客户关系管理建模

不同行业的CRM内容是不一样，因此在深入研究制造业、服务、金融、电信等行业客户关系管理的不同点，借鉴其他行业客户关系管理经验的基础上，提出了综合消费品、工业品及汽车制造业的管理需求的，体现制造业特点的客户关系管理模型，如图所示：

今天的客户会随着自身的发展经常改变类别。此外，新的客户细分类别也在不断涌现。因此，各个公司必须具备能够动态地修改和不断增加细分类别的能力。

借助于数据挖掘的聚类和决策树技术，营销人员可以对客户进行动态细分，从而大大提升营销效率，增 强营销效果。

交叉和增值销售目的是最大化现有客户的利润回报，将企业同客户的关系向深度和广度拓展,为现有客户提供新的产品或服务，或者提供价值更高的产品。

数据挖掘的任务是分析出最优的合理的销售匹配。可利用的技术有CART决策树算法和神经网络，也可利用规则导引预测客户在买了某一样产品之后，在多久之内会买另一样产品等等，从而更有效决定产品的推荐、不同时间的进货量与存货量等，还可以用来评估促销活动的成效。

企业的增长和发展壮大需要不断赢取新客户，赢取新客户是“说服”潜在的客户购买你的产品或服务，是客户关系建立阶段。并非所有人都会对你的产品或服务感兴趣，因此在进行各种“说服”或“兜售”之前，必须首先确定哪些是值得你努力的潜在客户。

数据挖掘的任务就是建立客户反应行为预测模型。预测潜在的客户群。市场人员可把潜在客户名单和客户感兴趣的优惠措施对应起来，然后才和客户接触，提高市场活动的响应率，做到心中有数，有的方矢。

目的是“留住”那些可能流失的客户。现在各个行业的竞争都越来越激烈，企业获得新客户的成本正不断地上升，获得新客户的成本大约是留住现有客户的6-8倍。

数据挖掘的任务就是分析那些流失客户（即原先是企业客户，后来却转成竞争对手的保留客户）的行为，建立预测模型。通过预测模型在现有客户数据中找出可能流失的客户，然后采取一些相应措施预防客户流失。数据挖掘技术中的CART和其他一些决策树如CHAID和C4.5都可以运用在此。也可以通过神经网络，根据客户的消费行为与交易记录，对客户忠诚度进行得分排序，从而根据不同的流失率等级配合不同的经营管理对策。但神经网络产生的模型，很难对客户的流失原因有深入的了解。

数据挖掘的任务是分析和预测不同市场活动情况下客户利润回报能力及其变化，企业可据此制定最佳的市场策略。可利用客户背景分析找出客户的一些共同的特征，通过这种办法深入了解客户，并通过聚类分析对客户进行分群，再通过模式分析预测潜在黄金客户，看哪些人可能成为我们的高利润回报的客户，以此帮助营销人员找到正确的行销对象，从而降低成本，提高市场销售的成功率。

客户背景分析。了解客户背景资料，有助于企业对客户的分析，从而结合更好的对重要客户、潜在客户和现有客户制定客户策略。数据挖掘可以从大量，表面无关的客户信息中发现许多对商家有用的模式。

客户满意度、忠诚度分析。 分析客户对企业产品和服务的满意度，可以帮助企业改进客户营销策略，从而增加客户的忠诚度。数据挖掘可从零散的客户反馈信息中，分析客户的满意度和忠诚度。通过提高客户的满意度和忠诚度，提升企业的获利能力。