CRM与数据仓库的关系
CRM的实施主要涉及企业的三个部门：市场、销售和服务。市场、销售和服务部门对CRM都有不同的要求，而且这三个部门之间有许多相互合作的地方。因此，需要协调这三个部门，共同为客户提供方便的服务。同时，企业的其它部门，如生产、财务等，也要和CRM紧密协作。
CRM的业务模型
CRM在市场部门的主要作用是产生市场机会，而后通过销售和服务等部门的协作，来把握这些市场机会。
市场专家在对客户行为数据分析的基础上，制定市场策略，给出发现重点客户的方法，这些方法可以产生市场机会。
市场机会由销售和服务等部门的业务流程处理后，进一步与客户沟通，从而把握市场机会。客户的行为通过客户行为反馈到客户行为分析数据中。在这些反馈数据的基础上，市场专家可以对已经存在的市场策略进行评估，从而改进市场策略和重点客户发现的方法。
数据清洁与集中
各个企业在长期的运营过程中，积累了大量的数据。为了有效地利用这些数据，以提高企业决策的准确性，就需要使用数据仓库技术。
对于企业来说，大量的数据分散在不同的OLTP系统中，客户的信息也分散在不同的系统中。如果只对某个系统的数据进行分析，以作为决策支持的依据，显然有信息不全面、分析不准确的缺点。数据仓库可以解决这些问题。根据企业决策的需求，数据仓库将决策分析用的数据集中在一起。
分散的数据也带来了数据不清洁的问题。同一个客户的信息在不同系统中的数据不一致，而且有些数据可能是不真实的。
另外，分散的业务系统中的数据是面向业务的，而不是面向决策的。数据仓库建设过程中，解决了数据不清洁问题，并将数据转换为决策分析所需要的类型。
通过对分散数据的集中、清洁和转换，数据仓库中存储着清洁、一致、全面和面向决策的数据。这些数据为了方便用户的分析与查询，设计成多维模型结构。
数据分析
数据仓库中存储了大量面向决策分析的数据。对这些数据进行充分的分析，并将分析结果传递给用户，才能完成数据仓库的作用。在数据仓库项目中，数据分析的手段主要有：OLAP、报表和数据挖掘等三种。
数据仓库的作用
数据仓库是CRM项目的灵魂。首先，数据仓库将客户行为数据和其它相关的客户数据集中起来，为市场分析提供依据。其次，数据仓库将对客户行为的分析以OLAP、报表等形式传递给市场专家。市场专家利用这些分析结果，制定准确、有效的市场策略。同时，利用数据挖掘技术，发现交叉销售、增量销售、客户保持和潜在客户的方法，并将这些分析结果转化为市场机会。通过数据仓库的分析，可以产生不同类型的市场机会。针对这些不同类型的市场机会，企业分别确定客户关照业务流程。依照这些客户关照业务流程，销售或服务部门通过与客户的交流，达到关照客户和提高利润的目的。最后，数据仓库将客户的市场机会的反应行为，集中到数据仓库中，作为评价市场策略的依据。
客户行为分析
客户的行为可以分为两个方面：整体行为分析和群体行为分析。整体行为分析用来发现企业的所有客户的行为规律。然而，只有整体行为分析是不够的。企业的客户千差万别，众多的客户在行为上可以划分为不同的群体。这些群体有着明显的行为特征。行为分组（Behavior Segmentation）是CRM的一个重要组成部分。
据Gartner Group预测，企业的客户关系将越来越复杂。这个复杂性的度量公式为：客户关系复杂度=客户群体个数×产品个数×渠道个数×合作伙伴数量。对同一产品，客户的交易行为也有很大差别，如利用信用卡购买、通过合作伙伴购买等。这样不同的产品组合和不同的交易行为，对企业的价值的贡献也有很大不同。
图1 CRM中的数据仓库
行为分组是按着客户的不同种类的行为，将客户划分成不同的群体。通过行为分组，企业可以更好地理解客户，发现群体客户的行为规律。通过对客户的理解和客户行为规律的发现，企业可以制定相应的市场策略。同时，通过对不同客户的群组之间的交叉分析，可以使企业发现客户群体间的变化规律。
客户理解
客户理解又可以称为群体特征分析。通过行为分组，将客户划分成不同的群组，这些群体客户在行为上有着许多共同的特征。这些行为特征，必须和已知的资料结合在一起，才能被企业所利用。因此，需要对这些不同的行为分组的特征进行分析。特征分析至少有以下几个方面的功能：
1. 哪些人具有这样的行为？是年轻人，还是老年人？
2. 哪里人具有这样的行为？是北京人，还是上海人？
3. 具有这样行为的人，给企业带来的利润有多大？
4. 具有这样行为的人，对企业是忠诚的吗？
行为规律分析
行为规律分析，是发现群体客户的行为规律。行为规律分析，至少有以下方面的功能：
1. 这些客户都拥有企业的哪些产品？
2. 这些客户的购买高峰是什么时候？是在节假日，还是在工作日？
3. 这些客户通常的购买行为是在哪些地方发生？是在合作商户处，还是在营业厅等？
通过对这些客户的行为分析，能够为企业在确定市场活动的时间、地点与合作商等方面，提供确凿的依据。
组间交叉分析
通过对群体客户的特征分析和行为规律分析，使企业在一定程度上了解了自己的客户。但是客户的组间交叉分析有着非常重要的作用。例如，一些客户在两个不同的行为分组中，且这两个分组对企业的价值相差有较大，然而，这些客户在基本资料等其它方面非常相似。这时，就要充分分析客户发生这种现象的原因，这就是组间交叉分析的重要内容。通过组间交叉分析，企业可以了解以下内容：
1. 哪些客户能够从一个行为分组，跃进到另一个行为分组中？
2. 行为分组之间的主要差别在哪里？
3. 客户从一个对企业价值较小的组，提升到对企业有较大价值的组的条件是什么？相反的原因是什么？
通过这些分析，使企业能够准确地制定市场策略和市场活动，从而为企业带来较大的利润。
重点客户发现
在“客户经济学”中，有很多关于重点客户的理论。如开发新客户的费用是保留一个老客户的费用的5倍，成功地保留老客户能够使企业的利润翻番等。
重点客户发现过程，通常是由一系列数据处理和转换过程以及数据挖掘来组成的。通过这样的过程，针对每个种类的客户确定一个和多个分析发现流程，从而自动发现这些重点客户。
性能评估
根据客户行为分析，企业可以准确地制定市场策略和市场活动。然而，这些市场活动是否能够达到预定的目标，是改进市场策略和评价客户行为分组性能的重要依据。同样，重点客户的发现过程，也需要对其性能进行分析，在此基础上修改重点客户发现过程。这些性能评估都是建立在客户对市场反馈的基础上。
针对行为分组和重点客户发现过程，性能分析至少有以下功能：
1. 对每个市场目标设计一系列评估模板，从而使企业能够及时跟踪市场。同时，在性能评估报告中，给出了一些统计指标来度量市场活动的效率。
2. 在一定的时间范围给出行为分组的报告。
系统结构
在CRM项目中实现数据仓库系统，是CRM系统成败的关键之一。在CRM系统中，数据仓库的逻辑结构如图1所示。
数据主要有四个方面的来源：客户信息、客户行为、生产系统和其它相关数据。这些数据通过抽取、转换和装载过程，形成数据仓库，并通过OLAP和报表，将客户的整体行为分析和企业运营分析等传递给数据仓库用户。
在数据仓库中，利用数据仓库的ETL工具，针对行为分组和重点客户发现的需要，产生相应的数据集市（DM）。在数据集市的基础上，实现行为分组系统和重点客户发现过程。最后，将分析的结果与数据仓库结合起来，将分析与性能评价等传递给CRM用户。监控和调度系统负责调度行为分组系统和重点客户发现系统的运行更新间隔。
虽然数据仓库与CRM密不可分，但是CRM除了市场分析之外，还有销售和服务等方面的功能。不同的企业应该根据自己的实际情况，选择实现销售、服务和市场的策略。但无论如何，对于客户量巨大、市场策略对企业影响较大的企业，CRM要以数据仓库为核心。