任何软件或技术的使用,终究是为了解决企业存在的各种问题,特别是那些靠手工或人脑记忆无法处理的复杂业务问题。

CRM作为一种系统的策略和工具,它试图解决所有营销活动中出现的各种难题,诸如目标营销、客户细分、客户保留、欺诈检测、关联分析、信用风险评估、客户盈利能力分析、业绩分析和需求预测以及流程和质量控制等等。CRM解决这些业务问题的出发点,就是建立起来正确而有效的模型。建模技术在CRM中是一种相当重要的方法,要想实现从数据、信息到知识的转化,解决最为关键的业务问题,建模是不可或缺的。通常的建模方法会用于以下领域。

1. 进行客户细分

为了做一些初步的客户细分，你至少必须知道你的客户的姓名、地址、年龄及性别。然而,传统的营销细分方法——如人口统计法、心理描绘法、几何统计法和行为聚类法等——在某些企业中仅仅开始试用，但还远远不够。如果你使用传统的细分方法，这些数据并不能准确地反映特定客户的详细信息。例如,仅仅拥有某些特定类型家庭的大致情况,并不能代表该家庭每个成员以及他们可能具有的特殊的行为方式。

能对未来行为进行可靠预言的，实际上依靠的还是过去的行为。所以,交易数据加上交互信息是必不可少的。要培育这样一种文化：即不停地收集特定客户的信息，从而增强你的客户信息数据库。每一次偶然情况都应被视为发现附加信息的另一次机会。这些针对客户关系的信息，才构成了一个公司真正财富的基础。客户细分是CRM的一个初始性方法,在拥有足够的客户数据基础上,你可以采取任何参数和导向来进行细分,无论是采用传统方法,还是根据利润贡献度、忠诚度和价值变化的方法,CRM都能使我们在构建模型的基础上,将客户细分到个体的方方面面。

2. 进行客户保留

向忠诚的客户开展营销，通常不需要花任何额外的费用。忠诚客户总倾向于获得更多的服务并尝试新的服务。他们不断增长的数量,就是你一笔稳定的年金(annuity)。你可以管理满足他们需求的服务成本，而且,他们还为你充当市场口头宣传员的角色。对你的客户是谁建立精深的洞察力，然后开发并使用模型来预见哪些客户可能“背叛”(defect)，这样就可以达成客户保留管理。通过使用这些模型，加上利润潜力模型，你就可以作出正确的决策：哪些客户是应该予以保留的。你也可以查一查他们个人利润改善的潜力，从而作出怎样满足他们需求的决策。

经验表明，聚焦于客户保留的公司在保留水平上有很大的改善，保留了多达35%的通常会“背叛”的客户。其中关键在于发现了客户行为的一些变化，它们显示了潜在的“背叛”可能——地址的变更、通常的信用宽度被取消、发出抱怨、账户余额降低——然后采取一定措施去防止潜在的损失。然而，保证这种行为成功获利的关键,在于能够根据现在的或潜在的利润标准正确评价哪个客户值得保留。运用建模技术，可以从知识数据库中发现：客户在他们实际离开的好几个月之前就已经决定“背叛”了 。因而，应该及时辨别他们的行为，并在他们作出决定前，而不必等到背叛后，就要弄清楚他们的潜在利润价值，这点非常重要。

强有力的证据表明，客户使用的产品越多，客户保留的可能性就越大。许多模型表明,

将近75%的“背叛”者在离开之前的整整一年里只使用一种产品。预见性建模技术的运用，可以通过区分你针对不同客户需求所提供的不同服务,来达到客户保留的目的。客户保留是一个与目标营销类似的业务问题，两者都建立了倾向(propensity)模型（即表明客户倾向的预测模型）。在这种情况下，该模型通过使用历史数据，来验证具有转向商业对手倾向的客户（而不是倾向于购买一项产品），该数据包含了近期已经“背叛”的和没有“背叛”的客户。然后商业活动将针对这些最有可能“背叛”的客户进行，如果能够获得客户收益信息，那么这些活动将只针对那些高于一定收益水平的客户进行。客户保留也能够从客户细分中受益，为每一个细分的客户开发经过定制的商业活动，这里的每一个细分的客户包含了与背叛成本（失去的利润率×估计的持续寿命）相关的其他类似假定，还包含了为每个细分的客户开发的独立的预测模型。客户保留模型基本包括:

• 对保留客户的主要因素的验证。• 对赢回客户的主要因素和活动方式的验证。

• 对忠实客户的特性的确定。

3. 进行目标营销

从目标营销的角度看，当一种“新”产品或“改进型”产品或服务面世时,客户更有可能被吸引并购买,这是由于这种产品或服务更加时髦或与老产品有关连性所致。可以引用两个典型的商业活动例子来说明这种目标营销的成功之处。第一家银行设计了旨在吸引支票储户提取个人贷款的商业活动,其已知的反应率为1%，而这样的反应率通常就足够支付商业活动的成本了。而第二家银行则运用细分的目标市场,使用客户行为和知识以及详细的历史交易和交互信息来优化投资,即向特定客户提供关于特定产品和服务的特定信息,结果,同样的商业活动产生了3～4%的变更反应率。

现在，CRM将数据仓库运用于目标营销，反应率可以达到20%～25%，而以前最高的不过8%左右。建模技术在目标营销中可以基于细分而得到多种应用。首先,从最近类似的商业活动中分析数据来验证反应良好的客户的特性。一些客户对一个或以上的活动作出反应，而另一些客户没有，应通过开发一种预测模型来验证客户的特性，这种预测模型采用了反映客户平衡样本的修整和测试数据。接着将模型应用到目前客户的数据库中去，根据他们对该商业活动的良好反应的预期倾向为他们作记号。然后从做过记号的数据库中选择那些可能反应良好的客户，并且将目标限定在该商业活动的子集上。其次,在试验邮寄的基础上为新产品建立一个模型。这将包括选择一个随机样本，比如说10万名客户，发邮件给他们介绍新产品，然后根据由试验邮寄得出的数据建立一个预测模型。虽然更加昂贵，但是只有这样才更可能得到一个更加准确的预测模型，因为该数据是最新的，而且与上市的实际产品直接联系在一起。

再次,对基于各种各样的个人和社会经济数据进行客户细分，并且为每一个验证过的细分建立预测模型。这很可能显示，一些细分将比其他的细分具有更高的成功率。对每一个细分的进一步分析也将可能显示变化中的利润率和变化中的客户保留率，然后就可以为每一个细分开发经过修整的营销活动，这里的每个细分包含了其关于平均产品寿命和以个人为单位的月平均利润的更加准确的假定。

4. 进行欺诈检测

数据建模能够以好几种方式应用到欺诈分析和检测的问题上去。与目标营销和客户保留方面手段相似，即涉及开发一个预测模型，这个模型指示客户的欺诈倾向。在这个应用中，与已知的欺诈性客户和非欺诈性客户例子有关的数据得到了分析。可能影响欺诈的因素非常多并必须找出来（如：年龄、性别、本地/外地、租用/购买、欠费金额、12个月平均话费趋势），同时一个模型得以试验（使用神经网络或者规则归纳）和通过使用独立的数据子集得以测试。这个模型就能够被应用于当前的客户数据库，从而为客户的欺诈概率记分，或能够被应用于某些服务的新申请，以预测欺诈的可能性。一个相似的应用可能被保险公司开发用来分析欺诈性保单理赔的特性。以前的理赔数据包括一些特性，如保险类型、车辆类型、保单年限、投保人年龄和投保人邮寄地址。通过使用这些理赔数据，便产生了一个模型，归纳出保单刚生效两星期的年龄在25岁以下的摩托车拥有者有高欺诈倾向。

5. 进行关联分析

在零售行业（在其他行业程度较小），通过验证产品购买的关联性，能够获得有价值的见解。产品购买的关联性，即在同一次交易中不同的产品被一起购买（“购物筐分析”）。如果这种分析正在计划一项家电销售，或者在一次直接的邮寄销售中，由一个目录表销售公司来决定哪种附属物将包括在内，这样的关联分析可以被零售商利用来决定将储存哪种产品。对许多公司来说，这种技术也能够用来验证客户特性（如：用来发现关联规则，如“50～59年龄段的已婚客户中10%的人拥有至少两辆汽车”）。在电信业，这种技术能够验证产品和服务的组合，这种组合驱动网络的使用。数据可视化技术能够提供给该分析一个可选择的或者互补的方法。特别是蜘蛛网图表能够被用来使产品或者其他关联性可视化：每一个被购买的物品在图表上被显示为一个点，任何两个物品的购买关系的强弱程度用连接它们的线的粗细来表示。已经为客户设立忠诚卡，因此拥有客户数据的零售商能够通过得出具有某一种购买习惯的客户的特性，将他们的购物筐分析与客户特性联系在一起。例如，已经验证了某种购买方式或者类型（如：同时购买红酒、糖果和美食家咖啡可以叫做“时髦”的购买类型），客户记录能够以类型属性来分类，然后能够开发（如使用规则归纳）一种分类模型来预测每一种购买类型的特性（如“时髦趋向于25～45岁高收入的女性”）。根据预测的客户购买类型，可以针对客户制定促销活动(例如月账单服务)。

一个完整的过程包括人、工具、活动、转换成信息的数据、特定结果知识的提取和通过关系技术的可视化。