资源描述：
《分析型CRM在连锁超市中的应用.doc》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
1、分析型CRM在连锁超市中的应用李佳文(中央财经大学信息管理系,北京 100081)摘要:对连锁超市建立分析型CRM的必要性进行了分析,提出了数据仓库的数据主题、实现技术及其实施方案。关键词:分析型CRM;决策树;季节指数平滑法;关联规则中图分类号:TP274.2文献标识码:AApplicationofanalyticalCRMinchain-supermarketLIJia-wen(DepartmentofInformationManagement,TheCentralUniversityofFinanceandEconomics,Beijing100081,Chin
2、a)Abstract:ThenecessityofanalyticalCRMisanalyzed,andthedatatheme,theimplementingtechnologyandimplementingschemeofdatawarehousearepresented.Keywords:analyticalCRM;decisiontree;seasonalindexsmoothness;relevancerule 加入WTO后,国内零售市场如何与强大的国际零售巨头持久较量,尽快实现产业升级,已成为摆在我国零售业面前一个亟待解决的问题。POS系统是零售业的“眼
3、睛”,在我国商品流通领域市场占有率在20%～30%之间。POS系统可以看作一个数据收集器,它使连锁超市拥有大量的数据。然而由于存在过量的冗余数据和数据不一致,这些数据难以访问、用于决策支持的需求。如何加强数据管理、提高数据的使用效率使其为超市的经营管理提供决策支持?这便是分析型CRM所要解决的问题。分析型CRM是以改善业务管理为目的的分析活动,用于对操作型CRM(即用于自动集成商业过程,包括对销售、营销和客户服务三部分业务流程的信息化,客户接触点、渠道、前后端的集成)和客户互动产生的信息的分析处理,通过基于数据仓库的数据挖掘产生商业智能以支持企业战略战术的决策,以便为
4、本企业赢得最大的回报。集成化的分析型CRM包括以下内容:1)客户分析(区段分析、嗜好分析);2)业务活动分析(促销活动的有效性分析、商品摆放位置分析);3)销售分析与销售预期(包括按产品、产品类、销售渠道、销售方式等进行分析);4)客户关注点分析(客户接触与客户服务的分析);5)客户信任程度分析(客户的持久性、牢固性及稳定性分析)。1 分析型CRM的数据内容定义商品贸易(流通)企业商务过程可以分为:市场需求调查→市场需求统计→制定商品采购计划→实现商品采购→商品库存→商品销售→售后服务等环节。企业的经营业务和操作型CRM所产生的相关数据信息正是分析型CRM分析的对象。
5、为了实施分析,必须有将数据整合在一起并便于使用的数据仓库等基础设施。数据仓库的实施必须有相应的主题,主题是数据仓库实现的灵魂,系统的结构设计、数据建模都要围绕着主题进行,而主题的选定又是由零售业关注的焦点决定的。零售业关注的焦点包括:收稿日期:2003-12-25 修回日期:2004-05-09作者简介:李佳文(1977-),女(汉),福建福州人,硕士研究生,研究方向:产业经济.第2卷第4期福建工程学院学报Vol.2No.42004年12月JournalofFujianUniversityofTechnologyDec.2004©1995-2005TsinghuaTo
6、ngfangOpticalDiscCo.,Ltd.Allrightsreserved.减少库存,提高存货周转率;将合适的商品以合适的数量、价格在合适的时间放到合适的场所;以更低的成本超越竞争对手;对市场变化做出灵敏响应以实现预期目标。为了达到上述目标,分析型CRM使用的数据仓库可以确定以下4个主题:1)商品(商品固有信息:商品号、商品名、类别、颜色等;商品采购信息:商品号、供应商号、供应价、供应量、供应日期;商品销售信息:商品号、顾客号、售价销售日期、销售量;商品库存信息:商品号、库存号、库存量、日期等)。2)供应商(供应商固有信息:供应商号、供应商名、地址、电话、类
7、型;供应商品信息:供应商号、商品名、供应价、供应量、日期等)。3)顾客(顾客固有信息:顾客号、姓名、性别、年龄、文化程度、家庭;顾客购物信息:顾客号、商品号、售价、购买日期、购买量)。4)时间(年、季度、月、日)。2 分析型CRM的实现技术2.1 决策树分类挖掘系统决策树方法是利用信息论中的互信息(信息增益)寻找数据库中具有最大信息的属性字段,建立决策树的一个结点,再根据该属性字段的不同取值建立树的分支,并在每个分支子集中重复建立树的下层结点和分支的过程。在这一领域,可以考虑使用ID3算法、IBLE决策规则树方法。两个算法的不同之处在于前者每次只选择
