的基础"的观点。

另一个难得可贵的地方是该研究对商业智能包括的组件进行了分析，将OLAP、数据仓库、数据挖掘技术作为商业智能的必备组件。三、与客户智能密切相关的研究。Emma Chablo则在研究中指出，客户知识是CRM的重要的组成部分，而营销数据智能是向CRM提供真正客户知识的CRM部分。他将营销数据智能定义为利用数据驱动营销手段和技术来提高对客户，产品和交易数据的理解和知识，以此帮助CRM制订战略决策。

由于研究的角度因人而异，很难从中总结出一个令人信服的定义。这其中存在一个共性：几乎没有人从知识在制订与客户有关的决策的过程中的作用这一视角来研究客户智能，而只有将对知识的研究作为出发点，才能够发现客户智能实质的内容，本文认为，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。对该定义的正确解释，本文结合下图的客户智能体系框架从五个层面展开：

1） 理论基础：

客户智能的理论基础是企业对客户采取决策的指导依据，这既包括企业分析和对待客户的理论和方法，也包括分别从客户和企业角度进行的价值分析。通过消费行为分析、满意度分析、利益率分析等诸如此类的指标的测评与衡量，达到决策科学化、合理化的目的。

客户价值分析对与客户有关的活动具有巨大的支持作用。比如，标识客户（customer identification）、客户分类（customersegmentation）、客户差异（customer differentiation）、客户满意（customer satisfaction）、客户忠诚等客户活动有了客户价值分析的支持，就会有的放矢，引导正确的客户关系。

2） 信息系统层面：

称为客户智能系统（CI System）的物理基础。表现为具有强大决策分析功能的软件工具和面向特定应用领域的信息系统平台，如CRM、ERP、销售自动化、商业活动管理。与事务型的MIS不同，客户智能系统能提供分析、趋势预测等决策分析功能。

3） 数据分析层面：

是一系列算法、工具或模型。首先获取与所关心主题有关的高质量的数据或信息，然后自动或人工参与使用具有分析功能的算法、工具或模型，帮助人们分析信息、得出结论、形成假设、验证假设。

4） 知识发现层面：

与数据分析层面一样，是一系列算法、工具或模型。将数据转变成信息，而后通过发现，将信息转变成知识；或者直接将信息转变成知识。

5） 战略层面：

将信息或知识应用在提高决策能力和运营能力上、企业建模等。客户智能的战略层面是利用多个数据源的信息以及应用经验和假设来提高企业决策能力的一组概念、方法和过程的集合。它通过对数据的获取、管理和分析，为贯穿企业组织的各种人员提供知识，以提高企业战略决策和战术决策能力。

客户发展战略指的是企业坚持以客户为中心的发展战略，将企业内部资源条件与外部环境因素结合起来考虑，最终目标是使客户生命周期价值最大化。客户发展战略离不开企业其他战略类型的支持，如目标市场战略、营销组合战略、市场竞争战略、财务战略、协作战略、组织战略、人才战略等。以客户为中心的发展战略不能代替企业总体战略，但是总体战略最具有参照价值的战略。

客户智能系统（CI System）是本文提出的实现客户智能的系统平台。它包括了客户智能体系中的信息系统层面、数据分析层面、知识发现层面，是基于客户智能理论的可操作的系统框架。因此，客户智能体系也可以简单地用客户智能基础理论和基于客户智能理论的客户智能系统两个逻辑层面表示。基于客户智能的CRM系统是本文描述的客户智能系统中的一种。

总之，客户智能的目标是将企业所掌握的信息转换成竞争优势，提高企业决策能力、决策效率、决策准确性。为完成这一目标，客户智能必须具有实现数据分析到知识发现的算法、模型和过程，决策的主题具有广泛的普遍性。

如何构建基于客户智能的CRM: 2.客户智能是对客户知识的生成、分发、使用

客户知识，顾名思义，是有关客户的知识。客户知识包括客户的消费偏好、喜欢选用的接触渠道、消费行为特征等等许多描述客户的知识。本文对客户知识进行如下分类：一、对话性客户知识：通过企业与客户之间正式或非正式的对话，以及客户与企业员工、企业员工与供应商等之间的互动交流，来了解客户的需求；二、观察性客户知识：透过观察客户使用产品或服务的状况来获得客户知识，汽车等高档消费品或工业用品的制造商主要通过这个方法得到客户知识；三、预测性客户知识：利用市场营销的专业分析工具和方法预测客户的需求与反应。预测性客户知识是本文构建的信息结构考虑的重点。

客户知识是人们通过实践认识到的、与客户有关的规律性，而客户智能是获得客户知识并使用客户知识求解问题的能力。客户智能是对企业战略决策真正有价值的事物和行动。客户智能不仅包括了客户知识的生成，而且更强调了客户知识在企业中的分发、使用，直到产生客户智能。所以，客户智能是对客户知识的生成、分发和使用。

1) 客户知识的生成（generation）

使用商业智能提供的OLAP分析工具、知识发现工具或两种工具的组合，发现存在于客户数据中的模式、规则、概念、规律的整个过程，叫客户知识的生成。相比较而言，知识发现工具的使用难度较大，包括确定任务、选择合适的挖掘工具（数据准备、挖掘算法、结果解释等），以及明确哪部分任务必须有营销专家参与，哪部分可以自动执行。

① 客户标识（identification）

又称客户认识（Awareness）。即知道谁是你的客户。如果你的企业没有集成的客户数据，那么它很有可能会遭受客户认识危机（customer-aware challenged）。

集成的客户数据是指面向客户的操作数据存贮（operational data store），它存贮了集成的和经过净化的、当前的客户数据。企业的任何与客户打交道的职员每时每刻会参考这其中的数据，了解客户目前产品和服务的处境，当前的接触信息、接触结果，突发事件等。存贮当前信息的数据库的正确利用，会大大提高企业对客户的评价的准确性和认识能力。

② 客户分类（segmentation）

假设企业已经认识到客户的存在，但如何知道哪些客户对企业是盈利，哪些是不盈利的。仅依据对客户当前信息的分析，很难得出令人满意的答案。企业此时需要与客户有关的历史记录。针对不同的客户分类方式，有时采用分析技术可以实现，而当有时面对较深层次的分类任务时，就需要引入知识发现技术了。

一个好的数据仓库环境，可完全满足客户分类对数据的多重需求。数据仓库环境集成了与客户有关的当前和历史的数据，并在此基础上建立起面向不同分析任务的应用（数据集市）。比如，客户利润率分析，销售渠道分析，商业活动分析等。这些分析算法必须与企业的商业模式相一致。

③ 客户满意

企业是否能够测量客户满意度？在你的企业中，客户满意分别与企业员工的积极性和企业实施的优惠政策是否有关系？如果你的答案是否定的，那么可以认识你的企业还没有建立以客户为中心的正确的环境。

这种正确的环境绝非是仅建设先进的Call Center等手段所能实现的，它需要一个企业的企业文化、组织结构、管理模式等整体环境的大调整，以适应从以产品为中心到以客户为中心的转变；另一方面，还包括使用知识发现技术对客户知识的正确的发现和使用，了解客户满意需要的是什么，如何改进产品使客户做到更满意。

④ 客户差异（differentiation）

客户差异是指企业根据不同客户对企业的贡献的大小，实施在客户上的不同的价值回报。分析的对象包括客户生命周期价值、消费行为、VIP特征等。企业需要建立相应的知识发现模型。此外，企业必须具有对知识发现结果-客户知识的快速反应的能力，企业各部门能够做到基于客户知识的互动。

⑤ 客户忠诚

客户忠诚直接的表现是客户的持续购买，它反应了企业对客户不断更新的需求的有效把握。客户忠诚是对客户知识的反复有效利用的结果。客户忠诚的获得是企业在客户关系上最难达到的境界，但却是最佳的。通过持续的接触，忠诚客户数据的收集和集成成为最容易和是最有效的事情，但忠诚客户的保留问题仍离不开知识发现技术的支持。随着人们越来越深刻地认识到客户忠诚的重要性，知识发现技术在客户保留中的作用也会逐渐显现出来。

2) 客户知识的分发（distribution）

客户知识必须到达组织内每一个需要客户知识的部分。将客户知识存贮于动态知识库，借助CRM的系统平台，将客户知识分发到需要的终端。不仅如何分发知识，还有一个知识分发质量（quality）和多少（how much）的问题。

3) 客户知识的使用（using it）

将客户信息和知识投入使用是CRM的最后一个环节。许多CRM和知识发现没有成功，很大程度上在于产生的与客户有关的信息和知识不能投入使用。CRM通过营销、销售、客户服务和支持与客户打交道，客户知识通过它们的使用与集成，作用于客户。这些工作不单是一个合理的信息结构所能完成的，需要与之整合的工作流程做支撑，即Jim Berkowitz谈到的合理的组织结构。

如何构建基于客户智能的CRM: 3.构建基于客户智能的CRM系统

如何构建基于客户智能的CRM: 3.1. 系统主要组件及作用

1) 数据仓库

数据仓库是面向主题的、集成的、稳定的、不同时间的数据集合，用以支持经营管理中的决策制订过程。客户数据分布在企业的多个应用系统中，数据仓库从这些应用系统中抽取、清洗、转换，使之符合基于数据仓库的分析与决策工具的数据要求。本文将数据仓库应用在CRM的形式称为CCDW（customer-centric datawarehouse，客户信息数据仓库）

数据集市（data mart）是按照某一特定部门的决策支持需求而组织起来的、针对一组主题的小型数据仓库。由于创建企业级的数据仓库存在许多困难，许多CRM方案采用数据集市的变通办法。从数据集市可以升级到企业级数据仓库。

2) OLAP

CRM从CCDW中发现有用的信息有两种不同的方式，方式之一是较低层次上的由用户制导的被动方式，这种方式多指OLAP分析。OLAP分析属于验证驱动型发现。其策略是：用户首先提出自己的假设，然后利用OLAP工具检索查询以验证或否定假设。

在CCDW的数据环境下，OLAP提供上钻、下钻、切片、旋转等在线分析机制。完成的功能包括多角度实时查询、简单的数据分析，并辅之于各种图形展示分析结果。

3) 知识发现（Knowledge Discovery in Database, KDD）

CRM从CCDW中发现信息的另一种方式就是知识发现，是高层次上的主动式自动发现方法，被称为发现驱动型知识发现。知识发现是从大型数据库中的数据中提取人们感兴趣的知识。这些知识是隐含的、事先未知的、潜在有用的信息，提取的知识表示为概念（concepts），规则（rules），规律（regulations），模式（patterns）等形式。知识发现是实现从客户数据、信息到客户知识转变的有力的工具。

从以上构成系统的三个组件的介绍中同时可以找到对以下两个问题的答案：1、客户数据、客户信息、客户知识之间的区别：由来自于事务系统，如ERP、SFA等的源数据经整理后放入CCDW或数据集市，这一过程处理的对象称为客户数据；OLAP为决策人员提供了展示有意义的客户数据的机制，这种有意义的客户数据称之为客户信息；客户数据和客户信息均可以通过KDD技术的运用，提升为对决策有价值的客户知识。2、客户知识生成的途径：从对第一个问题的解答中可以知道，客户知识从KDD作用的对象来看有两种途径：KDD作用于客户数据、KDD作用于客户信息，总之，客户知识生成是依赖于KDD过程的复杂的过程。

如何构建基于客户智能的CRM: 3.2. 系统架构

图6是本文给出的以客户智能为核心的I-CRM系统架构。从数据源层来的客户数据经过ETL（抽取、转换、装载）、清洗后以数据存储层的CCDW或数据集市的形式存储。应用支持层是提供了报表查询、OLAP、知识发现分析决策工具，作用于客户数据，该过程产生的有价值的客户知识存储于动态知识库中。互动层提供了I-CRM利用客户知识从而有效实施其功能的场所。该架构具有以下特点：

1) I-CRM有自己独立的数据存储中心，不依赖于业务系统；

2) I-CRM的数据存储中心可以导出供客户接触使用的数据，可以直接被商业活动管理利用。OLAP分析可以直接在数据存储中心的基础上使用。知识发现需要的数据一般从数据存储中心按需要抽取；

3) I-CRM在互动层提供多种渠道与客户接触，如Email，Call Center，WEB等；

4) 商业规则与元数据管理贯穿了I-CRM的整个结构；

5) EIP（Enterprise Information Portal，企业信息门户）提供了用户获取信息的统一界面（基于WEB）。通过这个界面，I-CRM将客户知识分发在包括事务型系统在内的所有企业应用，使I-CRM成为企业应用的核心并促进企业集成；

6) 中描述的知识库是存储客户知识的场所，它与传统的DSS、EIS中的知识库有很大区别。由于系统是一个闭环的动态系统，知识库的内容在不断地自动修正，所以是一种动态结构，而不像DSS、EIS中的知识库是很少发生变化的。

数据源层代表数据的收集，互动层是将分析、处理的结果直接作用于客户，可以归为操作层面；应用支持层是I-CRM的分析、处理层面，叫做分析层面；数据存储层为操作层和分析层面提供统一的客户视图，归为统一视图层面。三层的关系为：统一视图层面是操作层面和分析层面的数据支持；操作层面为统一视图层面收集数据，将分析层面的决策支持结果加以执行。分析层面为操作层面提供技术支持。

强大的决策分析功能和整合的客户信息是I-CRM科学、正确地实现客户智能的灵魂。决策分析的主题体现了客户智能理论基础所能涉及的所有内容，如利益率分析、忠诚度分析、消费行为分析等，这些分析的结果（客户知识）指导企业如何更有效地满足客户需求和期望，`同时，对企业来讲，不但要实现以产品为中心到以客户为中心的战略转变，而且应对客户的策略也必须做出转变，如采用有益于提高满意与忠诚的营销策略、注重客户生命周期价值而不是一两次交易的收益等。

4.总结

本文针对存在于人们对商业智能认识上的偏差和CRM实施中的实际困难，提出了客户智能的概念。接下来通过介绍客户知识从产生，到分发、使用的可操作性流程与方法，说明了客户智能实现的流程。本文创新性地提出了以客户智能为核心的CRM的系统架构、逻辑结构，该框架集成了商业智能先进的信息技术手段，突出了客户智能在实现CRM功能中的决定性作用。相信通过本文对客户智能概念和实现的介绍，有助于人们对CRM的理解和实施。