0 引言
客户关系管理CRM系统是以客户为中心，以客户管理、销售管理、客户服务为基础，实现企业面向客户业务流程处理自动化的信息系统。根据CRM业务目标不同，又分为运行型CRM(也叫操作性CRM)和分析型CRM。运行型CRM关注业务流程和过程，分析性CRM关注数据挖掘与分析。由于各个行业的特性不同，CRM系统在各个行业的应用千差万别，其实现方式和目标也完全不同。金融业在我国的发展非常迅速，尤其在近几年，随着金融服务业作为国家的一个行业发展战略，以及上海金融中心的确立，金融业也迅速由量变向质变转变。提高客户忠诚度、完善销售服务体系以及对于数据分析和挖掘的需求，越来越受到重视。
1 数据整合与应用
无论是以哪一种应用为目的的CRM系统，数据是基础，是核心，而数据整合是CRM系统建设的基础。一般在企业建设CRM系统中或者后期，企业已经拥有或者准备建设与企业一些特定业务相关的系统，比如：呼叫中心、网站、客服系统、邮件短信平台等等。CRM系统数据整合的过程，就是将这些系统的数据通过统一的数据引擎，经过采集、转换与处理ETL(Extra Transfer Loading)过程，由分散的数据形成统一的数据视图。
数据整合的意义，不是简单的数据积累，其意义不仅在于统一数据格式、统一数据存放、统一数据利用，还在于动态数据整合过程中，产生了数据分析、数据挖掘的数据基础，为CRM应用提供了数据保障。数据整合与应用示意图如图1所示。
图1 数据整合与应用示意图
由图1可以看出，投资者可以有多种方式与金融企业接触并产生数据，有的有系统支持，有的是通过人工接触的过程记录的数据，这些数据通过统一的数据整合引擎和ETL过程，形成统一的数据视图，包括客户视图、市场拓展信息、销售过程信息、客户服务信息、财务数据以及与客户行业相关的研究报告、行业分析等等。
当然，在实际数据整合过程中，整合的数据不限于与投资者直接产生的关联数据，也包括来自其他系统的间接关联数据，比如资讯系统的相关资讯数据、财务管理系统的预决算和成本数据等等。
2 系统建设关注点
一个系统能够实现的功能很多，也很复杂，但企业要建设一个系统，必然有其最重要的关注点。CRM系统的应用部门或业务条线不同，关注点也就自然不同。市场销售部门关注销售和市场，客服服务部门关注售后服务与客户诉求，而领导更关注企业业务的执行状况和能够进一步改进或拓展的业务方向。要获得能够适合企业内部多部门均可使用、挖掘和分析的数据，可以从业务的关联性分析数据的准确性、一致性、有效性和数据的内在关联性。建设一个易于扩展和支持灵活应用的CRM系统是企业各部门的共同关注点和基础。
2.1 数据整合过程
由异构、异源数据经ETL处理获得具有一定聚合粒度的数据并存储在数据仓库的整合过程大致如图2所示。
图2 数据整合过程
由图2看出，数据整合过程经历了采集、转换、处理、粒度聚合等多个环节。原始数据已经发生了质的变化，这就要求在数据整合过程中，每一次数据的变化都要保证数据的正确性，否则会产生放大效应，数据误差逐级放大。
在实际应用中，不同的系统，即使在同一个金融行业，不同的专业范畴，比如银行、证券、基金等，都有不同的处理手段，来保证数据处理过程的正确性，而不至于数据失真。
2.2 数据关联
数据关联是数据分析的前提条件，只有在数据关联的基础上，才能进行多维度的数据分析。数据关联可以分为横向关联、纵向关联、纬度关联等三种：
1)横向关联。以不同业务类型数据为对象的关联方式，比如客户基本资料与客户交易数据通过账号的关联。
2)纵向关联。以同一种业务类型、来源于不同系统的数据为对象的关联方式，比如：基金行业的客户账户数据，同时来源于账户注册系统和直销(网上交易)系统。
3)维度关联。按照业务需求的不同，设计不同的分析维度，并与数据关联，比如地区、客户性别、行业、资产规模等。
2.3 易于扩展
系统的建设往往不是一蹴而就，其建设过程一般为螺旋式上升的模式。在建设的初期，只需满足一种或几种业务应用，随着业务的不断发展，对系统的要求和功能拓展也越来越高和频繁，因此系统的设计必须满足易于扩展的要求，使得在后期的业务拓展中，系统能够很容易向外扩展，而不至于为了新的需求，将系统推倒重来，浪费大量的人力物力。
从业务上，要具有前瞻性和先进性，在提出需求的同时，考虑到未来业务的发展方向。
从技术上，系统的技术实现，要具有工具化特点，能够通过简单的配置和程序开发，就能满足业务的需求。一般比较成熟的ETL工具，都具有兼容异构数据源的功能，并且在采集完成后，根据业务特点设定的数据处理逻辑，转换成统一的数据视图。
3 CRM系统的核心价值
图3是关于不同层次系统核心价值与投资回报的关系图。
图3 系统核心价值体现
从图3可以看出，分析型CRM系统的基本功能所提体现的核心价值在于实时查询、数据统计、数据分析，也是一个企业建设分析型CRM系统初期要能达到的要求。随着核心价值的提升，系统能够体现数据挖掘，甚至是辅助决策的价值，给企业所能带来的投资回报也是同比上升的。
从广义的数据挖掘定义和技术层面来讲，数据分析是数据挖掘的一种方式，之所以将数据分析和数据挖掘分开，是因为企业在建设分析型CRM系统的时候有个误解，以为做到了数据分析就是一个数据挖掘系统了。实际上，数据挖掘要远比数据分析宽泛，数据分析是分析者建立一系列的假设，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，本质是一个演绎推理的过程。而数据挖掘不是用来验证某个假定的模式的正确性，而是在数据库中自己寻找模型，本质是一个归纳的过程。
分析型CRM系统的最高价值体现——辅助决策，往往不是完全靠一个系统就能实现的。通过数据仓库、数据挖掘、商业智能(BI)的应用，结合决策者的思维，最终达到系统从数据到应用的发展、从知识到价值的转化，实现辅助决策的价值。
4 CRM系统的业务架构
分析型CRM整个系统的业务架构分为三个部分，如图4所示：数据中心、应用层、业务操作层，图4中圈内是运营型CRM应用，不在本文讨论范畴之内。
图4 分析性CRM系统业务架构
数据中心 数据中心完成数据的ETL过程，实现从原始数据到数据仓库的转化、处理。从技术层面，数据中心要具有可扩展配置、ODS(Operational Data Store)、ETL等功能。
应用层 应用层实现在数据基础上的各种应用，实现相关业务需求。从技术层面，应用层具有OLTP(联机事务分析，不在本篇讨论范围之内)、OLAP(联机分析处理)、DW(数据仓库)、DM(数据挖掘)、BI(商务智能)等功能。
业务操作层 业务操作层实现人机交互，包括管理者、销售市场人员、客户服务人员、联系人、IT管理者等。
系统业务框架是一个开放式的框架，在数据中心的基础上与所有的关联系统能够无缝互联，实时或者定时交换业务数据。
从系统的角度，可以认为分析型CRM系统是决策支持系统的一种。
决策支持系统DSS(Decision Support System)是辅助决策者通过数据、模型和知识，以人机交互方式进行半结构化或非结构化决策的计算机应用系统，包括数据部分、模型部分、推理部分和人机交互部分。
数据仓库是体系结构设计环境的核心，是决策支持系统(DSS)处理的基础。数据仓库是一个面向主题的、集成的、非易失的且随时间变化的数据集合，用来支持管理人员的决策。
在数据仓库中，一组以公共键码联系起来具有某种关联的数据表，就属于一个主题。比如客户主题，包括：账户资料、交易信息、资产信息、活动拜访、投诉建议、客服记录、联系人、权限管理、行业研究(机构)等；活动主题，包括：活动定义、参与对象、过程跟踪、结果统计等。
5 分析型CRM系统的特点
分析型CRM系统应具备以下几个基本特点：
1)高效性
·数据处理能力。金融行业一般都具有庞大的基础数据，分析型CRM系统要具有高效处理几千万甚至上亿级数据的能力；
·快速提高数据查询与服务，满足分析型CRM系统的基本应用——数据查询功能实现。
2)安全性
·满足复杂网状权限应用；
·完善的数据备份与恢复机制；
·数据管理与密码策略；
·完善的数据修改日志。
3)可靠性
·无人值守，系统自动处理；
·以短信或邮件方式自动报警；
·断点快速恢复处理。
6 工具应用
CRM系统在中国的发展，已经比较成熟，但还需要更上一个台阶，尤其是分析型CRM系统的应用。市场上应对CRM系统建设所开发出来的工具也层出不穷。国内软件厂商大都集中在CRM系统应用层面的开发，而国外的软件厂商，除了CRM系统应用层面的开发，也提供大量的应用工具。
提供金融行业CRM系统应用的公司包括ORACLE、微软、Saleforce，国内的有上海携宁、杭州恒生等。
ETL工具比较著名的有Informatic、Datastage、Ssis等。数据分析与商业智能(BI)应用工具比较著名的有BO、BIEE、MSTR，国内的有润乾等。数据挖掘工具有SAS公司的Enterprise Miner、IBM公司的Intelligent Miner、Oracle公司的Darwin等。
7 结语
分析型CRM系统建设过程复杂，也是循序渐进的过程。企业信息化建设者在不同企业发展阶段，通过分析型CRM建设，实现不同的价值。随着信息技术的发展，从技术上已经能完全满足金融企业复杂的数据应用。从长期看，分析型CRM建设必将随着企业管理水平、尤其是营销管理水平的提升而得到创新使用，最终实现数据向价值的转化和辅助决策。
