Et nyt design af databasen marketing system
Database markedsføring og marketing teori som en kombination af informationsteknologi, systemarkitektur kræver et rimeligt grundlag for gennemførelsen. Database markedsføring system for problemet, forskellige nationale og internationale ekspertudtalelse. Nogle forskere mener, at: fra databasen markedsføring og customer relationship management (CRM) til at analysere forholdet mellem det synspunkt, database markedsføring, selv om grundlaget for CRM. Men det mangler CRM salg automation, kundeservice og business intelligence (data mining osv.) indhold. Sin database af historiske data er ofte ude af trit med virksomheden, så kun som en foreløbig analyse af typen af tilbud.
Betragtning af den nuværende markedsføring betydning i virksomheden, mener jeg, at dette system er en fuld markedsføringstilladelse bør være de ledende ideologi, som dækker CRM salg, kundeservice og business intelligens indholdet af en hel system. Baseret på følgende to hovedårsager: For det første database markedsføring er CRM data warehousing, datamining forudsætning. Integrere de to dele kan styrke markedsføringen systemets funktion. Unified styring af markedsføring arbejde, som teknisk set også er mulighed for at opnå; 2, salg, kundeservice, selv om nogle forskelle i forhold til markedsføring, men det kan siges om markedsføring som en central for at spille deres respektive roller. Dette kommer til udtryk i: salgsdata at give de marketingafdeling, marketing afdeling til at guide gennem beslutningsprocessen skridt ind i en jævn omsætning, merværdi for kunderne kundeservice marketing materialer, der skal en vigtig reference, baseret på kundernes forbrug karakteristika de specifikke detaljer for den tilsvarende service, opnå kundetilfredshed.
Kort sagt, skal undersøgelsen af databasen marketing system drives af marketing. Salg, kundeservice og business intelligence for tilgængeligheden af enterprise-level marketing system, i en vis forstand, det er en fuld markedsføringstilladelse idéer kernen i CRM. Undersøgelsen af dette nye database marketing system i figur 1. Af databasen markedsføring systemet er et sådant system: salg, til kunde service afdelingen gennem kundekontaktcentre og salgskanaler indsamle kundedata, og gennem sammenstilling af databasen til markedsføring sektor kunder. Marketingafdelinger at observere kundedata, statistik og analyse, når det er nødvendigt, en del af de data ved at strømline omregning til data warehouse dybtgående analyse og behandling såsom data mining, viden model vil komme til værdi gennem den visuelle repræsentation til marketingafdelingen . Marketing og produktion afdelinger af disse resultater, den finansielle sektor, information integration, at udvikle den næste fase af marketingstrategi og sende den til hver enkelt sektor som reference for sine aktiviteter.
2 Gennemførelse af den nye database marketing system
2,1 Kilderne til kundedata: kundekontakt og kontakt
Corporate marketing medarbejdere, hvis der ikke er tilstrækkeligt kundedata og oplysninger om markedet. Vil være vanskeligt at gennemføre. Derfor har kontakt og samarbejde med kunderne bliver særlig vigtig. Database markedsføring, kundekontakt og samarbejde har to dele: For det første salg af varer og tjenesteydelser via distributionskanaler og kundekontakter i en rettidigt i henhold til kundens salg helhed: For det første at kunden gennem kundeservice kommunikere med kundekontakt center og kommunikation. Gennem multi-media, at multi-kanal integration og intelligent søgemetoder hjælpe kunder med at finde de bedste pladser (kundeservice point) og levere tjenester af høj kvalitet. Kundekontaktperson Centre som er et sæt af telefonnumre, e-mail, fax, netværk, kommunikation og en række digitale og ikke-digitale kanaler kundeinteraktion platform. I denne platform, kan kunderne vælge deres foretrukne måde overalt med virksomheden at kommunikere, 而 virksomheder til at forstå kundernes synspunkter og Xu Qiu Shen Ru, at den hurtigste Sudubangzhu kunder Jiejueshiji problem, på samme tid, Zhong Xin også forsøge at hente deres relaterede oplysninger. Opnå kundeoplysninger. Zero-tab "for fremtiden danne grundlag for markedsføring og salg. Fordelen er: For virksomheder, forbedre adgangen til effektiv og nem adgang til alle optegnelser og informationsstyring, kundetilfredshed For kunder, bekvemmelighed og valg personlig, interaktiv real stærk, der er intimitet, som har gode indtryk på virksomheden. integration af flere kanaler med kundekontakt center routing tjenester komponent og den tilsvarende server til klient kontaktoplysninger-baseret, server og database gennem en passende gennemførelse af forretningslogik, finde de bedste pladser på vegne af og gøre kundeoplysninger opdatere og optegnelser. hele processen for edb-behandling, kunde kalde effektivitet er meget høj. En typisk kunde kontaktcenter vist i Figur 2.
Kundekontaktperson Center for kundekontakt og informationsindsamling er en god måde. Men kan det med de traditionelle metoder (såsom antal besøg, uformelle kontakter, etc.) kombineret med hinanden og samarbejde, vil virksomhederne være mere gavnligt er gavnligt.
2,2 Håndteringen af kundedata
Ifølge forskellige kilder til kundens data, der indsamles der er mange problemer: gentagelse, ufuldstændige, ikke standardiseret, uoverensstemmelser osv., vil de følge analysen og udvinding af stor betydning. Og derfor ruhed af disse massive data, der kræves forud for ordren. Denne ordre omfatter to dele: For det første den endelige kundes data (salg og kundedata) til screening og udvælgelse optagere blev forenet marketing database, og at konsolidere og opdatere data regelmæssigt, kan kaldes data forbehandlingsfasen del: 2 er et markedsførings-database for yderligere data mining del af de data, gennem særlige oprydning, integration, transformation og reduktion. I en acceptabel form for data warehousing, datamining til næste tilstrækkelig tid til at forberede, kan beskrives som en del af data oparbejdning. Da kompleksiteten i databehandling teknologi, og ikke er til specifik analyse.
2,3 Forbrug af de vigtigste data: Data mining
Kundedata i overensstemmelse med kravene til rengøring og efterbehandling, også har brug for yderligere udgravning og analyse til at udforske og opdage markedsværdien af dybdegående information. Data Mining, fra en database perspektiv er det skjult i store datasæt fundet interessante data mønstre og den deraf følgende data til nyttige oplysninger og viden om den proces, de oplysninger og viden kan i vid udstrækning anvendes i forskellige applikationer, såsom business management, markedsanalyse og så videre. For corporate marketing. Det kan hjælpe virksomhedens massive kundedata fra poster fundet i forbrugernes psykologi og adfærd i tilknytning til kundekarakteristika med kommerciel værdi datamodel til at hjælpe virksomhederne gennem deres udvikling af mere nøjagtige og effektiv markedsføring beslutninger.
De grundlæggende trin i data mining kan nævnes:
(1) data rengøring og integration: fjernelse af støj eller uoverensstemmende data, de forskellige datakilder sammen, og resultaterne deponeres i data warehouse. En af de data warehouse er en emneorienteret, integreret, tidsvarierende og ikke-flygtige indsamling af data organiseret ved hjælp af multi-dimensional datamodel design.
(2) data udvælgelse og transformation: fra data warehouse til at hente de relevante data og analyser opgaver, og at udforske forening i en passende form (såsom gennem summarisk eller sammenlægning operationer).
(3) data mining: brug af intelligente metoder til at udtrække oplysninger fra massive data model.
(4) model evaluering og viden repræsentation: Ifølge nogle interestingness måle, identificere den reelle værdi af den model og de opnåede resultater ved visuel teknologi og viden, som brugeren (f.eks afdelingsledere business beslutningstagere).
Ud betydningen af data mining især kunder i den erhvervsmæssige brug af en bred vifte af marketing, primært præget og fornem forening analyse, klassifikation og forudsigelse, og klyngeanalyse og så videre. For at lette forståelsen, blot én af en slags model beskrevet algoritme.
2,4 Clustering Data Mining Case study: K-midler algoritme teori og praktisk anvendelse af
K-midler algoritme proces er som følger:
(1) input indeholder N objekter (kunde) database og antallet af klynger K (antallet af kundeunderlaget til punkt), N objekter i K var tilfældigt udvalgt som gennemsnittet af alle klynger eller centre;
(2) de resterende (N-K) genstande, der hver klynge efter afstand fra centrum tildelt den nærmeste klynge fra hver;
(3) at genberegne den gennemsnitlige værdi af hver klynge;
(4) Gentag de to trin. Indtil gennemsnit af hver klynge ændres ikke. Hver klasse af at stabilisere sig. Resultaterne vil komme under klassificeringen af hver specifik målgruppe af klynger (forbruger egenskaber med de samme kunder).
Cluster analyse anvendes til markedsføring, såsom supermarked shopping form for anerkendelse for medlemmer af kunder med henblik på at bedre levere kvalitet til medlemmerne fra supermarkedet kunder database efter de nødvendige data for forbruget, efter behandling af multidimensionale numeriske data model: kundeidentifikationsnummer (det samlede forbrug, antallet af køb, indkomstniveau, ... ...). Hvilket det samlede forbrug, antallet af køb, indkomstniveau er multidimensional variabler direkte forbundet med den type af kundedata. Ifølge medlemskab (N) antallet og typen af klienter (K) oplysninger, såsom klyngeanalyse, de tilsvarende resultater opnået klynger, 2-D simulering resultater vist i figur 4.
Clustering Resultatet er, at alle medlemmer af et stort indkøbscenter supermarkedskunderne er opdelt i tre forskellige dimensioner betydelig klynge (klasse), A, B, C, hver type af kunder har deres egne forbrugernes præferencer og forskellige forbruger karakteristika. Supermarked kan sammenligne og analysere egenskaber ved forskellige typer af kunder, og gennemfører målrettede forbruger markedsføring.
Data mining er databasen markedsføring system af de vigtigste komponenter i analytisk CRM applikationer er også kerneteknologi, spiller en meget afgørende rolle. Men de komplekse teori og teknik, data mining og mange nødvendigt perfektioneret. Det er værd at bemærke, at ikke alle typer af database data mining behov, og nogle meget tekst information (såsom analyse af store mængder af tekst, billeder osv.) og nogle ikke-numeriske-orienteret data kan være så længe gennem nogle kunstige orden, som De vil også hjælpe marketing indsats og beslutningstagning.
2,5 kan udvikle de fornødne markedsføring afgørelser
Daglig salgsdata, kundekontakt oplysninger indhentet under den data mining model for virksomheden at opdage ny viden produkter og tjenester til forskellige marketing aktiviteter at levere en god reference for sagen og derefter produktionssektoren, den finansielle sektor og andre basale data (såsom opgørelse og omkostninger data) blev taget i betragtning, at marketingafdelingen at udvikle en tilsvarende resultat kan være mere videnskabelig og rationel marketing beslutninger og strategier, som f.eks 4P marketingstrategi, produktudvikling strategi kun én kan optimeres som følger:
(1) ifølge nogle produktspecifikke salgsdata og gennemsnitlige fortjenstmargen for forbrugernes forståelse kundepræferencer. Det eksisterende produktsortiment eller produktet virksomheder til at vurdere projektet, og de tilsvarende portefølje strategi ved hjælp af de rigtige produkter (såsom produktportefølje ekspansion eller sammentrækning. For produkt line extensions) for bedre at opfylde efterspørgslen på markedet;
(2) gennem den historiske salgsdata mineprodukter at finde deres livscyklus fase, som ifølge de produkter inden for import, vækst, modenhed, tilbagegang er karakteristisk for de forskellige faser af produktets udviklingsstrategier i overensstemmelse hermed;
(3) nye produkter, i overensstemmelse med kundernes evaluering af et produkt eller en tjeneste eller et produkt tilfredshed forbedret og opdateret. For disse nye produkter på grund af forbrugernes differentiering af de specifikke forbrugergrupper. Kan for deres forbrug egenskaber af nye produkter, repositionering eller udvikler produkter til at opfylde deres smag og så videre.