1 新型數據庫營銷體系的設計
數據庫營銷作為一種營銷理論和信息技術的結合體，需要一個合理的系統結構作為實現基礎。對於數據庫營銷體系問題，國內外專家觀點各異。部分學者認為：從數據庫營銷與客戶關係管理(CRM)的關係角度來分析，數據庫營銷雖然是CRM的基礎。但它缺乏CRM的銷售自動化、客戶服務以及商務智能(數據挖掘等)內容。其數據庫常常同企業歷史數據脫節，因而只能作為一種初步分析型的促銷手段。
鑑於目前營銷工作在企業中的重要性，筆者認為這個體系應該是一個以全員營銷為指導思想、涵蓋CRM銷售、客服以及商務智能內容的完整體系。主要理由基於以下兩點：一，數據庫營銷是CRM建立數據倉庫、進行數據挖掘的必備條件。整合這兩個部分可大大提高整個營銷系統的功能。對營銷工作進行統一管理，這在技術上也有實現可能性;二，銷售工作、客戶服務雖同營銷工作有所區別，但可以說都是以營銷作為核心發揮各自作用的。這具體體現在：銷售數據要提供給營銷部門，營銷部門通過決策來指導如何迸一步實現順利銷售，為顧客增值;客戶服務工作要以營銷資料作為重要參考，根據客戶消費特徵等具體情況提供相應的服務，實現客戶滿意。
總之，探討中的數據庫營銷體系應是以營銷為主導。銷售、客服和商務智能為輔助功能的企業級營銷體系，從某種意義上來說，它就是以全員營銷思想為核心的CRM。所探討的這種新型數據庫營銷體系如圖1。探討中的數據庫營銷體係是這樣一種體系：銷售、客服部門通過客戶聯絡中心和各銷售渠道蒐集客戶數據，並通過整理匯集到營銷部門的客戶數據庫。營銷部門對客戶數據進行觀察、統計和分析，在必要時將部分數據通過精簡、轉換導入到數據倉庫進行深度分析處理如數據挖掘，將得出有價值的知識模式通過可視化表示給營銷部門。營銷部門將這些結論與生產部門、財務部門的信息進行綜合，制定下一階段的營銷策略並傳送到各個部門作為其活動參考依據。
2 新型數據庫營銷體系的實現
2.1客戶數據的源頭：客戶接觸與聯絡
企業的營銷人員如果沒有即時充分的客戶數據和市場資料。工作將難以開展。因此跟客戶的接觸與聯絡變得尤為重要。數據庫營銷的客戶接觸和聯絡主要有兩部分構成：一是通過銷售部門的產品服務銷售渠道與客戶進行接觸，及時記錄下客戶的銷售情況：一是通過客戶服務部門的客戶聯絡中心與客戶進行溝通和交流。通過多媒體、多渠道整合以及智能搜索的方式來幫助客戶找到最佳座席(客戶服務點)並為其提供優質服務。其中的客戶聯絡中心，就是一個集電話、電郵、傳真、網絡、信函等一系列數字和非數字渠道的客戶交互平台。在這個平台上客戶可隨時隨地選擇自己喜歡的方式同企業進行交流，而企業也藉此深入了解顧客意見和需求，以最快速度幫助客戶解決實際問題，與此同時，中心也盡量蒐集其相關信息。做到客戶信息的。零流失“，為以後的營銷及銷售工作提供依據。其優點在於：對企業而言，接觸效率高、記錄信息全且便於存取和管理、提高顧客滿意度;對客戶而言，便利和選擇個性化、即時交互性強、有親切感、從而對企業產生良好印象。客戶聯絡中心集成多種渠道路由服務組件和相應服務器，以客戶聯絡信息為本，通過相應服務器和數據庫執行業務邏輯，找出最佳座席代表，並進行客戶信息更新和記錄。整個過程計算機處理，客戶呼叫效率非常高。一個典型的客戶聯絡中心如圖2所示。
客戶聯絡中心是進行客戶接觸和信息蒐集的一個很好的方式。但若能將它同傳統的方法(如走訪、非正式接觸等等)結合起來，互相配合和協作，企業將更是裨有收益。
2.2客戶數據的處理
根據各種渠道蒐集到客戶數據存在著很多問題：重複、殘缺、不規範、不一致等等，它們都會對後續的分析和挖掘造成很大的影響。因而需對這些海量的粗糙數據根據要求進行提前的整理。這種整理主要包括兩個部分：一是將終端客戶數據(銷售和客戶數據)進行甄別和選錄放人統一的營銷數據庫，並定期進行數據鞏固和更新，可稱為數據的預處理部分：二是對於營銷數據庫中需要進一步通過數據挖掘的部分數據，通過特定清理、集成、變換和歸約。轉化為數據倉庫可以接受的形式，為接下來的數據挖掘做好充足準備，可稱為數據的再處理部分。由於數據處理技術的複雜性，這裡不再作具體分析。
2.3數據消費的關鍵環節：數據挖掘
客戶數據按照要求進行清洗和整理，還需要進一步地挖掘和分析，探索和發現有市場價值的深層次信息。數據挖掘，從數據庫角度來講，它是指發現隱藏在大型數據集中有趣的數據模式並將其得出的數據轉換成有用信息和知識的過程，這些信息和知識可廣泛用於各種應用，如商務管理、市場分析等等。對於企業營銷。它可幫助各企業從記錄的海量客戶數據中發現有關客戶消費心理和行為特徵的有商業價值的數據模式，通過它們來輔助企業製定更準確有效的營銷決策。
數據挖掘的基本步驟主要包括：
(1)數據清理和集成：消除噪音或不一致數據，將各種數據源組合在一起，並把結果存人數據倉庫中。其中的數據倉庫是一種面向主題的、集成的、時變的和非易失的有組織的數據集合，採用多維數據模型設計。
(2)數據選擇與變換：從數據倉庫中檢索與分析任務相關的數據，並將之統一成適合發掘的形式(如通過匯總或聚集操作)。
(3)數據挖掘：使用智能方法從海量數據中提取數據模式。
(4)模式評估與知識表示：根據某種興趣度度量，識別真正有價值的模式並將得到的結果通過可視化和知識表示技術提供給用戶(如企業的部門經理等決策人員)。
數據挖掘出的重要模式在商業特別是客戶營銷上的運用十分廣泛，主要有特徵化與區分、關聯分析、分類和預測和聚類分析等等。為了便於理解，只就其中一種模式的一種算法進行闡述。
2.4數據挖掘聚類實例分析：K—平均算法原理及運用
K一平均算法的過程如下：
(1)輸入包含N個對象(客戶)的數據庫及簇的數目K(要分的客戶群數)，在N個對像中隨機選擇K個作為各個簇的平均值或中心;
(2)將剩餘的(N—K)個對像根據到各個簇中心的距離的遠近賦到離各自最近的簇;
(3)重新計算每個簇的平均值;
(4)不斷重複上兩個步驟。直到各個簇的平均值不再變化。各個類趨於穩定。結果將得出根據各個特定指標分類的群簇(具有相同消費特徵的客戶群)。
聚類分析運用到營銷領域，比如大型購物超市對於會員客戶進行類型識別以便更好地提供優質服務，可從這家超市的會員客戶數據庫中調出所需的消費數據，經過數值化處理的多維數據模式為：客戶識別碼(總消費額，購買次數，收入水平，……)。其中總消費額，購買次數，收入水平等多維變量都是同客戶類型劃分直接相關的數據。根據會員數(N)及客戶類別數(K)等分析信息進行聚類分析，可得到相應的結果簇，模擬的2一D效果圖見圖4。
聚類的結果是大型購物超市的所有會員客戶被不同維指標劃分為三個明顯的簇(類)，A，B，C，每一種類型的客戶都具有各自的消費偏好和不同消費特徵。超市可通過比較和分析這些不同類客戶的消費特徵並開展針對性的營銷活動。
數據挖掘是探討中的數據庫營銷體系的核心組成部分，同時也是分析型CRM應用的核心技術，起著十分關鍵的作用。但由於理論和技術的複雜性，數據挖掘還有許多需要完善的地方。值得注意的是，並非數據庫中的所有類型的數據都需要挖掘，有些文本性很強的信息(如大量文字分析、圖片等等)和一些非數值化的數據可能只要通過一些人工整理，同樣地也會對營銷工作和決策有所幫助。
2.5制定相應的營銷決策
日常銷售的數據、客戶聯繫過程中獲取的信息、數據挖掘發現的知識模式為企業對於不同產品和服務開展營銷活動提供了很好的事實參考依據，再將企業生產部門、財務部門等的基本數據(如庫存、成本等數據)進行綜合考慮，營銷部門因此可相應地制定更為科學和合理的營銷決策和策略，比如營銷中的4P策略，僅產品策略一項就可進行如下優化：
(1)根據某些產品具體銷售數據和平均利潤率了解到客戶的消費偏好。從而對企業現有產品線或產品項目進行評估，並且相應採用合適的產品組合策略(如擴大或縮減產品組合。進行產品線延伸)更好地滿足市場需求;
(2)通過對產品歷史銷售數據進行挖掘來找出其所處的生命週期階段，根據產品在導入期、成長期、成熟期、衰退期不同階段的產品特徵制定相應的策略;
(3)新產品推出時，根據顧客對某種產品或服務的評價或滿意度進行產品的改良和更新。而對於因消費這些新產品而分化出的特定消費群體。可針對其消費特徵對新產品進行重新定位或者開發迎合其口味的系列產品等等。