优化CRM系统的操作和分析技术_CRM

优化CRM系统的操作和分析技术

2003/07/07

　　高端客户关系管理（CRM）系统是怎样昂贵，怎样有益呢？根据AMR调查公司的资料显示，应用CRM系统的公司需要支付一大笔许可费用，数额相当于应用他们自己系统的三倍。根据Giga Information Group的估计，高端CRM系统花费的成本大致是每个使用者3000美元。如果这听起来是很大一笔钱，那么考虑一下CRM的优势。最近的一份研究中提到，Insight Technology Group认为应用CRM解决方案的组织能预期销售额增长42%，销售成本下降35%，销售周期缩短25%，顾客满意度增长20%。投资回报率更是有大幅度增长。

　　为了获得那些受益，CRM系统一定要渗透整个企业。它的目标应该是利用操作型CRM和分析型CRM技术来提供绝对的顾客满意。对于一个完整的CRM系统来说，有两大实质性要点：一个成熟的Web门户网站，这个网站能贯穿于整个组织，提供一个综合的客户概貌；先进的分析技术，该技术能使复杂的数据分析技术在强大的预测模型开发过程中以及客户管理战略中得以使用。

操作型CRM：提供整体的客户观点

　　大多数公司都存在的问题——特别是那些在过去的十年中，和客户渠道接触点的增殖性密切相关的问题——是什么？这个问题就是组织不同部门对于同一个客户有不同的看法和观点。比如，一个客户可能和同一个银行签定了一份轿车租约，同时在该银行中也有存款和支票账户。然而，因为有关每一个客户或者产品的数据通常存放在分散的多操作系统中，因此，对于客户的观点是不唯一的，商务使用者也许不知道特定客户对于组织有多么重要。

　　从客户角度看，使用者常常不知道获得信息的方法，这些信息主要是指通过一种单一的媒介产生的客户和公司之间的交互信息。他们必须要打一个免费电话进行订单查询，通过邮件客户服务获得有关账户状况具体的信息或者进行文件声明及发票的查阅。门户网站将这种低层的图片转变成为稳定的交互式窗口，允许在使用者——顾客、员工和供应链合作伙伴之间进行直接的、高效的互动。

　　图一向我们展示了一种CRM技术架构，它以Web门户网站作为客户、合作伙伴、员工和供应商之间的通路，并以此作为它的主要特征。

　　第一代门户网站产品的重要特征包括：

　　个性化服务：在收集信息基础上形成一个使用者概况，在存储于客户概况（元数据）的基础上为每一个门户网站使用者过滤信息内容。

　　安全服务：为内部和外部使用者执行组织安全规则。

　　出版服务：对于使用者来说是一种互动机制，说明交易内容的位置和意义。

　　访问服务：有助于使用者找到和获得门户网站的相关内容。

　　期刊订阅服务：在有规则订阅的基础上，通过邮件、传真或者其他方法传递交易信息。

　　下载中心：为现行用户管理交易内容和信息的传播。

　　工作流程服务：提供与工作流程产品诸如普通邮件、语音邮件、PDA等建立互动联系。

　　协作服务：允许门户网站使用者和其他人进行交流——这包括诸如Web聊天、即时通知等特点。

　　注册精灵：简化使用者概况信息的收集

　　大批量输入服务：允许订阅人增加大量内容，诸如时事通讯，分销软件等。

　　数字仪表板：允许使用者巩固个人团队、公司以及外部信息。

　　根据Gartner公司的研究显示，先进的门户网站产品也有以下特征：

　　数据库和已有应用整合：将企业的数据库和已有应用程序进行整合；

　　扩展的搜索能力：搜索其他数据库或者甚至其他搜索引擎和返回组合结果的装置。

　　广泛的脱机支持：允许PDA使用者脱机工作，为未来的连接储存信息。

　　这些动态的门户网站对企业价值底线能有什么贡献呢？使顾客满意。如果顾客在使用你的Web站点时有一个愉快的经历。如果他们在不存在故障的情况下完成整个交易周期，那么他们很可能会再次访问你的站点。他们更有可能成为具有“粘性”的客户。这些具有“粘性”的客户能为你的公司带来无穷的价值。根据哈佛商业评论近期的一份报告显示，客户保留度每增长5%，公司利润会增长100%，这是一个简单的方程式。使客户满意相当于使客户忠诚。使顾客忠诚相当于保留顾客，增加顾客度保留相当于增加利润。

　　然而，门户网站仅仅是CRM方程式的一方面。要具备真实的、强大的分析能力，你需要拥有强大的分析技术。也许目前在市场中最强的分析技术是数据挖掘。

分析型CRM：下一代数据挖掘技术

　　目前有许多数据挖掘技术在使用，诸如古典统计学（包括线性回归等）、准则推断以及遗传算法。它们中的大部分能和简单的数据挖掘任务相匹配。然而，在过去的二十年中，有两种技术诞生了：决策树和神经网络。这些数据挖掘技术能被用来发现深澳的知识和构建复杂的预测模型。因为它们相当复杂，每一种技术都能写出一大篇文章，所以这里只是点到各种技术的关键点，讨论一下它怎样能在你的分析型CRM中使用。

决策树

　　你可以从它的名字中猜到，决策数是一种树型分析模型。树枝代表了用来定义或者细分客户的不同问题。比如，假设一家音乐俱乐部想要分析为什么一些会员不会再次申请它的会员资格（该俱乐部会员采取月申请制）。为了形成决策树，公司召集了一批由100个忠诚顾客、100个非忠诚或者已经公司已经失去的顾客组成的测试小组。然后，公司开始提出一系列问题，要求顾客形容一下忠诚的顾客和非忠诚的顾客是什么样子的。整个决策树就如图二所示。

　　正如你所看到的，决策树显示了大部分失去的顾客是在40岁以下的，他们的顾客年龄不足三年，对于公司每月纸质杂志的调查持一种不喜欢的态度。决策树是一个非常强大的知识体系。它给了公司关于非忠诚的客户是怎么样子的一个非常清晰的概念。当然，虽然在过去，你非常精通于市场细分，但是有了决策树，市场细分有了大量能够用来预测消费行为的信息。

　　然而，在进行市场细分获得大量特殊数据说明细分是无效的之前，这种细分是低水平的，也是片面的。决策树能预测特殊行为——如说有可能发生购买行为的改变。比如，根据这棵决策树显示的信息来看，该音乐俱乐部能够预测到大部分小于30岁的顾客在将来可能流失。这个发现可能会使俱乐部发展纸制杂志的替代品。也许那些较年轻的顾客会更喜欢电子杂志，也会比较喜欢公司通过邮件方式提醒他们俱乐部每月的精选品和可以获得的折扣。

　　你也可以将决策树看作一种为更加复杂的数据挖掘技术创造输入数据的工具。比如，来自决策树的新发现的信息能够传入神经网络，形成更加先进的、功能更加强大的预测模型。这样，有关非忠诚顾客的数据资料成为开发更广泛、更复杂的客户行为模型的数据之一。这种更复杂的模型能够使用人工智能神经网络。

神经网络

　　人的大脑通过神经网络学习，神经网络由神经元、轴突、树枝状结晶和神经键组成。大脑接受输入信息，分析它们，然后输出特征或模式的识别信息。最近几年，许多研究都已经开始深入探究创造人工神经网络。

　　目前能使用的人工神经网络由许多种，但是我想有两种人工神经网络是最具潜力的，它们是反向传播神经网络（或多层前馈神经网络，简称BPN）和Kohonen特征映射网络。但是在这两种人工神经网络中，BPN类型的神经网络使用的更加广泛，所以，这边我重点讨论一下这种类型的神经网络是怎样运作的，它能做什么。

　　反向传播神经网络

　　一个BNP包括三个层次：

　　输入节点，该节点能接受来自各种顾客接触点的数据。这些数据形成BPN的经验数据组。

　　分析层，该层经常被认为是“隐藏层”，因为它对于输入和输出节点使用者来说是透明的。分析层使用输入节点数据通过识别行为模式和解释信息来评价经验数据组。

　　输出节点，该节点通知使用者通过分析曾获得的模式和行为信息，同时利这信息形成预测模型。

　　之所以将其称之为反向传播网络，主要是因为它能反馈来自输出节点的错误。在输出节点上，错误信息比较容易被发现。

　　金融机构可以使用的BPN简单的模型，可以参考图三。

　　假设该集团的数据组包括了100000个现有和潜在的顾客。数据组中所有成员至少满足一个列示于每个输出节点边上的特征条件，比如说，他们的年龄小于35岁或者是在35-40之间，男性或者女性，房东或者租借人。BPN从所有的输入节点中获得数据，并且以此编译一个预测型模型。这个简单的模型告诉使用者，年龄在35-40岁之间的男性房东最有可能购买共同基金和金融市场产品。这是BNP能预测的信息。

　　然而，这种分析不是自然而然得出的。使用BPN（或者神经网络技术）的局限性是BPN——像人的大脑——一定要接受练习以识别正确的模式并进行准确的信息翻译。这个练习的过程往往需要花费大量的时间。同时，整个练习过程的完成需要向BNP提出一系列知道成果的问题和额外的输入价值，也需要使用数学运算法则改变和再运用那些基于众多BPN提供的正确或者不正确的答案的重点。练习阶段会一直继续，直到BPN提供的答案能够和使用者希望的答案基本吻合。当练习输出符合期望输出时，然后BPN将被认为是成熟的，而且能够被用来分析、解释、预测未知结果的输入数据。

Kohonen特征映射网络

　　Kohonen特征映射网络也是一种令人激动的神经网络技术。Kohonen映射技术比BPN技术出现的时间更短，但是这种技术非常有潜力。不像反向神经传播网络，Kohonen映射网络没有隐藏的分析层。相反，网络的输出层做了所有的工作。网络使用极其复杂的数学运算法则组织和分析输入数据。

　　比如，假定一个输入的信息有X个特征，并且在模式的Z空间由矢量Y代表。Kohonen网络使用运算法则将输入数据组映射至输出摸式之中。输出节点能自我组织，在大量数据组练习之下，产生了正确的特征映射。用简洁、清晰的语言表达，这意味着网络产生了基于输入特征的客户-行为模式图。

　　在既定的数据组环境下，网络逐字学习，使用户能预测客户可以做什么。但是，Kohonen映射网络存在和BPN一样的局限性。练习时间相对较长，数据组一定要很大。

优势：从充分利用你拥有的大部分信息

　　即使练习过程相对较长，但是一个强大的成熟的神经网络——或者是BPN或者是Kohonen特征映射网络——在客户价值（或者至少在收入增长方面）是物有所值的。神经网络能被用来改善和提高各种数据挖掘任务的有效性，诸如：

　　市场细分：通过由认识模式和群集技术发现的信息进行市场细分。图三中的BPN例子利用了模式识别，发现在35-40岁的男房主最有可能有金融市场和共同基金账户。

　　客户概况描述：通过由聚集运算法则发现的信息，在基于内在相似性的基础上将各条信息组合在一起。Kohonen映射网络通常被用来创造成熟的数据丛，该数据丛能提供各方面观点的新信息和详细的顾客概况。

　　销售渠道/活动有效性分析：通过由群集和局外人分析发现的信息来分析销售渠道/活动的有效性。局外人分析是发现反常数据的过程，那些反常的数据信息通常能扭曲其他正常的信息。它能够被用来作为分析过程的一部分，分析过程只要是分析为什么不同的销售渠道/活动的有效性有的高，有的低，或者为什么一些渠道活动参与者有巨大的成功或者是失败。

结论：

　　这些门户网站和神经网络技术不仅已经相当成熟了，而且具有非常强大的作用。如果正确使用这些技术，他们能够极大的提高CRM系统的功能。此外，他们还覆盖了CRM光谱的两端：门户网站增强操作型CRM的功能，神经网络增加分析型CRM的能力。使用这些技术，发挥他们最大潜力的诀窍是要知道什么时候使用他们、什么时候停止使用他们而依靠人为接触和经验。成功的最大秘诀是以最适当的比例组合人力和技术资源。

IT168