CRM与数据仓库概述
数据仓库 概述
引子
• 如今的管理人员都了解，无论他们的核心业务是什么，他们 都从事着“ 信息业务”。他们所作出的决策对其结果有直接 的影响。高效利用信息去管理和影响决策过程的企业将获得 巨大的竞争优势 。 • 面向事务处理的强大信息系统已十分常见，它们使全球各地 的企业拉开了档次,如果企业需要在行业中领先，他们就需要 能够重新发现和应用现有信息的分析型系统 。 …… • 分析系统可以深入分析当前浩如烟海的数据，寻找基于事 实， 有意义而且可行的信息 。
概述
• NCR公司为WalMart建立了第一个数据仓库 • 加拿大的IDC公司调查了多家实现了数据仓库的欧美企业， 结果表明：数据仓库为企业提供了巨大的收益。 • IBM的实验室在数据仓库方面已经进行了10多年的研究， 并将研究成果发展成为商用产品。 • 其他数据库厂商在数据仓库领域也纷纷提出了各自的解决 方案。
数据仓库
• 教学方式
– 以课堂教学为主，以电子教案的内容为主线 – 课外阅读指定的参考文献并利用网上资源，加 深对教学内容的理解 – 上机实习
数据仓库
• 考核方式及要求
– 撰写课程论文一篇
• 课程论文的内容不仅包括数据仓库与数据挖掘的综 述，而且应包括对某一方面深入的分析、独立的见 解或实际应用。 • 课程论文的格式按照正式发表学术论文的要求，篇 幅一般可大于正式发表的论文。
– 上机实习 – 笔试
数据仓库
• 教材及参考书
– 《Building the Data Warehouse》， W. H. Inmon，机械工业出版社（Fourth Edition） – 数据仓库基础 【美】Paulraj Ponniah 电子工 业出版社 – 因特网上有关参考资料和文献 – 学术刊物上有关论文
CRM客户关系管理-系统介绍
案例－－选择接触渠道
葡萄酒 飞机票 饭店住宿券 鲜花 公债 个人电脑 音乐CD 别墅 旧房 新汽车 股票 专业书籍 一般书籍
商品完整度大
葡萄酒 别墅
一般书籍 音乐CD
飞机票、饭 店住宿券 股票 专业书籍 个性化PC 鲜花
新汽车
个人电脑 公债
问 题 解 决 度 大
1、问候客户 2、认真听取客户需求 3、引导客户回答问题
1、根据客户情况决定服务级别 2、根据服务政策决定服务 方式（上门、送修、寄修 、有偿服务、电话应答）
信息员信息传送
信息传送确保不丢失, 不超过15分钟
热线工程师与用户电话联系
判断问题 确定服务方式
电话解决 信息填写
服务信息由信息 协调员15分钟内 转交维修协调员
工程师与客户联系 工程师准备工具、领取备件 协调员准备备件 备件 申请
工程师到达现场服务
一定要向客户讲明原因
维修完成 送修流程
维修未完成 约定再次上门服务 疑难问题升级
客户验机恢复现场 服务记录填写、用户签字
服务单注明二次服务及原因
1、返回后要及时返回备件、 服务单 2、更换后的备件一定要贴 上故障标签
旧房
营业－销售自动化
（邮寄、传真、电邮）→OCR →电子商务
电话→电脑电话整合、（网站互动、聊天）→电子商务
二.业务功能
营销模块 销售模块 客户服务模块 呼叫中心模块 电子商务模块
1.业务功能－－营销模块
目标：对直接市场营销活动加以计划、执行、监 视和分析。 该模块所能实现的主要功能 ：
系统、应用问题 技术主管
接口人定位问题 反馈品管部 与产品部协作
组织相关测试
数据仓库知识点总结
数据仓库知识点总结一、数据仓库概念数据仓库是一个用来集成、清洗、存储和管理企业数据的系统，以支持企业决策制定、分析和商业智能服务。
它是一个面向主题的、集成的、时间性的、非易失的数据集合，用于支持企业决策。
数据仓库是企业数据管理的重要组成部分，它与操作型数据处理系统相辅相成。
数据仓库以不同的视角和角度组织数据，帮助企业管理者对企业整体情况进行全面分析和评估。
二、数据仓库的特点1. 面向主题：数据仓库与传统数据库相比，更加侧重对业务应用的支持，主要面向业务应用的主题而不是基本事务数据，以方便企业管理者进行更好的分析和决策。
2. 集成性：数据仓库集成了来自不同数据源的数据，将数据统一管理，并且进行了数据清洗和转换，确保数据的一致性和准确性。
3. 时态性：数据仓库中的数据具有时间性，可以保存历史数据，能够支持分析历史数据的趋势和变化。
4. 非易失性：数据仓库中的数据不会丢失，可以持久保存，并且根据需要定期备份，确保数据的安全和可靠。
5. 大数据量和复杂性：数据仓库通常包含大量的数据，并且数据之间的关系复杂，需要采用专门的数据模型和处理方法来管理和分析。
6. 以支持决策为目标：数据仓库的目标是为企业管理者提供数据支持，帮助他们更好地了解企业的经营状况和趋势，以支持企业决策。
三、数据仓库架构数据仓库架构包括了多个重要组成部分，主要包括数据提取、数据清洗、数据转换、数据加载、元数据管理和数据查询分析等。
1. 数据提取：数据提取是指从各个数据源中将需要的数据提取出来，数据源可以包括企业内部的数据库、文件系统、应用系统等，也可以包括外部数据源，如公共数据等。
2. 数据清洗：数据清洗是指对提取的数据进行清洗和规范，包括去重、校验、纠错、转换等处理，以确保数据的准确性和一致性。
3. 数据转换：数据转换是指对清洗后的数据进行格式转换、相关联和整合，以便于数据仓库的统一管理和分析。
4. 数据加载：数据加载是将转换后的数据载入数据仓库中，通常包括全量加载和增量加载两种方式，以确保数据的及时性和准确性。
CRM中数据仓库的研究与应用
定 的 目标 ， Ｒ 系统 必 须 对 行 为分 析 、 Ｃ Ｍ 重点 客 户发
现 过程 和市 场策 略进 行 评 估． 些 性 能评 估 都 是 以 这
客 户所 提供 的市 场反 馈 为基 础 的． 能分 析 至 少具 性
数据 仓库 是一 个面 向 主题 的 、 集成 的 、 相对稳 定
的 、 映 历 史 变 化 的 数 据 集 合 ， 于 支 持 管 理 决 反 用
策口 ． ］ 整个数 据仓 库 系统是一 个 包含 数据 源 、 据 的 数 存储 与管 理 、 Ｌ Ｏ ＡＰ服 务 器 和 前端 工 具 ４个 层 次 的 体 系结构 ．
备 以下 功能 ： 针对 每 个 市 场 目标 设 计 一 系列 评 估模 板 ， 企业 能及 时跟踪 市场 的变 化 ， 使 同时在这 些模板 中 ， 出一些 统计 指标 来度量 市场 活动 的效率 ． 给 这些
［ 章编 号 ］１ ０ —４ ８ （０ ８ ０ —０ ３０ 文 ０ ３ ６ ４ ２０ ）３０ ２—３
Ｃ ＲＭ 中数 据仓库 的研究 与应用
刘 靓 ，陈 定 方 ，祖 巧 红
（ 汉 理 工大 学智 能制 造 与控 制研 究 所 ，湖 北 武 汉 ４ ０ ８ ） 武 ３ ０ １
［ 摘 要 ］介 绍 了 Ｃ Ｍ 和数 据仓 库技 术 的 有 关 概 念 以 及 数 据 仓 库 维 度 建 模 的方 法 ， Ｒ 在数 据仓 库理 论 的基 础 上
（ ｕ ｔｍｅ ｅａｉｎ ｈｐ Ｍ ａ ａ ｅ ｎ ， 客 户 关 系 Ｃ ｓｏ ｒＲ ｌｔ ｓ ｉ ｏ ｎ ｇ ｍｅ ｔ 即
管理 ） 是迎 合这 种 需求 而迅 猛 发展 的 一种 新 的管 就 理理 念． 有效 实施 Ｃ Ｍ 功能 ， 须建 立 在 客户 数 据 Ｒ 必 的集 成 之上 ， 通过 各种 接触 点获得 客户 的数 据 ， 成 集 到 企业数 据库 中 ， 利用 各种方 法分 析数 据 ， 最后 产生
数据仓库的描述
数据仓库的描述数据仓库是一种技术性的建模工具，它可以为企业提供有用的信息，有助于实现组织的商业目标。
近年来，由于企业对数据分析的日益重视，数据仓库的需求也在不断增长。
这里，我将介绍数据仓库的概念、特征以及建造方法。
一、念数据仓库是一种特殊的数据库，它用于存储和管理组织的历史数据，有助于组织实现其商业目标。
它是一个集中的，统一的，完整的数据存储库，它被设计成可以满足决策支持系统的要求。
数据仓库通常包括一个大型的数据库，用于存储组织数据。
这些数据可以是历史数据、实时数据、混合数据或经过处理的数据。
它们可以从不同的数据源中提取，例如企业资源计划系统（ERP）、交易处理系统（TPS）、会计系统等。
二、特征数据仓库具有以下特点：（1）集中：数据仓库可以把企业的数据集中存放在一起，减少数据的冗余，提高数据的准确性。
（2）统一：数据仓库可以将来自不同数据源的数据统一进行分类和管理，提高数据的一致性和可比性。
（3）完整：数据仓库在存储数据时，可以把企业的所有历史数据都存储起来，从而支持更好地决策分析。
（4）可靠：数据仓库可以提供可靠和弹性的数据存储，可以不受客观环境的影响，充分保护企业数据的安全。
（5）可扩展性：数据仓库可以根据企业业务的发展情况，对数据存储进行扩容，以满足企业对数据存储的需求。
（6）可分析性：数据仓库可以支持复杂的数据分析，例如商业智能、数据挖掘和机器学习等，可以提供企业更有效的决策分析支持。
三、建造方法建造数据仓库通常需要经过以下步骤：（1）数据收集：收集并清洗企业信息，将企业的业务数据以结构化的形式存储在数据仓库中。
（2）数据整合：将企业的来自不同部门的数据进行整合，以满足数据仓库的需求。
（3）数据质量：定义数据的质量指标，对数据仓库中的数据进行检查，以确保数据的准确性。
（4）数据建模：根据组织的业务需求，使用结构化概念技术（SDT）来建模数据，以便于后续数据分析。
（5）数据应用：利用数据仓库中的数据，以及运用数据挖掘和机器学习等技术，为企业提供决策支持。
数据仓库概要设计
数据仓库概要设计数据仓库（Data Warehouse）是指把企业分散在不同数据库中的数据统一整合到一个数据库中进行存储和管理，并对这些数据进行分析和管理的一种数据库应用系统。
数据仓库的建设是企业信息化建设的重要组成部分，是企业对内部外部信息资源进行整合、挖掘和利用最有效的平台之一。
因此，进行数据仓库的概要设计是非常重要的一步。
1.数据仓库概述数据仓库，是一个能够存储大量历史数据的集合体，使得企业能够快速地进行数据分析、查询和决策。
数据仓库通常包括存储、管理和查询技术。
数据仓库的设计是基于自底向上的过程，通过收集各种应用中的数据来建立。
数据仓库的需求分析是设计的第一个步骤，通过需求分析可以把握到数据的来源、数据的主要特征、数据的处理方法、数据的处理效果等。
2.数据仓库的工作过程a.数据的收集数据收集的目的是获取各个分散在企业内部外部的数据源，并把这些数据源整合成数据集。
数据收集包括了跟踪源数据、数据的标准化、数据的清洗、数据的转换等。
b.数据的整合数据整合意味着将不同的数据源集成到一起，通常是通过ETL工具来实现。
ETL（Extract, Transform, Load）工具的主要功能是提取、转换和加载。
c.数据的存储数据仓库的存储方式一般有两种：关系型数据库和非关系型数据库。
d.数据的查询与分析数据仓库的用户可以通过BI工具（Business Intelligence）来进行数据的查询、分析和报表生成。
3.数据仓库的概要设计步骤a.数据仓库设计的第一步是需求分析，需求分析的目的是明确数据仓库的目标、范围和需求。
需求分析应该包括数据仓库的使用者、数据仓库所需数据的类型、数据的来源、数据的质量要求等。
b.数据仓库的概念设计是在需求分析的基础上，开始进行数据仓库的抽象模型的设计。
概念设计包括了数据仓库的模型设计、元数据的设计等。
c.数据仓库的逻辑设计是在概念设计的基础上，开始进行数据仓库的逻辑结构的设计。
数据仓库概念汇总
MDD 多维数据库（Multi-Dimensional Database ，MDD）可以简单地理解为：将数据存放在一个 n 维数组中，而
不是像关系数据库那样以记录的形式存放。因此它存在大量稀疏矩阵，人们可以通过多维视图来观察数据。多维 数据库增加了一个时间维，与关系数据库相比，它的优势在于可以提高数据处理速度，加快反应时间，提高查询 效率。
库或数据仓库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、易被理解的模式。
KPI 企业关键业绩指标(KPI：Key Process Indication)是通过对组织内部流程的输入端、输出端的关键参数进行设
置、取样、计算、分析，衡量流程绩效的一种目标式量化管理指标，是把企业的战略目标分解为可操作的工作目 标的工具，是企业绩效管理的基础。
效指标(KPIs)等先进信息技术和管理理论为基础的战略管理的工具，在财务、客户、内部流程和学习与发展四个维 度上进行综合绩效评测，帮助企业从整体上实现对战略实过程的贯彻和控制。
BPR 业务流程重整（Business Process Reengineering），指利用数据仓库技术，发现并纠正企业业务流程中的弊
严格遵照 Codd 的定义，自行建立了多维数据库，来存放联机分析系统数据的 Arbor Software，开创了多维数 据存储的先河，后来的很多家公司纷纷采用多维数据存储。被人们称为 Multi-Dimension OLAP，简称 MOLAP，代 表产品有 Hyperion(原 Arbor Software)Essbase、Showcase STRATEGY 等。 ODS
对于数据仓库的概念我们可以从两个层次予以理解，首先，数据仓库用于支持决策，面向分析型数据处理， 它不同于企业现有的操作型数据库；其次，数据仓库是对多个异构的数据源有效集成，集成后按照主题进行了 重组，并包含历史数据，而且存放在数据仓库中的数据一般不再修改。
数据仓库 的名词解释
数据仓库的名词解释数据仓库的名词解释数据仓库（Data Warehouse）是指一个用于存储、整合和管理企业各个部门产生的大规模数据的集中式数据库系统。
它主要用于支持企业决策制定、战略规划以及业务分析。
数据仓库的设计和构建需要考虑数据的采集、转换、加载以及存储等多个方面，以确保数据的准确性和可用性。
一、数据仓库的基本概念数据仓库是一个面向主题的、集成的、时间一致的、非易失的数据集合，用于支持企业决策制定和业务分析。
它将来自不同数据源的数据进行抽取、转换和加载，形成一个统一的、易于查询和分析的数据源。
数据仓库的特点：1. 面向主题：数据仓库以主题为中心，将数据按照主题进行组织和存储，以满足不同部门和用户的信息需求。
2. 集成：数据仓库将来自不同数据源的数据进行整合，消除了数据冗余和不一致性。
3. 时间一致性：数据仓库中的数据是按照一致的时间标准进行存储和管理的，以支持历史数据分析和趋势预测。
4. 非易失性：数据仓库中的数据一旦存储，不会轻易被删除或修改，以确保数据的可追溯性和可靠性。
二、数据仓库的架构和组成部分数据仓库的架构通常包括数据采集、数据转换、数据加载、数据存储和数据查询等几个关键组成部分。
1. 数据采集：数据仓库的数据采集涉及到从各个数据源中提取和抽取数据的过程。
这些数据源可以是企业内部的关系型数据库、操作型数据源，也可以是外部的数据源，如Web数据、日志数据等。
数据采集可以通过ETL（Extract、Transform、Load）工具进行，在此过程中可以对数据进行清洗、转换和加工。
2. 数据转换：数据采集后，需要进行数据转换的操作，将采集到的数据进行整合和规范化。
这包括数据清洗、数据集成、数据变换等一系列处理，以确保数据的一致性和质量。
3. 数据加载：数据加载是将经过转换的数据加载到数据仓库中的过程。
数据加载可以是全量加载，也可以是增量加载。
在加载过程中，还可以对数据进行校验和验证，以确保数据的准确性和完整性。
数据仓库名词解释
数据仓库名词解释数据仓库是一个面向主题的、集成的、稳定的、直接面向最终用户的数据集合，用于支持企业决策制定、分析和决策支持系统。
数据仓库是一个独立的数据存储和管理系统，其目标是针对企业中各个部门的数据进行整合、清洗、加工和建模，从而提供一套一致、可信、易于访问和理解的数据，帮助用户进行数据分析和企业决策。
以下是一些与数据仓库相关的重要概念和名词的解释：1. 数据集成：将来自不同数据源的数据整合到数据仓库中，包括内部和外部数据源。
2. 数据清洗：数据清洗是指通过一系列的操作，消除数据中的错误、重复、缺失和不一致的部分，提高数据的质量。
3. 数据加工：对数据进行转换、聚合、计算和抽取，以满足用户的特定需求和分析目的。
4. 主题：数据仓库的主题是指根据企业的业务需求而组织起来的数据类别或领域，例如销售、人力资源、供应链等。
5. 元数据：元数据是描述数据的数据，包括数据的源头、结构、定义、关系等。
元数据对于数据仓库的管理和使用非常重要。
6. 维度：维度是数据仓库中描述主题的属性，如时间、地理位置、产品、客户等，用于分析和查询。
7. 度量：度量是数据仓库中可以计量和比较的数据，如销售额、利润、客户数量等。
8. 星型模式：星型模式是一种常见的数据仓库建模技术，其中一个中心表（事实表）围绕着多个维度表进行关联。
9. 粒度：粒度是指数据仓库中所记录的事实的详细程度，如日销售额、月销售额、年销售额等。
10. OLAP（联机分析处理）：OLAP是一种针对多维数据进行快速查询和分析的技术，通过透视表、图表和报表等方式展现数据。
11. ETL（抽取、转换和加载）：ETL是数据仓库中的核心过程，用于从源系统中抽取数据，通过转换和加工后加载到数据仓库中。
12. 决策支持系统：决策支持系统是通过利用数据仓库中的数据和分析工具，辅助管理层做出决策的信息系统。
数据仓库在企业中扮演着重要的角色，它能够提供一致、准确的数据，帮助企业决策者进行数据分析和制定决策。
客户管理系统CRM的数据管理与分析
根据销售预测结果，制定相应的销售目标、预算和计划，并监控销售业绩，及时 调整策略以提高销售效果。
客户生命周期价值分析
客户价值评估
通过CRM数据，分析客户的购买行为、消费习惯和忠诚度等 ，评估客户的当前价值和潜在价值。
客户生命周期管理
根据客户价值评估结果，制定相应的客户维护、挽留和增值 策略，提高客户生命周期价值。
数据可视化
通过数据可视化工具，将复杂的数据以直观的方 式呈现，帮助企业更好地理解客户需求和市场趋 势。
数据挖掘
利用大数据分析技术，深入挖掘客户数据中的潜 在价值，为企业提供更精准的市场定位和营销策 略。
AI与机器学习在CRM数据分析中的应用
自动化预测
01
利用机器学习算法，自动预测客户行为和市场趋势，为企业提
供决策支ቤተ መጻሕፍቲ ባይዱ。
个性化推荐
02
基于客户数据和行为，利用AI技术实现个性化推荐，提高客户
满意度和忠诚度。
智能客服
03
通过自然语言处理技术，实现智能客服功能，提高客户服务质
量和效率。
数据隐私与安全的新挑战
数据加密与安全存储
随着数据价值的提升，数据加密和安全存储技术将成为CRM系 统的必备功能。
数据脱敏与匿名化
功能
CRM系统通常包括市场营销管理、销售管理、服务管理、客户数据管理和分析 等功能模块。
CRM的重要性
提高客户满意度和忠诚度
通过提供一致的、个性化的客户体验， CRM系统有助于提高客户满意度和 忠诚度。
优化销售和市场营销流程
CRM系统能够整合销售和市场营销 流程，提高工作效率，实现精准营销。
降低客户服务成本
客户管理系统（CRM的数据管理与 分析
《客户关系管理(第2版)》第八讲：CRM软件系统与应用
王广宇：《客户关系管理》
数据仓库在CRM系统中的应用
王广宇：《客户关系管理》
CRM与数据仓库
70年代出现并被广泛应用的关系型数据库技术，为解决企业的信息 问题提供了强有力的工具。数据库技术的应用为企业更好的利用自身 的客户和业务信息提供了工具，同时也为计算机应用发展到为企业提 供决策参考和支持功能做好的准备。 经过多年的计算机应用和市场积累，许多商业企业已保存了大量原 始数据和各种业务数据，这些数据真实地反映了商业企业主体和各种 业务环境的经济动态，然而由于缺乏集中存储和管理，这些数据不能 为本企业进行有效的统计、分析和评估提供帮助，也就是说无法将这 些数据转化成企业有用的信息。
王广宇：《客户关系管理》
呼叫中心的发展方向
企业可以根据用户多少，平均呼叫次数以及企业性质、业务收 入等情况，选择不同的呼叫中心系统。系统的大小一般按提供多 少个业务代表座席来区分。超过100个座席代表的称为大型呼叫 中心，某些全球型跨国公司和企业的服务系统座席高达上千人， 这种呼叫中心一般配臵庞大，投资很高。座席代表在50～100之 间的称为中型系统，这种系统结构相对简单，投资也少，容易被 中、小企业所接受，可以省掉大型交换机的投资，主要适合业务 量不太大的中、小型企业。 2003年全球呼叫中心服务市场的总收入为586亿美元。IDC分析 认为未来复合增长率超过20%，总的呼叫中心市场或分成三个部 分：咨询、系统集成和外包。企业对具有各种客户售后服务系统， 尤其是对呼叫中心的需求越来越强烈。
企业收集客户资料、了解客户需求的关键渠道。企业利用呼叫中 心可以全面地接近市场和客户的需求。呼叫中心收集到客户的基本 资料、偏好与关心的议题，帮助企业建立客户资料库作为分析市场 消费倾向；可以收集客户的抱怨与建议，作为改善产品及服务品质 的重要依据；企业还可通过呼叫中心的各渠道来了解市场的动向， 提早协调后台活动单位来调整市场营销活动等等。
数据仓库在CRM中的应用
的 方法 寻找 相 同的记录 ，进行 客
户 匹 配 。 来 自 不 同 信 息 源 的 客 户 的 地 方 信 息所共 同具有 的客户信 息 片断 地 址 解
可 以 用 来 进 行 客 户 匹 配 ， 如 电 话 进 行 合
号 码 、 姓 名 和 地 址 等 。 在 此 过 程
２、
是 否 发 生 了 变 化 ， 需 要 比 较 进 行
能 力 很 弱 。 主 要 目 标 是 为 ＯＬＡＰ 其
ＣＲＭ 中 的 客 户 数 据 仓 库 是 逐 服 务 ， 而 不 是 记 录 详 细 的 客 户 数
匹 配 的客 户 记 录 的信 用 卡 号 码 、 出 渐 更 新 的 ， 而 不 是 一 次 性 完 全 更 据 。 后 者 则 可 以 满 足 一 些 特 殊 需 生 日 期 和 地 址 。通 过 聚 类 和 匹 配 ， 新 的 。 这 主 要 基 于 两 个 方 面 的 原 求 ， 但 不 能 提 供 通 常 的 建 设 和 维 如 果 发 现 了 几 个 相 同 的 匹 配 记 录 ， 因 ： 数 据 仓 库 所 利 用 的 信 息 源 中 护 数 据 仓 库 的 功 能 ， 即 没 有 提 供 就 需 要 对 这 些 记 录 进 行 合 并 ， 以 的 历 史 数 据 经 过 一 段 时 间 后 可 能 数 据 抽 取 、 数 据 载 入 和 更 新 、 元
务 ，与 客 户 建 立 起 长 期 、稳 定 、相 及 到 ＣＲＭ 如 何 与 企 业 现 有 的 系 统 数 据 的 集 成 互 信 任 的 密 切 关 系 ， 为 企 业 吸 引 进 行 连 接 的 问 题 。 目 前 一 种 普 遍 ＣＲＭ 客 户 数 据 仓 库 的 建 立 需
是 指 通 过 有 效 地 管 理 客 户 信 息 资 想 成 功 实 施 ＣＲＭ 首 先 必 须 把 这 些 个 方 面 的 因 素 ： 源 ， 为 客 户 提 供 满 意 的 产 品 和 服 分 散 的 客 户 信 息 集 成 起 来 ， 这 涉 １ 、ＣＲＭ 中 的 客 户 提 供 竞 争 优 的 做 法 是 将 ＣＲ 与 数 据 仓 库 相 结 要 把 企 业 内 外 的 客 户 数 据 集 成 起 Ｍ
客户关系管理第九章 CRM中的数据仓库与数据挖掘
一、数据挖掘在证券行业中的应用
（三）风险防范 通过对资金数据的分析，可以控制营业风险，同时可以改变公
司总部原来的资金控制模式，并通过横向比较及时了解资金情况， 起到风险预警的作用。
（四）经营状况分析 通过数据挖掘，可以及时了解营业状况、资金情况、利润情况、
客户群分布等重要的信息。并结合大盘走势，提供不同行情条件下 的最大收益经营方式。同时，通过对各营业部经营情况的横向比 较，以及对本营业部历史数据的纵向比较，对营业部的经营状况作 出分析，提出经营建议。
一、数据挖掘在证券行业中的应用
（一）客户分析 建立数据仓库来存放对全体客户、预定义客户群、某个客户的
信息和交易数据，并通过对这些数据进行挖掘和关联分析，实现面 向主题的信息抽取。
1.对客户的需求模式和盈利价值进行分类，找出最有价值和盈 利潜力的客户群，以及他们最需要的服务，更好地配置资源，改进 服务，牢牢抓住最有价值的客户。
一、数据挖掘的基本定义
简单地说，数据挖掘是从大量的数据中，抽取 出潜在的，有价值的知识、模型或规则的过程。
数据挖掘的功能大体可分为以下几种： 1.分类 2.聚类 3.关联分析 4.概念描述 5.孤立点分析 6.演变分析
二、在CRM中应用数据挖掘
随着客户信息的日趋复杂，客户数据的大量积累，分 析大量复杂的客户数据，挖掘客户价值，发现客户行 为趋势，理解客户对企业的真正价值，用全生命周期 的观点来分析客户关系是企业成功的关键因素，这些 恰恰要依赖数据挖掘。
《CRM系统介绍》课件
通过AI算法，CRM系统将能够根据客户的喜好和行为，提供个性化的产品和服务推荐。
智能助手
AI技术将为CRM系统带来智能助手功能，帮助销售和服务团队快速解决问题，提升客户 满意度。
云计算与CRM系统
01
云端部署
随着云计算技术的成熟，CRM系统将更多地采用云端部署方式，降低
企业IT成本和维护难度。
02
弹性扩展
云计算的弹性扩展特性使得CRM系统能够随着企业规模的扩大而灵活
地增加功能和存储空间。
03
实时协作
基于云计算的CRM系统将支持多用户实时协作，提升团队效率，加强
部门之间的信息共享和沟通。
06
CRM系统案例分享
某电商公司应用CRM系统提升客户满意度
总结词
通过实施CRM系统，该电商公司实现了客户信息的集中管理，提高了客户满意度 和忠诚度。
销售管理模块
01
02
03
销售机会管理
记录销售机会的进展情况 ，包括潜在客户的发现、 意向沟通、产品推荐等。
销售订单管理
处理销售订单，记录订单 信息，如产品、数量、价 格、交货期等，并跟踪订 单执行情况。
销售业绩分析
分析销售人员和团队的销 售业绩，提供数据支持， 以便进行销售策略调整和 激励。
市场营销管理模块
提升服务质量
服务流程管理
01
CRM系统可以优化服务流程，提高服务效率，降低服务成本。
知识库管理
02
CRM系统可以建立知识库，方便服务人员快速查找解决方案，
提高服务质量。
服务质量监控
03
CRM系统可以对服务质量进行监控和评估，帮助企业发现问题
，及时改进服务。
数据仓库的基本概念
数据仓库的基本概念随着信息化时代的到来，数据的积累和应用越来越广泛，数据仓库作为企业数据管理的重要手段，也受到了越来越多的关注。
数据仓库是一种面向主题、集成、稳定、随时可用的数据集合，为企业决策提供了可靠的数据支持。
本文将从数据仓库的基本概念、架构、设计和实现等方面进行探讨。
一、数据仓库的基本概念1.1 数据仓库的定义数据仓库是一个面向主题、集成、稳定、随时可用的数据集合，为企业决策提供可靠的数据支持。
它是一个面向决策支持的数据集成、管理和分析平台，主要用于支持企业的决策制定和业务分析。
1.2 数据仓库的特点（1）面向主题：数据仓库是针对某个主题的数据集合，这个主题可以是企业的销售、市场、客户、产品等。
数据仓库以主题为导向，提供了全面、一致的数据视图，帮助企业深入了解业务。
（2）集成：数据仓库是从多个数据源中集成数据而成，可以包括企业内部的各种数据系统，也可以包括外部的数据源。
数据仓库的集成性使得企业可以从不同的角度来看待业务，更好地进行分析。
（3）稳定：数据仓库提供了稳定的数据环境，数据的结构和内容都是经过精心设计和维护的。
这使得企业可以放心地使用数据仓库中的数据，而不必担心数据的质量和可靠性问题。
（4）随时可用：数据仓库提供了随时可用的数据访问服务，任何人都可以在任何时间、任何地点通过合适的工具来访问数据仓库中的数据。
这为企业的决策制定和业务分析提供了极大的便利。
1.3 数据仓库的目的数据仓库的主要目的是为企业的决策制定和业务分析提供可靠的数据支持。
通过数据仓库，企业可以深入了解业务，发现业务规律，预测业务趋势，从而更好地制定决策和调整业务战略。
二、数据仓库的架构2.1 数据仓库的架构模型数据仓库的架构模型主要包括三层，即数据源层、数据仓库层和数据应用层。
数据源层是指数据仓库所需要的各种数据源，包括企业内部的各种数据系统和外部的数据源；数据仓库层是指数据仓库的存储和管理层，包括数据仓库的数据模型、数据仓库的物理存储结构、数据抽取、转换和加载以及数据仓库的维护和管理；数据应用层是指数据仓库的应用层，包括数据仓库的查询、报表、分析、挖掘等应用。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
5.1.1 数据仓库的产生
• 早期的数据库主要支持联机事务处理 • 决策支持对数据分析的需求 • 传统数据库系统不适宜DSS
① 事务处理和分析处理的性能特性不同 ② 数据集成问题 ③ 数据动态集成问题 ④ 历史数据问题 ⑤ 数据的综合问题 ⑥ 操作繁简问题
路漫漫其悠远
（1）事务处理和分析处理的性能特性不同。
路漫漫其悠远
数据仓库概念的两个层次
• 功能上：数据仓库用于支持决策，面向 分析型数据处理，它不同于企业现有的 操作型数据库；
• 内容和特征上：数据仓库是对多个异构 的数据源有效集成，集成后按照主题进 行了重组，并包含历史数据，而且存放 在数据仓库中的数据一般不再修改。
路漫漫其悠远
数据仓库四个特点-面向主题
5.3 客户关系管理数据仓库的实施 5.4 客户关系管理数据仓库试验
5.4.1 客户关系管理数据仓库设计试验 5.4.2 客户关系管理数据仓库使用试验
路漫漫其悠远
5.1 数据仓库概述
• 数据仓库与CRM有着难以割舍的密切关系，客户关 系管理的很多工作都是以数据仓库为基础展开的。 从某种意义上说，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的分析与预测， 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。
• 数据仓库的数据从联机的事务处理系统、异构的外部数据 源、脱机的历史业务数据中得到。它是一个联机的系统， 专门为分析统计和决策支持应用服务，通过它可满足决策 支持和联机分析应用所要求的一切。
路漫漫其悠远
5.1.2 数据仓库的概念和特征
• 目前，数据仓库一词尚没有一个统一的定义。 • 著名的数据仓库专家W.H.Inmon在其著作
路漫漫其悠远
（5）数据的综合问题。 • 在事务处理系统中积累了大量的细节数据，一
般而言，DSS并不对这些细节数据进行分析。 在分析前，往往需要对细节数据进行不同程度 的综合。而事务处理系统不具备这种综合能力， 根据规范化理论，这种综合还往往因为是一种 数据冗余而加以限制。
路漫漫其悠远
（6）操作繁简题。 • 业务数据的模式是针对事务处理系统而
CRM与数据仓库概述
路漫漫其悠远
2020/3/31
第5章 CRM与数据仓库
5.1 数据仓库概述
5.1.1 数据仓库的产生 5.1.2 数据仓库概念及特征 5.1.3 数据仓库的内容 5.1.3 数据仓库系统的体系结构
5.2 客户关系管理中的数据仓库
5.2.1 客户关系管理需要数据仓库 5.2.2 客户关系管理中数据仓库的作用 5.2.3客户关系管理数据仓库的系统结构
路漫漫其悠远
（3）数据动态集成问题。 • 静态集成的最大缺点在于，如果在数据集成后
数据源中数据发生了变化，这些 变化将不能 反映给决策者，导致决策者使用的是过时的数 据。集成数据必须以一定的周期（例如24小时） 进行刷新，我们称其为动态集成。显然，事务 处理系统不具备动态集成的能力。
路漫漫其悠远
（4）历史数据问题。 • 事务处理一般只需要当前数据，在数据库中一般也是
设计的，数据的格式和描述方式并不适 合非计算机专业人员进行业务上的分析 和统计。
路漫漫其悠远
• 有人感叹：20年前查询不到数据是因为数据太少了，而今 天查询不到数据是因为数据太多了。
• 要提高分析和决策的效率和有效性，分析型处理及其数据 必须与操作型处理及其数据相分离。必须把分析型数据从 事务处理环境中提取出来，按照DSS处理的需要进行重新组 织，建立单独的分析处理环境，数据仓库正是为了构建这 种新的分析处理环境而出现的一种数据存储和组织技术。
《Building the Data Warehouse》一书中给 予如下描述： • 数据仓库（Data Warehouse）是一个面向主题 的（Subject Oriented）、集成的 （Integrate）、相对稳定的（NonVolatile）、反映历史变化（Time Variant） 的数据集合，用于支持管理决策。
• 所有联机事务处理强调的是数据更新处理性能和系统的可 靠性，并不关心数据查询的方便与快捷。在事务处理环境 中，用户的行为特点是数据的存取操作频率高而每次操作 处理的时间短。
• 在分析处理环境中，用户的行为模式与此完全不同，强调 的是数据处理和分析的能力。在传统数据库系统基础上的 DSS应用程序可能需要连续几个小时，从而消耗大量的系 统资源。
• 联机分析和事务处理对系统的要求不同，同一个数据库在 理论上难以做到两全，将具有如此不同处理性能的两种应 用放在同一个环境中运行显然是不适当的。
路漫漫其悠远
（2）数据集成问题。 • DSS需要集成的数据。全面而正确的数据是
有效的分析和决策的首要前提，相关数据收 集得越完整，得到的结果就越可靠。当前绝 大多数企业内数据的真正状况是分散而非集 成的。 • 造成这种分散的原因有多种，主要有事务处 理应用分散、“蜘蛛网”问题、数据不一致 问题、外部数据和非结构化数据。
存储短期数据，切不同数据的保存期限也不一样，即 使有一些历史数据保存下来了，也被束之高阁，未得 到充分利用。但对于决策分析而言，历史数据是相当 重要的，许多分析方法必须一大量的历史数据为依托。 没有历史数据的详细分析，是难以把握企业的发展趋 势的。DSS对数据在空间和时间的广度上都有了更高的 要求，而事务处理环境难以满足这些要求。
• 传统的数据库是面向应用而进行数据组织的，其抽象程度不够高， 没有完全实现数据与应用的分离。但这种方式能较好地将企业业 务活动与数据库模式相对应，利于从手工处理向计算机处理过渡， 因而具有较好的可操作性；数据仓库是面向主题而进行数据组织 的。主题是一个在较高层次上对数据的抽象，在逻辑意义上，它 是对企业中某一宏观领域所涉及的分析对象，即将数据组织成主 题域。例如，在银行经营运作中，业务(存款、贷款、汇兑)、货 币、客户、机构、会计科目是其主要构架或方向，因此在银行业 务数据仓库中，选择业务、货币、客户、机构、会计科目五个主 题，并将会计科目作为连接其他四个主题的交易主题进行处理。