第五章
电子商务企业管理 方案
客户关系管理
供应链管理
商务智能
客户关系管理简述
CRM(Customer Relationship
Management,客户关系管理 )，是正在兴起
的一种旨在健全、改善企业与客户之间关系的
新型管理系统
CRM核心思想是以, 客户为中心,,提高客户
满意度，改善客户关系，从而提高企业的竞争
力
对 CRM的定义，目前还没有一个统一的表述。
但就其功能来看,CRM是通过采用信息技术，
使企业市场营销、销售管理、客户服务和支持
等经营流程信息化，实现客户资源有效利用的
管理软件系统
需求的拉动的冲击
来自销售人员的声音
来自营销人员的声音
来自服务人员的声音
来自顾客的声音
来自经理人员的声音
技术的推动
管理理念的更新
业务流程的重组（ BPR）
客户的重要性日益突出
网络化市场的主动权在客户方
CRM的产生
Internet和电子商务
多媒体技术
数据仓库和数据挖掘
人工智能和专家系统
呼叫中心及相应的硬件系统
专业咨询 真正的 CRM应做到
让客户更方便（ Convenient）
让客户更亲切（ Care）
让客户更觉个性化（ Personalized）
实时反应（ real-time response）
CRM作为解决方案
CRM的主要内容
客户分析
企业对客户的承诺
客户信息交流
一良好的关系留住客户
客户反馈管理
CRM系统组成
客户概况（ Profiling） 分析子系统
客户利润（ Profitability） 分析子系统
客户性能（ Performance） 分析子系统
客户产品（ Product） 分析子系统
客户忠诚度（ Persistency） 分析子系统
客户未来（ Prospecting） 分析子系统
客户促销（ Promotion） 分析子系统
CRM主要内容
CRM与 ERP的关系
客户关系管理模型
客户关系管理的功能主要分为四大部分,
客户信息管理, 整合记录企业各部门、每个人所接
触的客户资料，并进行统一管理
市场营销管理：制订市场推广计划，并对各种渠道
接触的客户进行记录、分类和辨识，提供对潜在客
户的管理，并对各种市场活动的成效进行评价
销售管理：包括对销售人员电话销售、现场销售、
销售佣金等管理，支持现场销售人员的移动通信设
备或掌上电脑接入
服务管理与客户关怀：功能包括产品安装档案、服
务请求、服务内容、服务网点、服务收费等管理信
息，详细记录服务全程进行情况
CRM的典型功能
IBM的 CRM解决方案
CRM解决方案的功能主要有三类,
接入管理, 用来管理客户和企业进行交
互的方式
CRM流程管理, CRM流程管理代表着与销
售、服务、支持和市场相关的业务流程的
自动化，主要包括销售自动化,服务送
达,产品支持 和市场自动化
关系管理,使用数据挖掘 /数据仓库和复
杂的分析功能,贯穿于 CRM解决方案关系
管理的全过程，并具有全面的客户观念和
客户忠诚度衡量标准和条件
IBM CRM的主要内容
客户关系管理
供应链管理
商务智能
SCM概念
供应链（ supply chain） 定义为相互间
通过提供原材料、零部件、产品、服务
的厂家、供应商、零售商等组成的网络
供应链管理（ Supply Chain Management）
则是对供应链中的信息流、物流和资金
流进行设计、规划和控制，从而增强竞
争实力，提高供应链中各成员的效率和
效益
SCM帮助管理人员有效分配资源，最大限
度提高效率和减少工作周期
SCM与 ERP
供应链管理 (SCM)应用是在企业资源管理
(ERP)的基础上发展起来的
ERP从概念上而言仅是对企业内部的资源
进行调配与平衡
SCM被作为 ERP的外延和补充提出来，
因为 SCM不仅包括资源接收、生产制造
过程的管理，还涉及产品交付过程 等管理
ERP是着重在交易处理（ Transaction
Base） 的层面,SCM软件则着重在规划
层面，而且它是从供应链的角度思考作整
个供应链的管理
SCM的功能
订购管理：管理客户各种订购情况, 如
订货, 收货, 付款与否等
需求管理：从市场动态预测客户需求,
以及材料补给计划等
供给管理：管理材料供应商的供给情况,
如库存情况, 价格, 供给能力等
制造管理：管理产品的状况, 如生产线,
生产量, 物流管理等
供应链流程观
周期的观点
推拉的观点
Dell供应链的推 /拉流程
Oracle供应链管理系统主要包括,
供应链计划
供给管理
物料管理
销售定单管理
售后客户服务
质量管理
Oracle的供应链管理方案
客户关系管理
供应链管理
商务智能
核心业务与电子商务紧密结合
面向客户
个性化服务
商业智能
快速反应
智能电子商务的特征
如果数据是金钱，商务智能可以,.,
Existing Data Assets
产品或服务分析
降低成本 分析利润 发现销售机会
目标市场 /动态区隔
P = R - C
什么是商务智能？
?商务智能指收集、转换、分析和发布数据的过程，
目的是为了更好的决策。
?商务智能是指将数据转化为知识的过程。它包括捕
获和分析信息，交流信息，以及利用这些信息开发
市场。
Data Information Knowledge
商务智能在行业的应用
银行
?客户利润分析
?分支行利润分析
?交叉销售
?信用风险管理
?新产品推销
?收费策略
保险
?欺诈管理
?收费策略
?目标市场活动
?客户挽留
?客户利润分析
零售
?地区 /商店各种货物（品牌，分类
等）销售业绩
?定价和减价
?市场篮子关系
?市场需求预测
?仓储规划
通讯
?客户忠实
?客户流失模式
?客户利润分析
?竞争分析
?欺诈管理
数据仓库技术
联机分析处理技术 OLAP
数据挖掘技术
代理技术
商务智能关键技术
数据仓库
数据仓库的最终目标是把企业范围内的所
有数据集成在一个大仓库中, 让用户能运
行查询, 产生报告, 执行分析
,数据仓库之父, Bill Inmon给的定义,
数据仓库就是一个用以更好地支持企业或组
织的决策分析处理的, 面向主题的, 集成的,
不可更新的, 随时间不断变化的数据集合
数据仓库的特征
面向主题的,主题是一个在较高层次将数据归
类的标准, 每个主题基本对应一个宏观的分析
领域
集成的,允许数据来自于跨组织和部门等不同
数据源；集成的数据必须是一致的, 用户看来
是统一的数据视图
不可更新的,指一旦某个数据进入数据仓库后,
一般情况下将被长期保留 （ 反映历史数据内容 ）
随时间不断变化,库中的信息系统地记录了企
业从过去某一点到目前的各阶段的信息
数据仓库与数据库比较
不同点,
— 依据决策要求，只从数据库中抽取需要的数据,
并进行一定的处理
— 数据仓库是多维的，即数据仓库的数据的组织
方式有多层的行和列
— 支持决策处理（ OLAP）,不同于普通的事务处
理（ OLTP）
需要的数据库知识
— 并行数据库技术：数据量很大
— 高性能的数据库服务器：分析型的应用
— 数据库互操作技术：数据来源多种多样
数据仓库的体系结构
操作型数据源 1 报告查询、应用开发和 EIS 工具
操作型数据源 2 OLAP 工具
n
数据挖掘工具
仓库管理器
元数据 高度综合数据
轻度综合数据
细节数据
集
成
管
理
器
查
询
管
理
器
操作型数据源 n
数据仓库建模 — 星型模式
Example of Star Schema
Date
Month
Year
Date
CustId
CustName
CustCity
CustCountry
Cust
Sales Fact Table
Date
Product
Store
Customer
unit_sales
dollar_sales
Yen_sales
Measurements
ProductNo
ProdName
ProdDesc
Category
QOH
Product
StoreID
City
State
Country
Region
Store
数据仓库建模 — 雪片模式
Date
Month
Date
CustId
CustName
CustCity
CustCountry
Cust
Sales Fact Table
Date
Product
Store
Customer
unit_sales
dollar_sales
Yen_sales
Measurements
ProductNo
ProdName
ProdDesc
Category
QOH
Product
Month
Year
Month
Year
Year
City
State
City
Country
Region
Country
State
Country
State
StoreID
City
Store
Example of Snowflake Schema
操作型（ OLTP） 数据源 --- 销售库
星形模式
时间维
事实表
多维模型
事实
度量
(Metrics)
时间维
时间维的属性
联机事物处理 OLTP系统和数据仓库的比较
O L T P
系统 数据仓库系统
保持当前数据 保持历史数据
存储细节数据 存储细节、轻度综合、高度综合的数据
数据是动态的 数据大体上是静态的
重复处理 即时的、非结构的、启发式的处理
大量事务 少量事务
可预测的使用模式 不可预测的使用模式
事务驱动 分析驱动
面向应用 面向主题
支持日常决策 支持战略决策
服务于大量操作型用户 服务于少数管理用户
典型的数据仓库解决方案
IBM数据仓库解决方案
ORACLE数据仓库解决方案
SAS数据仓库解决方案
…,.,
IBM数据仓库解决方案
建立数据仓库包括以下阶段,
数据抽取阶段：完成对各种数据源的访问
数据转换阶段：完成对数据的清洗, 汇总, 整合
数据分布阶段：完成对结果数据存储的分配
通常此三阶段紧密结合在一个产品中体现
数据仓库的存储：由 DB2家族完成
数据的呈现：由不同产品完成不同的分析要求
管理和维护数据仓库中的数据,
交给 Visual Warehouse
IBM数据仓库解决方案
数据仓库按主题
划分的商务领域
描述性数据 { ·元素·映象·商
务视图 }
操作性数据
外部数据
管理
转换工具
商务视图
商用信息
IBM数据仓库解决方案
前三个阶段 （ 抽取, 转换, 分布 ）,
Visual Warehouse,Data Joiner,
Date Propagator
数据仓库的存储由 DB2家族产品来完成
IBM数据仓库解决方案
数据的呈现,
Approach可进行查询和统计分析
IntelligentDecisionServer支持多维分析
IntelligentMiner用于数据挖掘
用户查找和理解数据仓库中的数据：
DataGuide
ORACLE数据仓库解决方案
ORACLE 数据仓库解决方案是 OracleOLAP 产品。其示意图如下,
OLAP 应用程序
OLAP 工具
OLAP Server
数据源
Oracle
Sales
Analyzer
Oracle
Financial
Analyzer
Oracle
Financial
Controller
第三方
前端工
具
Oracle
Express
Objects
Oracle
Express
Analyzer
Oracle
Express Web
Agent
Oracle
Discoverer
Oracle Express Server
其他传统的和外
部数据库
关系型数据库
管理系统
ORACLE数据仓库解决方案
Oracle Express Server是一个先进的
计算引擎和数据高速缓存
Oracle 的 OLAP工具主要包括 Oracle
Express Objects,Oracle Express
Analyzer和 Oracle Discoverer
ORACLE数据仓库解决方案
Oracle Express Web Agent将 Oracle
Express技术的分析能力和 Web浏览器
的简单性相结合
Oracle Financial Analyzer,Oracle
Financial Controller和 Oracle Sales
Analyzer是 Oracle针对财务和销售而预
制的 OLAP应用
联机分析处理（ OLAP）
60年代，关系数据库之父 E.F.Codd提出了关
系模型，促进了联机事务处理 (OLTP)的发展
(数据以表格的形式而非文件方式存储 )。
1993年,E.F.Codd提出了 OLAP概念，认为
OLTP已不能满足终端用户对数据库查询分析
的需要,SQL对大型数据库进行的简单查询也
不能满足终端用户分析的要求。用户的决策分
析需要对关系数据库进行大量计算才能得到结
果，而查询的结果并不能满足决策者提出的需
求。因此,E.F.Codd提出了多维数据库和多
维分析的概念，即 OLAP。
OLTP数据 OLAP数据
原始数据 导出数据
细节性数据 综合性和提炼性数据
当前值数据 历史数据
可更新 不可更新，但周期性刷新
一次处理的数据量小 一次处理的数据量大
面向应用，事务驱动 面向分析，分析驱动
面向操作人员，支持日 面向决策人员，支持管理需要
常操作
OLTP和 OLAP的区别
定义 1, OLAP(联机分析处理 )是针对特定问题的联机数
据访问和分析 。 通过对信息 (维数据 )的多种可能的观察
形式进行快速, 稳定一致和交互性的存取, 允许管理决
策人员对数据进行深入观察 。
定义 2, OLAP(联机分析处理 ) 是使分析人员, 管理人员
或执行人员能够从多种角度对从原始数据中转化出来的,
能够真正为用户所理解的, 并真实反映企业维特性的信
息进行快速, 一致, 交互地存取, 从而获得对数据的更
深入了解的一类软件技术 。 (OLAP委员会的定义 )
OLAP的目标 是满足决策支持或多维环境特定的查询和报
表需求, 它的技术核心是, 维, 这个概念, 因此 OLAP也
可以说是多维数据分析工具的集合 。
什么是 OLAP？
1.维,是人们观察数据的特定角度, 是考虑问题时的一类
属性, 属性集合构成一个维 (时间维, 地理维等 )。
2.维的层次,人们观察数据的某个特定角度 (即某个维 ) 可
以存在细节程度不同的各个描述方面 (时间维：日期, 月
份, 季度, 年 )。
3.维的成员,维的一个取值 。 是数据项在某维中位置的描
述 。 (,某年某月某日, 是在时间维上位置的描述 )
4.多维数组,维和变量的组合表示 。 一个多维数组可以表
示为,(维 1,维 2,…, 维 n,变量 )。 (时间, 地区, 产
品, 销售额 )
5.数据单元 (单元格 ),多维数组的取值 。 (2000年 1月, 上
海, 笔记本电脑, $100000)
相关基本概念
(1)快速性,用户对 OLAP的快速反应能力有很高的要求 。 系
统应能在 5秒内对用户的大部分分析要求做出反应 。
(2)可分析性,OLAP系统应能处理与应用有关的任何逻辑分
析和统计分析 。
(3)多维性,多维性是 OLAP的关键属性 。 系统必须提供对数
据的多维视图和分析,包括对层次维和多重层次维的完
全支持 …
(4)信息性,不论数据量有多大, 也不管数据存储在何处,
OLAP系统应能及时获得信息, 并且管理大容量信息 。
OLAP特性
多维视图
地 北京
理 多维数据视图
位 上海 99
置 98 年
广州 97 份
彩电 洗衣机 电冰箱
产 品 类 型
98
97
1.超立方结构 (Hypercube)
超立方结构指用三维或更多的维数来描述一个对象,
每个维彼此垂直 。 数据的测量值发生在维的交叉点上,
数据空间的各个部分都有相同的维属性 。 (收缩超立
方结构,这种结构的数据密度更大,数据的维数更少,
并可加入额外的分析维 )。
2.多立方结构 (Multicube)
在多立方结构 (Multicube)中,将大的数据结构分成多
个多维结构 。 这些多维结构是大数据维数的子集,面
向某一特定应用对维进行分割,即将超立方结构变为
子立方结构 。 它具有很强的灵活性,提高了数据 (特别
是稀疏数据 )的分析效率
OLAP多维数据结构
OLAP多维数据分析
对以多维形式组织起来的数据, 采取切
片, 切块, 旋转等各种分析动作, 以求
剖析数据, 使最终用户能从多个角度,
多侧面地观察数据库中的数据
1.切片和切块 (Slice and Dice)
在多维数据结构中,按二维进行切片,按三维进行切
块,可得到所需要的数据 。 如在, 城市, 产品, 时间,
三维立方体中进行切块和切片,可得到各城市, 各产
品的销售情况 。
2.钻取 (Drill)
钻 取 包 含 向 下 钻 取 ( Drill-down) 和 向 上 钻 取
(Drill-up)/上卷 (Roll-up)操作, 钻取的深度与维
所划分的层次相对应 。
3.旋转 (Rotate)/转轴 (Pivot)
通过旋转可以得到不同视角的数据 。
数据分析方法
OLAP的分析方法 (一 )切片、切块
OLAP的分析方法 (二 )钻取
按
时
间
维
向
下
钻
取
按
时
间
维
向
上
钻
取
60
OLAP的分析方法 (三 )旋转
数据组织形式
RDB数据组织 - MDDB数据组织 - 关系表中综合数据的存放
多维数据库中综合数据的存放
产品名称
地区
销售量
冰箱
东北
50
冰箱
西北
60
冰箱
华北
100
彩电
东北
40
彩电
西北
70
彩电
华北
80
空调
东北
90
空调
西北
120
空调
华北
140
东
北
西
北
华
北
冰
箱
50
60
100
彩
电
40
70
80
空
调
90
120
140
产品名称
地区
销售量
冰箱
东北
50
冰箱
西北
60
冰箱
华北
100
冰箱
总和
210
彩电
东北
40
彩电
西北
70
彩电
华北
80
彩电
总和
190
空调
东北
90
空调
西北
120
空调
华北
140
空调
总和
350
总和
东北
180
总和
西北
250
总和
华北
320
总和
总和
750
东北
西北
华北
总和
冰箱
50
60
100
210
彩电
40
70
80
190
空调
90
120
140
350
总和
180
250
320
750
OLAP体系结构
数据集成、转换
数据过滤
? ? ? ? ? ?
用户图形接口
超级立方体 元数据
数据库 数据仓库
数据挖掘（ Data Mining）
数据挖掘 (Data Mining),又称数据库中的知识
发现 (Knowledge Discovery in Database,KDD)，
是指从大型数据库或数据仓库中 抽取出潜在的,
有价值的知识 （ 模型或规则 ） 的过程
数据挖掘的目的：提高市场决策能力；检测异
常模式；在过去的经验基础上预言未来趋势等
数据挖掘不同的术语和定义,data mining,
knowledge discovery,pattern discovery,
data dredging,data archeology,
数据挖掘过程
选择 转换 挖掘 理解
转换后数据
抽取的信息
可理解的信息
选择的数据 数据仓库
数据挖掘过程模型
1,定义商业问题
2,建立数据挖掘模型
3,分析数据
4,准备数据
5,建立模型
6,评价模型
7,实施
数据挖掘和数据仓库
数据源
数据仓库
各分公司数
据集市
分析
数据集市
数据挖掘
数据集市
图 1：数据挖掘库从数据仓库中得出
数据源
数据挖掘库
图 2：数据挖掘库从事务数据库中得出
数据挖掘模式
分类模式
关联模式
顺序模式
聚类模式
回归模式
时间序列模式
分类 （ Classification）
方法,
首先从数据中选出已经分好类的训练集，在该训练集
上运用数据挖掘分类的技术，建立分类模型，对于没
有分类的数据进行分类。
例子,
a,信用卡申请者，分类为低、中、高风险
b.分配客户到预先定义的客户分片
注意,类的个数是确定的，预先定义好的
常用算法,Decision tree induction,Neural networks,
Genetic algorithms,K-Nearest neighbors, Case based
reasoning,Association Rule Model,Decision Cluster model,
Rough set classification model
回归（估值 Estimation）
方法
估值与分类类似，不同之处在于，分类描述的是离散型变
量的输出，而估值处理连续值的输出；分类的类别是确定
数目的，估值的量是不确定的。
例子,
a,根据购买模式，估计一个家庭的孩子个数
b,根据购买模式，估计一个家庭的收入
c,估计 real estate的价值
一般来说，估值可以作为分类的前一步工作。给定一些输
入数据，通过估值，得到未知的连续变量的值，然后，根
据预先设定的阈值，进行分类。例如：银行对家庭贷款业
务，运用估值，给各个客户记分（ Score 0~1）。 然后，
根据阈值，将贷款级别分类。
关联模式
相关性分组或关联规则（ Affinity grouping
or association rules）
两种常用的技术是 关联规则 和 序列模式 。
关联规则是寻找在同一个事件中出现的不同项的相
关性；序列模式寻找的是事件之间时间上的相关性
例子,
a,超市中客户在购买 A的同时，经常会购买 B,即 A
=> B(关联规则 )
b,客户在购买 A后，隔一段时间，会购买 B （ 序列分
析）
聚类（ Clustering）
方法
聚类是对记录分组，把相似的记录在一个聚类
里。聚类和分类的区别是聚类不依赖于预先定
义好的类，不需要训练集。
例子,
a,一些特定症状的聚类可能预示了一个特定的疾
病
b,租 VCD类型不相似的客户聚类，可能暗示成员属
于不同的亚文化群
聚类通常作为数据挖掘的第一步。例如,,哪
一种类的促销对客户响应最好？,,对于这一
类问题，首先对整个客户做聚类，将客户分组
在各自的聚类里，然后对每个不同的聚类，回
答问题，可能效果更好。
数据挖掘典型方法 -神经网络
?一个神经网络划分为输入层, 输出层和隐含层 。 输入层
的每个节点对应一个个的预测变量 。 输出层的节点对应
目标变量, 可有多个 。 在输入层和输出层之间是隐含层
（ 对神经网络使用者来说不可见 ）, 隐含层的层数和每
层节点的个数决定了神经网络的复杂度
? 神经网络常用于两类问题：分类和回归
1
2
3
4
5
6
输入
输出
隐含层
一个神经元网络
数据挖掘典型方法 -决策树
收入
>￥ 40,000
工作时间 >5年
高负债
高风险
低风险
高风险
低风险
否
否
否
是
是
是
一棵简单的决策树
?决策树中最上面的节点称为 根节点, 是整个决策树的
开始 。 每个分支要么是一个新的决策节点, 要么是树的
结尾, 称为 叶子 。 在沿着决策树从上到下遍历的过程中,
在每个节点都会遇到一个问题, 对每个节点上问题的不
同回答导致不同的分支, 最后会到达一个叶子节点 。 这
个过程就是利用决策树进行分类的过程, 利用几个变量
（ 每个变量对应一个问题 ） 来判断所属的类别 （ 最后每
个叶子会对应一个类别 ）
数据挖掘和联机分析处理
OLAP是决策支持领域的一部分 。 传统的查询和
报表工具是告诉你数据库中都有什么 （ what
happened）, OLAP则更进一步告诉你下一步会
怎么样 （ What next）, 和如果我采取这样的
措施又会怎么样 （ What if）
OLAP方法先建立一系列的假设, 然后通过 OLAP
来证实或推翻这些假设来最终得到自己的结论
OLAP分析过程在本质上是一个 演绎推理 的过程
数据挖掘是在数据库中自己寻找模型, 在本
质上是一个 归纳 的过程
数据挖掘和 OLAP具有一定的互补性
代理技术
基于代理技术的电子商务应用
IBM智能商务解决方案
电子商务企业管理 方案
客户关系管理
供应链管理
商务智能
客户关系管理简述
CRM(Customer Relationship
Management,客户关系管理 )，是正在兴起
的一种旨在健全、改善企业与客户之间关系的
新型管理系统
CRM核心思想是以, 客户为中心,,提高客户
满意度，改善客户关系，从而提高企业的竞争
力
对 CRM的定义，目前还没有一个统一的表述。
但就其功能来看,CRM是通过采用信息技术，
使企业市场营销、销售管理、客户服务和支持
等经营流程信息化，实现客户资源有效利用的
管理软件系统
需求的拉动的冲击
来自销售人员的声音
来自营销人员的声音
来自服务人员的声音
来自顾客的声音
来自经理人员的声音
技术的推动
管理理念的更新
业务流程的重组（ BPR）
客户的重要性日益突出
网络化市场的主动权在客户方
CRM的产生
Internet和电子商务
多媒体技术
数据仓库和数据挖掘
人工智能和专家系统
呼叫中心及相应的硬件系统
专业咨询 真正的 CRM应做到
让客户更方便（ Convenient）
让客户更亲切（ Care）
让客户更觉个性化（ Personalized）
实时反应（ real-time response）
CRM作为解决方案
CRM的主要内容
客户分析
企业对客户的承诺
客户信息交流
一良好的关系留住客户
客户反馈管理
CRM系统组成
客户概况（ Profiling） 分析子系统
客户利润（ Profitability） 分析子系统
客户性能（ Performance） 分析子系统
客户产品（ Product） 分析子系统
客户忠诚度（ Persistency） 分析子系统
客户未来（ Prospecting） 分析子系统
客户促销（ Promotion） 分析子系统
CRM主要内容
CRM与 ERP的关系
客户关系管理模型
客户关系管理的功能主要分为四大部分,
客户信息管理, 整合记录企业各部门、每个人所接
触的客户资料，并进行统一管理
市场营销管理：制订市场推广计划，并对各种渠道
接触的客户进行记录、分类和辨识，提供对潜在客
户的管理，并对各种市场活动的成效进行评价
销售管理：包括对销售人员电话销售、现场销售、
销售佣金等管理，支持现场销售人员的移动通信设
备或掌上电脑接入
服务管理与客户关怀：功能包括产品安装档案、服
务请求、服务内容、服务网点、服务收费等管理信
息，详细记录服务全程进行情况
CRM的典型功能
IBM的 CRM解决方案
CRM解决方案的功能主要有三类,
接入管理, 用来管理客户和企业进行交
互的方式
CRM流程管理, CRM流程管理代表着与销
售、服务、支持和市场相关的业务流程的
自动化，主要包括销售自动化,服务送
达,产品支持 和市场自动化
关系管理,使用数据挖掘 /数据仓库和复
杂的分析功能,贯穿于 CRM解决方案关系
管理的全过程，并具有全面的客户观念和
客户忠诚度衡量标准和条件
IBM CRM的主要内容
客户关系管理
供应链管理
商务智能
SCM概念
供应链（ supply chain） 定义为相互间
通过提供原材料、零部件、产品、服务
的厂家、供应商、零售商等组成的网络
供应链管理（ Supply Chain Management）
则是对供应链中的信息流、物流和资金
流进行设计、规划和控制，从而增强竞
争实力，提高供应链中各成员的效率和
效益
SCM帮助管理人员有效分配资源，最大限
度提高效率和减少工作周期
SCM与 ERP
供应链管理 (SCM)应用是在企业资源管理
(ERP)的基础上发展起来的
ERP从概念上而言仅是对企业内部的资源
进行调配与平衡
SCM被作为 ERP的外延和补充提出来，
因为 SCM不仅包括资源接收、生产制造
过程的管理，还涉及产品交付过程 等管理
ERP是着重在交易处理（ Transaction
Base） 的层面,SCM软件则着重在规划
层面，而且它是从供应链的角度思考作整
个供应链的管理
SCM的功能
订购管理：管理客户各种订购情况, 如
订货, 收货, 付款与否等
需求管理：从市场动态预测客户需求,
以及材料补给计划等
供给管理：管理材料供应商的供给情况,
如库存情况, 价格, 供给能力等
制造管理：管理产品的状况, 如生产线,
生产量, 物流管理等
供应链流程观
周期的观点
推拉的观点
Dell供应链的推 /拉流程
Oracle供应链管理系统主要包括,
供应链计划
供给管理
物料管理
销售定单管理
售后客户服务
质量管理
Oracle的供应链管理方案
客户关系管理
供应链管理
商务智能
核心业务与电子商务紧密结合
面向客户
个性化服务
商业智能
快速反应
智能电子商务的特征
如果数据是金钱，商务智能可以,.,
Existing Data Assets
产品或服务分析
降低成本 分析利润 发现销售机会
目标市场 /动态区隔
P = R - C
什么是商务智能？
?商务智能指收集、转换、分析和发布数据的过程，
目的是为了更好的决策。
?商务智能是指将数据转化为知识的过程。它包括捕
获和分析信息，交流信息，以及利用这些信息开发
市场。
Data Information Knowledge
商务智能在行业的应用
银行
?客户利润分析
?分支行利润分析
?交叉销售
?信用风险管理
?新产品推销
?收费策略
保险
?欺诈管理
?收费策略
?目标市场活动
?客户挽留
?客户利润分析
零售
?地区 /商店各种货物（品牌，分类
等）销售业绩
?定价和减价
?市场篮子关系
?市场需求预测
?仓储规划
通讯
?客户忠实
?客户流失模式
?客户利润分析
?竞争分析
?欺诈管理
数据仓库技术
联机分析处理技术 OLAP
数据挖掘技术
代理技术
商务智能关键技术
数据仓库
数据仓库的最终目标是把企业范围内的所
有数据集成在一个大仓库中, 让用户能运
行查询, 产生报告, 执行分析
,数据仓库之父, Bill Inmon给的定义,
数据仓库就是一个用以更好地支持企业或组
织的决策分析处理的, 面向主题的, 集成的,
不可更新的, 随时间不断变化的数据集合
数据仓库的特征
面向主题的,主题是一个在较高层次将数据归
类的标准, 每个主题基本对应一个宏观的分析
领域
集成的,允许数据来自于跨组织和部门等不同
数据源；集成的数据必须是一致的, 用户看来
是统一的数据视图
不可更新的,指一旦某个数据进入数据仓库后,
一般情况下将被长期保留 （ 反映历史数据内容 ）
随时间不断变化,库中的信息系统地记录了企
业从过去某一点到目前的各阶段的信息
数据仓库与数据库比较
不同点,
— 依据决策要求，只从数据库中抽取需要的数据,
并进行一定的处理
— 数据仓库是多维的，即数据仓库的数据的组织
方式有多层的行和列
— 支持决策处理（ OLAP）,不同于普通的事务处
理（ OLTP）
需要的数据库知识
— 并行数据库技术：数据量很大
— 高性能的数据库服务器：分析型的应用
— 数据库互操作技术：数据来源多种多样
数据仓库的体系结构
操作型数据源 1 报告查询、应用开发和 EIS 工具
操作型数据源 2 OLAP 工具
n
数据挖掘工具
仓库管理器
元数据 高度综合数据
轻度综合数据
细节数据
集
成
管
理
器
查
询
管
理
器
操作型数据源 n
数据仓库建模 — 星型模式
Example of Star Schema
Date
Month
Year
Date
CustId
CustName
CustCity
CustCountry
Cust
Sales Fact Table
Date
Product
Store
Customer
unit_sales
dollar_sales
Yen_sales
Measurements
ProductNo
ProdName
ProdDesc
Category
QOH
Product
StoreID
City
State
Country
Region
Store
数据仓库建模 — 雪片模式
Date
Month
Date
CustId
CustName
CustCity
CustCountry
Cust
Sales Fact Table
Date
Product
Store
Customer
unit_sales
dollar_sales
Yen_sales
Measurements
ProductNo
ProdName
ProdDesc
Category
QOH
Product
Month
Year
Month
Year
Year
City
State
City
Country
Region
Country
State
Country
State
StoreID
City
Store
Example of Snowflake Schema
操作型（ OLTP） 数据源 --- 销售库
星形模式
时间维
事实表
多维模型
事实
度量
(Metrics)
时间维
时间维的属性
联机事物处理 OLTP系统和数据仓库的比较
O L T P
系统 数据仓库系统
保持当前数据 保持历史数据
存储细节数据 存储细节、轻度综合、高度综合的数据
数据是动态的 数据大体上是静态的
重复处理 即时的、非结构的、启发式的处理
大量事务 少量事务
可预测的使用模式 不可预测的使用模式
事务驱动 分析驱动
面向应用 面向主题
支持日常决策 支持战略决策
服务于大量操作型用户 服务于少数管理用户
典型的数据仓库解决方案
IBM数据仓库解决方案
ORACLE数据仓库解决方案
SAS数据仓库解决方案
…,.,
IBM数据仓库解决方案
建立数据仓库包括以下阶段,
数据抽取阶段：完成对各种数据源的访问
数据转换阶段：完成对数据的清洗, 汇总, 整合
数据分布阶段：完成对结果数据存储的分配
通常此三阶段紧密结合在一个产品中体现
数据仓库的存储：由 DB2家族完成
数据的呈现：由不同产品完成不同的分析要求
管理和维护数据仓库中的数据,
交给 Visual Warehouse
IBM数据仓库解决方案
数据仓库按主题
划分的商务领域
描述性数据 { ·元素·映象·商
务视图 }
操作性数据
外部数据
管理
转换工具
商务视图
商用信息
IBM数据仓库解决方案
前三个阶段 （ 抽取, 转换, 分布 ）,
Visual Warehouse,Data Joiner,
Date Propagator
数据仓库的存储由 DB2家族产品来完成
IBM数据仓库解决方案
数据的呈现,
Approach可进行查询和统计分析
IntelligentDecisionServer支持多维分析
IntelligentMiner用于数据挖掘
用户查找和理解数据仓库中的数据：
DataGuide
ORACLE数据仓库解决方案
ORACLE 数据仓库解决方案是 OracleOLAP 产品。其示意图如下,
OLAP 应用程序
OLAP 工具
OLAP Server
数据源
Oracle
Sales
Analyzer
Oracle
Financial
Analyzer
Oracle
Financial
Controller
第三方
前端工
具
Oracle
Express
Objects
Oracle
Express
Analyzer
Oracle
Express Web
Agent
Oracle
Discoverer
Oracle Express Server
其他传统的和外
部数据库
关系型数据库
管理系统
ORACLE数据仓库解决方案
Oracle Express Server是一个先进的
计算引擎和数据高速缓存
Oracle 的 OLAP工具主要包括 Oracle
Express Objects,Oracle Express
Analyzer和 Oracle Discoverer
ORACLE数据仓库解决方案
Oracle Express Web Agent将 Oracle
Express技术的分析能力和 Web浏览器
的简单性相结合
Oracle Financial Analyzer,Oracle
Financial Controller和 Oracle Sales
Analyzer是 Oracle针对财务和销售而预
制的 OLAP应用
联机分析处理（ OLAP）
60年代，关系数据库之父 E.F.Codd提出了关
系模型，促进了联机事务处理 (OLTP)的发展
(数据以表格的形式而非文件方式存储 )。
1993年,E.F.Codd提出了 OLAP概念，认为
OLTP已不能满足终端用户对数据库查询分析
的需要,SQL对大型数据库进行的简单查询也
不能满足终端用户分析的要求。用户的决策分
析需要对关系数据库进行大量计算才能得到结
果，而查询的结果并不能满足决策者提出的需
求。因此,E.F.Codd提出了多维数据库和多
维分析的概念，即 OLAP。
OLTP数据 OLAP数据
原始数据 导出数据
细节性数据 综合性和提炼性数据
当前值数据 历史数据
可更新 不可更新，但周期性刷新
一次处理的数据量小 一次处理的数据量大
面向应用，事务驱动 面向分析，分析驱动
面向操作人员，支持日 面向决策人员，支持管理需要
常操作
OLTP和 OLAP的区别
定义 1, OLAP(联机分析处理 )是针对特定问题的联机数
据访问和分析 。 通过对信息 (维数据 )的多种可能的观察
形式进行快速, 稳定一致和交互性的存取, 允许管理决
策人员对数据进行深入观察 。
定义 2, OLAP(联机分析处理 ) 是使分析人员, 管理人员
或执行人员能够从多种角度对从原始数据中转化出来的,
能够真正为用户所理解的, 并真实反映企业维特性的信
息进行快速, 一致, 交互地存取, 从而获得对数据的更
深入了解的一类软件技术 。 (OLAP委员会的定义 )
OLAP的目标 是满足决策支持或多维环境特定的查询和报
表需求, 它的技术核心是, 维, 这个概念, 因此 OLAP也
可以说是多维数据分析工具的集合 。
什么是 OLAP？
1.维,是人们观察数据的特定角度, 是考虑问题时的一类
属性, 属性集合构成一个维 (时间维, 地理维等 )。
2.维的层次,人们观察数据的某个特定角度 (即某个维 ) 可
以存在细节程度不同的各个描述方面 (时间维：日期, 月
份, 季度, 年 )。
3.维的成员,维的一个取值 。 是数据项在某维中位置的描
述 。 (,某年某月某日, 是在时间维上位置的描述 )
4.多维数组,维和变量的组合表示 。 一个多维数组可以表
示为,(维 1,维 2,…, 维 n,变量 )。 (时间, 地区, 产
品, 销售额 )
5.数据单元 (单元格 ),多维数组的取值 。 (2000年 1月, 上
海, 笔记本电脑, $100000)
相关基本概念
(1)快速性,用户对 OLAP的快速反应能力有很高的要求 。 系
统应能在 5秒内对用户的大部分分析要求做出反应 。
(2)可分析性,OLAP系统应能处理与应用有关的任何逻辑分
析和统计分析 。
(3)多维性,多维性是 OLAP的关键属性 。 系统必须提供对数
据的多维视图和分析,包括对层次维和多重层次维的完
全支持 …
(4)信息性,不论数据量有多大, 也不管数据存储在何处,
OLAP系统应能及时获得信息, 并且管理大容量信息 。
OLAP特性
多维视图
地 北京
理 多维数据视图
位 上海 99
置 98 年
广州 97 份
彩电 洗衣机 电冰箱
产 品 类 型
98
97
1.超立方结构 (Hypercube)
超立方结构指用三维或更多的维数来描述一个对象,
每个维彼此垂直 。 数据的测量值发生在维的交叉点上,
数据空间的各个部分都有相同的维属性 。 (收缩超立
方结构,这种结构的数据密度更大,数据的维数更少,
并可加入额外的分析维 )。
2.多立方结构 (Multicube)
在多立方结构 (Multicube)中,将大的数据结构分成多
个多维结构 。 这些多维结构是大数据维数的子集,面
向某一特定应用对维进行分割,即将超立方结构变为
子立方结构 。 它具有很强的灵活性,提高了数据 (特别
是稀疏数据 )的分析效率
OLAP多维数据结构
OLAP多维数据分析
对以多维形式组织起来的数据, 采取切
片, 切块, 旋转等各种分析动作, 以求
剖析数据, 使最终用户能从多个角度,
多侧面地观察数据库中的数据
1.切片和切块 (Slice and Dice)
在多维数据结构中,按二维进行切片,按三维进行切
块,可得到所需要的数据 。 如在, 城市, 产品, 时间,
三维立方体中进行切块和切片,可得到各城市, 各产
品的销售情况 。
2.钻取 (Drill)
钻 取 包 含 向 下 钻 取 ( Drill-down) 和 向 上 钻 取
(Drill-up)/上卷 (Roll-up)操作, 钻取的深度与维
所划分的层次相对应 。
3.旋转 (Rotate)/转轴 (Pivot)
通过旋转可以得到不同视角的数据 。
数据分析方法
OLAP的分析方法 (一 )切片、切块
OLAP的分析方法 (二 )钻取
按
时
间
维
向
下
钻
取
按
时
间
维
向
上
钻
取
60
OLAP的分析方法 (三 )旋转
数据组织形式
RDB数据组织 - MDDB数据组织 - 关系表中综合数据的存放
多维数据库中综合数据的存放
产品名称
地区
销售量
冰箱
东北
50
冰箱
西北
60
冰箱
华北
100
彩电
东北
40
彩电
西北
70
彩电
华北
80
空调
东北
90
空调
西北
120
空调
华北
140
东
北
西
北
华
北
冰
箱
50
60
100
彩
电
40
70
80
空
调
90
120
140
产品名称
地区
销售量
冰箱
东北
50
冰箱
西北
60
冰箱
华北
100
冰箱
总和
210
彩电
东北
40
彩电
西北
70
彩电
华北
80
彩电
总和
190
空调
东北
90
空调
西北
120
空调
华北
140
空调
总和
350
总和
东北
180
总和
西北
250
总和
华北
320
总和
总和
750
东北
西北
华北
总和
冰箱
50
60
100
210
彩电
40
70
80
190
空调
90
120
140
350
总和
180
250
320
750
OLAP体系结构
数据集成、转换
数据过滤
? ? ? ? ? ?
用户图形接口
超级立方体 元数据
数据库 数据仓库
数据挖掘（ Data Mining）
数据挖掘 (Data Mining),又称数据库中的知识
发现 (Knowledge Discovery in Database,KDD)，
是指从大型数据库或数据仓库中 抽取出潜在的,
有价值的知识 （ 模型或规则 ） 的过程
数据挖掘的目的：提高市场决策能力；检测异
常模式；在过去的经验基础上预言未来趋势等
数据挖掘不同的术语和定义,data mining,
knowledge discovery,pattern discovery,
data dredging,data archeology,
数据挖掘过程
选择 转换 挖掘 理解
转换后数据
抽取的信息
可理解的信息
选择的数据 数据仓库
数据挖掘过程模型
1,定义商业问题
2,建立数据挖掘模型
3,分析数据
4,准备数据
5,建立模型
6,评价模型
7,实施
数据挖掘和数据仓库
数据源
数据仓库
各分公司数
据集市
分析
数据集市
数据挖掘
数据集市
图 1：数据挖掘库从数据仓库中得出
数据源
数据挖掘库
图 2：数据挖掘库从事务数据库中得出
数据挖掘模式
分类模式
关联模式
顺序模式
聚类模式
回归模式
时间序列模式
分类 （ Classification）
方法,
首先从数据中选出已经分好类的训练集，在该训练集
上运用数据挖掘分类的技术，建立分类模型，对于没
有分类的数据进行分类。
例子,
a,信用卡申请者，分类为低、中、高风险
b.分配客户到预先定义的客户分片
注意,类的个数是确定的，预先定义好的
常用算法,Decision tree induction,Neural networks,
Genetic algorithms,K-Nearest neighbors, Case based
reasoning,Association Rule Model,Decision Cluster model,
Rough set classification model
回归（估值 Estimation）
方法
估值与分类类似，不同之处在于，分类描述的是离散型变
量的输出，而估值处理连续值的输出；分类的类别是确定
数目的，估值的量是不确定的。
例子,
a,根据购买模式，估计一个家庭的孩子个数
b,根据购买模式，估计一个家庭的收入
c,估计 real estate的价值
一般来说，估值可以作为分类的前一步工作。给定一些输
入数据，通过估值，得到未知的连续变量的值，然后，根
据预先设定的阈值，进行分类。例如：银行对家庭贷款业
务，运用估值，给各个客户记分（ Score 0~1）。 然后，
根据阈值，将贷款级别分类。
关联模式
相关性分组或关联规则（ Affinity grouping
or association rules）
两种常用的技术是 关联规则 和 序列模式 。
关联规则是寻找在同一个事件中出现的不同项的相
关性；序列模式寻找的是事件之间时间上的相关性
例子,
a,超市中客户在购买 A的同时，经常会购买 B,即 A
=> B(关联规则 )
b,客户在购买 A后，隔一段时间，会购买 B （ 序列分
析）
聚类（ Clustering）
方法
聚类是对记录分组，把相似的记录在一个聚类
里。聚类和分类的区别是聚类不依赖于预先定
义好的类，不需要训练集。
例子,
a,一些特定症状的聚类可能预示了一个特定的疾
病
b,租 VCD类型不相似的客户聚类，可能暗示成员属
于不同的亚文化群
聚类通常作为数据挖掘的第一步。例如,,哪
一种类的促销对客户响应最好？,,对于这一
类问题，首先对整个客户做聚类，将客户分组
在各自的聚类里，然后对每个不同的聚类，回
答问题，可能效果更好。
数据挖掘典型方法 -神经网络
?一个神经网络划分为输入层, 输出层和隐含层 。 输入层
的每个节点对应一个个的预测变量 。 输出层的节点对应
目标变量, 可有多个 。 在输入层和输出层之间是隐含层
（ 对神经网络使用者来说不可见 ）, 隐含层的层数和每
层节点的个数决定了神经网络的复杂度
? 神经网络常用于两类问题：分类和回归
1
2
3
4
5
6
输入
输出
隐含层
一个神经元网络
数据挖掘典型方法 -决策树
收入
>￥ 40,000
工作时间 >5年
高负债
高风险
低风险
高风险
低风险
否
否
否
是
是
是
一棵简单的决策树
?决策树中最上面的节点称为 根节点, 是整个决策树的
开始 。 每个分支要么是一个新的决策节点, 要么是树的
结尾, 称为 叶子 。 在沿着决策树从上到下遍历的过程中,
在每个节点都会遇到一个问题, 对每个节点上问题的不
同回答导致不同的分支, 最后会到达一个叶子节点 。 这
个过程就是利用决策树进行分类的过程, 利用几个变量
（ 每个变量对应一个问题 ） 来判断所属的类别 （ 最后每
个叶子会对应一个类别 ）
数据挖掘和联机分析处理
OLAP是决策支持领域的一部分 。 传统的查询和
报表工具是告诉你数据库中都有什么 （ what
happened）, OLAP则更进一步告诉你下一步会
怎么样 （ What next）, 和如果我采取这样的
措施又会怎么样 （ What if）
OLAP方法先建立一系列的假设, 然后通过 OLAP
来证实或推翻这些假设来最终得到自己的结论
OLAP分析过程在本质上是一个 演绎推理 的过程
数据挖掘是在数据库中自己寻找模型, 在本
质上是一个 归纳 的过程
数据挖掘和 OLAP具有一定的互补性
代理技术
基于代理技术的电子商务应用
IBM智能商务解决方案
