客户关系管理（CRM）在初期是偏重流程的，我们可以称之为流程型CRM。所谓流程型CRM，是指对市场、销售、服务等方面，也是企业的前端管理的业务流程进行重新规划和调整，以最佳的工作方法来获得最好的效果。无论是销售自动化（SFA）也好，还是利用呼叫中心的交互式客户关怀（Interactive Customer Care）也好，都比较注重流程的管理，例如销售过程的管理、代理的管理、员工的管理、服务请求的回复管理等等。在CRM从无到有的过程中，流程型的软件产品对整个产业起到了非常重要的作用。正如我们在60%的实施项目中重点关注的问题一样，通过系统应用，我们主要解决的是围绕客户信息进行的各个部门的协同工作，其中最重要的解决了以下的问题：
如何收集客户信息？
谁来收集客户信息？
收集什么样的客户信息？
与某个客户相关的所有信息是否是整合的？
每一个与客户打交道的人员是否都了解公司其他人与客户的联络？
公司前端管理的每个部门是否都建立起"以客户为中心"的理念？
对不同的客户是否能够提供不同的服务？
对于多数已经和正在考虑应用CRM的企业来说，这是不可或缺的步骤，通过流程型CRM的应用，在企业上下将CRM的概念和基础数据的采集从无到有地建立了起来。但是，很快，在大量的客户数据积累起来之后，对数据的分析将成为重担。因此，作为CRM的专业软件提供商，TurboCRM正在研究并已经在某些行业提供不同于OLAP（online analytical processing在线分析方法）的专门工具来进行数据分析。
具有强大的分析功能的CRM的主要应用方式如下：
1． 能够统计大量的客户信息并支持对客户进行多维的特征分析；
在某些行业中，例如：金融、保险、电信、传媒、零售等行业的客户数据量是庞大的。要对这些客户数据进行分析，要求分析工具必须能够处理大量的客户信息。TurboCRM与亚信最近联手开发的向中国电信某省数据局提供的CRM解决方案中，客户数据量达到百万级。而且，每个客户的属性描述包括地址、年龄、性别、证件号码、收入、职业、教育程度等多个字段。系统必须能够支持对这样多维的组合性的分析，可以快速给出符合分析条件的客户名单和数量。在分析型CRM中，速度成为重要的衡量指标，在对海量的数据进行分析的时候，速度的要求几乎是第一位的。
2． 能够处理复杂的数据并支持对客户进行行为分析；
由于在上述提到的行业中通常已经具备业务系统，对于现有客户的最初的信息来源也是现有的业务系统，因此，更有意义的分析是结合客户信息对某一类客户群的消费行为进行分析。这要求CRM中的分析工具可以从多个数据库中抓取并形成复杂的data cube。在此基础上，我们可以分析某类客户的消费行为，例如：电信行业可以分析经常打漫游电话的人群具备什么样的客户特征；年龄在30岁左右，月收入在5000以上的女性是否是长途电话消费主体，她们的通话习惯时段是从几点到几点；是否周末的长途漫游消费有明显不同于周日的特征等等。行为分析是比特征分析更为复杂的分析，因为它涉及到行业知识和分析模型的结合。
3． 具有自定义的建模方式和参数调整的功能；
除了特征分析和行为分析，预测正在日益成为强大的分析功能必须提供的应用。在详细了解了消费行为之后，很自然地，我们会想到对数据的参数进行某些调整，例如，价格的变化，如果调整周末的消费费率，对整体收入会带来什么影响？如果我们着力吸引那些能够带来高价值的客户，那么初期的投入应当在什么范围内？客户的消费点临近什么值得时候开始成为"正利润"客户？其生命周期至少要在多长时间以内才具有成为"忠诚客户"的潜力？现有的模型分析很大程度上是为企业的市场研究和分析人员提供，有助于他们能够更理性地制定市场细分策略。
4． 能够进行融合了人工智能的数据挖掘。
客户信息的录入和储存方式是数据（data），但是，对于决策者来讲，独立的单个的数据的意义并不大，更重要的是信息（information）和知识（knowledge）。现有的数据挖掘方法已经能够支持进行按照内置逻辑语言进行归纳和演绎。例如，根据模型数据，系统建议以达成最高利润为目标进行的价格优化政策。输入抽样调查的道的测试数据，可以根据呼出电话的反馈率、直邮的反馈率、电视广告反馈率、巡展的反馈率等数据确定最佳的市场活动模式，以最低的成本获得最好的市场活动效果。
综上所述，对分析型数据库的需求可以总结为下表：
分析型CRM功能 CRM应用和考虑内容1．多渠道的数据源和整合(Aggregate multi-access of data) · 整合现存放在不同数据库中相互关联的原始数据； · 能够进行关联性的查询； · 对大数据量的查询速度要求较高，因此必须进行移动和联接大量数据和实时处理数据的速度之间的平衡 2．对历史数据进行分析(Multi-dimensional analysis of historical data) · 从历史数据中选择不同的角度考察消费行为； · 评估客户价值，细分客户群； · 利用数据验证行业经验； · 针对不同的客户群发掘消费特点； · 定期地将原始数据抓取到与运营系统分离的数据仓库中并完成分析图表，可以有效地降低等待时间； · 平衡分析的灵活自定义和分析结果的反馈速度； 3．收益/客户消费预测(Predictive revenue/consumer forecast) · 建立数据模型，对不同的客户群预测消费量； · 调整重要参数，估计对收益或利润的影响； · 对市场活动的效果进行预测； · 从不同的纬度进行知识发现； 4．优化方法(Optimization method) · 利用数据模型进行优化，适合确立价格策略； · 通过设置商业规则，进行复杂的市场划分 · 平衡市场活动的费用和效益； · 采用AI（人工智能）方法验证行业经验；
理解业务：最初的阶段，着眼于了解业务特点，并把它还原成为数据分析的条件和参数。例如：在零售行业中，我们的第一个步骤是了解客户购买的频率，购买频率和每次消费金额之间是否有明显的相关关系。
分析数据：这个阶段着眼于对现有的数据进行规整。我们发现，在不少行业中，可分析的数据和前面提出的分析目标是不匹配的。例如：消费者的月收入水平可能与许多购买行为相关，但是，原始的数据积累中却不一定具备这些数据。对这一问题的解决方法是从其它的相关数据中进行推理，例如，通过抽样调查，我们发现，一次性购买大量卫生纸的客户，其月收入水平集中在1000-3000RMB的档次，如果这一结论基本成立，我们可以从消费习惯中推理出现有客户有多大的百分比是月收入水平在这个档次中的；另外，可以根据抽样调查的方法，在问卷调查的基础上推理整个样本人群的收入水平曲线。
数据准备：这个阶段的着眼点是转换、清理和导入数据，可能从多个数据源抽取并加以组合，以形成data cube。对于缺失的少量数据，是用均值补齐，还是忽略，还是按照现有样本分配，这是在这个阶段需要处理的问题之一。
建模：现在已经有各种各样的模型方法可以利用。让最好的一种应用于我们要着眼的主要问题中，是这个阶段的主要任务。例如，对于利润的预测是否应当采用回归方式预测，预测的基础是什么？这些问题需要行业专家和数据分析专家协商并达成共识。
评估：已经建成的模型是否可以有效地完成工作？很好的一个评估方法是利用不同的时间段，让系统对已经发生的消费情况进行预测，然后比较预测结果和实际状况，这样模型的评估就容易进行了。
应用：完成了上述的步骤之后，多数的分析工具都支持保存并重复应用已经建立起来的模型。更为重要的是，在这个过程中，对数据分析的方法和知识应当已经由客户方的市场分析人员或决策者所了解，我们提供的，不仅仅是最终结果，而且是获得这一结果的方法。
最后，在软件架构方面，我们认为：分析数据库与运营数据库应当是分离的，避免影响运营数据库在操作方面的的实时响应速度。其结构如下图所示：
有数据表明，往往是20%的顾客为企业带来了80％的利润，但如何寻找这20％的客户，并为他们提供更优质的服务，却成了企业管理者的一块心病。分析性CR可以解决这个问题，它和数据仓库、数据分析、模型建立等技术相结合，必将有力的促进企业的经营决策，从而发现更加有价值的客户，并为他们提供更好的服务。
