BB&CC運用這一模型再給郵件列表中剩下的950,000個(gè)人選擇700,000發(fā)送郵件。結果顯示：從這750,000（包括測試的50,000）件郵件中，BB&CC獲得了9000份信用卡申請。換句話(huà)說(shuō)，響應率從1%提高到了1.2%——增加了20%。雖然目標只達到了10000個(gè)中的9000個(gè)，但模型每有完美的，剩下的1000時(shí)無(wú)利可圖的。
下面的統計數據的列表：
請注意，郵寄的純利潤增加了$125,000，甚至你扣除由于數據采集而產(chǎn)生的軟件、硬件即人力資源方面的$40,000，純利潤還增加了$85,000。建模的投入轉化成了200%的收益，這遠遠超過(guò)了BB&CC對這一項目的ROI要求。
提高現有客戶(hù)的價(jià)值：通過(guò)數據采集進(jìn)行搭配銷(xiāo)售
Cannons and Carnations(C&C)是一家專(zhuān)門(mén)銷(xiāo)售舊式迫擊炮和大炮作為室外裝飾的公司，它也賣(mài)大口徑舊式手槍和步槍的收藏品作為室內裝飾。C&C的產(chǎn)品目錄手冊被發(fā)送到大約1200萬(wàn)個(gè)家庭。
當客戶(hù)打電話(huà)來(lái)下訂單時(shí)，C&C使用Caller ID來(lái)識別打電話(huà)的人；另外C&C的代表還要求從產(chǎn)品目錄手冊的郵寄標簽獲得電話(huà)號碼或客戶(hù)編碼。下一次，C&C的代表從數據庫中尋找客戶(hù)并處理訂單。C&C有很好的機會(huì )進(jìn)行搭配銷(xiāo)售或者賣(mài)給訂購者其它附加產(chǎn)品；但是C&C發(fā)現在第一次建議失敗之后，代表向客戶(hù)做出第二次建議時(shí)，客戶(hù)可能憤怒的掛斷電話(huà)而什么也不定購。的確存在一些客戶(hù)憤恨任何搭配銷(xiāo)售。
在世時(shí)數據采集之前，C&C一直在勉強進(jìn)行搭配銷(xiāo)售。沒(méi)有模型時(shí)，做出恰當的推薦的幾率為1/3。因為向一些客戶(hù)做出了無(wú)法接受的建議，所以C&C希望對“不該推薦時(shí)決不做出推薦”這一點(diǎn)非常有把握。在實(shí)驗中發(fā)現C&C的搭配銷(xiāo)售的銷(xiāo)售率增加不到1%；而C&C過(guò)去一直為這一點(diǎn)獲利勉強進(jìn)行搭配銷(xiāo)售。
在實(shí)施數據采集之后，情形發(fā)生了戲劇性的改變；現在數據采集模型操縱數據。通過(guò)使用數據庫和新訂單中的客戶(hù)信息，這會(huì )告訴客戶(hù)服務(wù)代表應該推薦什么。C&C成功賣(mài)給了2%的客戶(hù)一件附加產(chǎn)品，而且更重要的卻沒(méi)有得到客戶(hù)的抱怨。
開(kāi)發(fā)這種性能的過(guò)程與前面用來(lái)解決信用卡客戶(hù)獲得問(wèn)題相似；和前面的情況相同，有兩個(gè)模型是必需的。
第一個(gè)模型預測一些人是否為被建議買(mǎi)附加產(chǎn)品而感到不愉快。C&C通過(guò)簡(jiǎn)短的電話(huà)調查了解客戶(hù)的法應如何。按照保守的計算方法，C&C將拒絕參與調查的人和對推薦購買(mǎi)附加產(chǎn)品反感的人均計算在內。隨后，為了檢驗這種假設（將拒絕參與調查的人歸入拒絕推薦的人），C&C向這些拒絕回答調查問(wèn)題的人推薦附加產(chǎn)品；令人感到驚奇的是，他們并不拒絕打[誒銷(xiāo)售，于是發(fā)現調查時(shí)沒(méi)有根據的。這使BB&CC可以做出更多的推薦，并進(jìn)一步提高收益。第二個(gè)模型用來(lái)預測哪些提議不會(huì )被接受。
總之數據采集幫助BB&CC更好地理解它的客戶(hù)的需求。當數據采集模型被結合在典型的搭配銷(xiāo)售的CRM活動(dòng)中時(shí)，這些模型幫助BB&CC提高了2%的收益。
提高現有客戶(hù)的價(jià)值：通過(guò)數據采集進(jìn)行個(gè)性化服務(wù)
Big Sam’s Clothing 開(kāi)發(fā)一個(gè)網(wǎng)站來(lái)補充它的商品目錄。當你訪(fǎng)問(wèn)它的網(wǎng)站是，你首先會(huì )看到“Howdy Pardner”的歡迎詞。然而，一旦你在該網(wǎng)站注冊，Pardner就會(huì )變成你的姓名。如果已經(jīng)有過(guò)Big Sam’s的訂單紀錄，它就會(huì )告訴你那些可能引起你的特殊興趣的新商品。當你注意到一件特殊的商品如一件防水皮大衣時(shí)，Big Sam’s會(huì )建議在一此購買(mǎi)中需要補充的其它條目。
在Big Sam’s第一次將網(wǎng)站投放市場(chǎng)時(shí)，并沒(méi)有什么個(gè)性化的內容，網(wǎng)站只是商品目錄有效的在線(xiàn)翻版；但是卻沒(méi)有利用Web現存的銷(xiāo)售機會(huì )。
數據采集迅速提高了Big Sam’s的網(wǎng)絡(luò )銷(xiāo)售。產(chǎn)品目錄手冊常常簡(jiǎn)單地按照用戶(hù)挑選產(chǎn)品的類(lèi)型對商品進(jìn)行分組。然而在在線(xiàn)商店中商品分組可能是完全不同的，它常常以考慮內的商品補充條目為基礎。網(wǎng)站特別的地方還在于：它不僅考慮你看到的條目，而且還考慮你的“購物籃”中的商品，結果就會(huì )產(chǎn)生更加客戶(hù)化的推薦。
首先，Big Sam’s使用聚類(lèi)（clustering）的方法來(lái)發(fā)現哪些商品時(shí)自然的分在一組中。有時(shí)一些聚類(lèi)是十分明顯的，如襯衫和短褲；一些聚類(lèi)可能是令人驚奇的，如關(guān)于沙漠探險的書(shū)和醫療工具包。這些聚類(lèi)用來(lái)在有人看到其中的一個(gè)產(chǎn)品使向他做出建議。
Big Sam’s接著(zhù)建立客戶(hù)剖析來(lái)幫助識別哪些會(huì )對經(jīng)常添加在商品目錄中的新商品感興趣的客戶(hù)。Big Sam’s所做的指引客戶(hù)購買(mǎi)那些挑選出來(lái)的產(chǎn)品不僅僅帶來(lái)銷(xiāo)售的增加，而且鞏固了客戶(hù)關(guān)系。調查顯示Big Sam’s被看作是一個(gè)衣物和裝飾品方面可信賴(lài)的顧問(wèn)。
為了擴大影響，Big Sam’s實(shí)施了一個(gè)應用程序來(lái)向客戶(hù)發(fā)送Email，這些Email包含了由數據采集模型預測的會(huì )吸引客戶(hù)的新產(chǎn)品信息。當客戶(hù)將這個(gè)看作牽攝客戶(hù)服務(wù)的例子時(shí)，Big Sam’s發(fā)現這是一個(gè)可以改善收益的程序。
個(gè)性化銷(xiāo)售的努力為Big Sam’s帶來(lái)了盈利：它在重復銷(xiāo)售、每一客戶(hù)的平均銷(xiāo)售量和銷(xiāo)售的平均范圍等方面帶來(lái)了一個(gè)重大的、可測量的提高。
保持上等（收益）客戶(hù)：通過(guò)數據采集
幾乎每一個(gè)公司在獲取一個(gè)新客戶(hù)所投入的成本都遠大于保持一個(gè)上等客戶(hù)的成本。KownServce（ISP，如中國的163）所面臨的一個(gè)難題是，它每月經(jīng)歷每月8%的行業(yè)平均磨損（客戶(hù)減少）率；這意味著(zhù)如果他擁有100萬(wàn)客戶(hù)，則每月會(huì )有8萬(wàn)的客戶(hù)離它而去。替換這些客戶(hù)的成本為每個(gè)200美金或者一共1600萬(wàn)，這也是著(zhù)手磨損管理程序的主要動(dòng)機。
KownServce要做的第一件事就是準備用來(lái)預測哪些客戶(hù)會(huì )離開(kāi)的數據。KownServce需要從客戶(hù)數據庫中選擇變量并（可能）進(jìn)行轉換。KownServce的大多數用戶(hù)是進(jìn)行撥號連接，所以KownServce知道每一個(gè)客戶(hù)連接到Web需要多長(cháng)的時(shí)間。KownServce也知道客戶(hù)計算機的傳輸的數據量、一個(gè)用戶(hù)所用有的Email賬號的數量、Email信息發(fā)送和接收的數量以及客戶(hù)的賬單歷史。另外，KownServce還有客戶(hù)撥號時(shí)提供的人口統計數據。
KownServce要做的第一件事就是需要識別哪些是“上等”客戶(hù)。這并不是數據采集問(wèn)題，而是通過(guò)計算得出的商業(yè)定義（如收益率或生命周期價(jià)值）。KownServce建立模型來(lái)剖析能帶來(lái)收益的客戶(hù)和不能帶來(lái)收益的客戶(hù)。KownServce不僅用這一模型來(lái)提高客戶(hù)的保持力，還用它來(lái)識別哪些客戶(hù)現在不能帶來(lái)收益但將來(lái)卻可以。
接著(zhù)KownServce建立模型來(lái)預測哪些可以帶來(lái)收益的客戶(hù)會(huì )離開(kāi)。在大多數數據采集問(wèn)題中，決定如何使用哪些數據和怎樣將現存數據結合起來(lái)是模型開(kāi)發(fā)中最大的難題。例如：KownServce需要關(guān)注如每月使用的時(shí)間系列數據，模型中寧愿使用三個(gè)月中每月的平均數量而不采用原始的時(shí)間系列數據。KownServce也計算出三個(gè)月的平均數量的改變，并將它作為預測的依據。這些依據中一部分是非常好的，如下降的使用，它們是出現需要處理的問(wèn)題的預兆；另外一些依據如服務(wù)請求的數量和它的平均數量的改變預示著(zhù)客戶(hù)滿(mǎn)意度出現問(wèn)題。
預測誰(shuí)將出現離開(kāi)是不夠的。基于模型產(chǎn)生的結果，KownServce確定可能的計劃和可以誘使客戶(hù)留下的提議。例如一部分離開(kāi)者由于超過(guò)固定費用下的可用量一大截的使用（上網(wǎng)）而需要支付次超過(guò)的得那一部分真實(shí)的費用；KownServce給這一部分用戶(hù)提供較高費用的服務(wù)，但卻包含更多的捆綁時(shí)間。也有一些客戶(hù)被提議使用更多的磁盤(pán)空間來(lái)存放個(gè)人主頁(yè)。KownServce建立模型來(lái)預測度一個(gè)特殊的用戶(hù)需要提供更有效的提議。
總的說(shuō)來(lái)，項目需要三個(gè)模型。一個(gè)模型用來(lái)確定離開(kāi)用戶(hù)，第二個(gè)模型用來(lái)選擇可以帶來(lái)收益的潛在的離開(kāi)者來(lái)進(jìn)行“飼養”，第三個(gè)模型為這些潛在的離開(kāi)者匹配最適宜的提議。得到的結果是KownServce的客戶(hù)離開(kāi)率由8%下降到7.5%，這為KownServce每月減少獲取客戶(hù)的成本為$1,000,000。
KownServce發(fā)現自己的數據采集投資是有回報的——它改善了客戶(hù)關(guān)系，并且引人注目地提高了收益。
將數據采集運用到CRM中
為了為你的CRM系統建立良好的模型，有一些步驟你必須遵行。下面描述的兩個(gè)數據采集過(guò)程模型與其它模型是相似的，不同之處僅在于在不同步驟中強調的重點(diǎn)而已。
緊記下面列表中的步驟，但數據采集過(guò)程并不是線(xiàn)性的——你需要回復到前面的步驟是不可避免的。例如在“explore data”中進(jìn)行的內容可能需要你增加新的數據到數據采集數據庫中。你建立的初始模型可能提供一種洞察力，它會(huì )引導你增加新的變量。
有效的CRM中的數據采集的基本步驟為：
1.定義商業(yè)問(wèn)題（Define business problem）
2. 建立行銷(xiāo)數據庫（Build marketing database）
3. 研究數據（Explore data）
4. 為建模準備數據 Prepare data for modeling）
5.建立模型（Build model）
6.評價(jià)模型（Evaluate model）
7.展開(kāi)模型獲得結果Deploy model and results
1. 定義商業(yè)問(wèn)題 每一個(gè)CRM應用程序都有一個(gè)或多個(gè)商業(yè)目標，為此你需要建立恰當的模型。根據你特殊的目標如“提高響應率”或“提高每個(gè)響應的價(jià)值”，你將建立完全不同的模型。問(wèn)題的有效陳述包含了測量你的CRM引用程序的成果的方法。
2. 建立行銷(xiāo)數據庫 二到四是組成數據準備的核心。他們花費的時(shí)間或努力比其他幾步加起來(lái)還多。數據準備和模型建立之間可能反復進(jìn)行，因為你從模型中學(xué)到新的東西，而這又要你修改數據。數據準備階段無(wú)論如何也要占去全部數據采集過(guò)程的50%到90%的時(shí)間和努力。
你需要建立一個(gè)行銷(xiāo)數據庫，因為你的操作性數據庫和操作性數據倉庫常常沒(méi)有提供你需要的形式的數據；此外，你的CRM應用程序還可能性干擾這個(gè)系統的快速、有效地執行。
在你建立行銷(xiāo)數據庫的時(shí)候，你好需要對它進(jìn)行凈化——如果你想獲得良好的模型，你必須有干凈的數據。你需要的數據可能在不同的數據庫中，如客戶(hù)數據庫，產(chǎn)品數據庫以及事務(wù)處理數據庫。這意味你需要集成鞏固數據到單一的行銷(xiāo)數據庫中并且去除來(lái)之多個(gè)數據源的數據在值商的差異。沒(méi)有恰當進(jìn)行數據值差異的數據是質(zhì)量問(wèn)題的主要來(lái)源。在多個(gè)數據源中出現的較大差異主要在數據定義和使用的方法上。數據值的一些矛盾是很容易發(fā)現的，如同樣的客戶(hù)有幾個(gè)不同的（不同的系統正在使用）的地址；但也有一些是很“狡猾的”，如同一個(gè)客戶(hù)有不同的名字，更糟的是有不同的客戶(hù)識別編碼。
3. 研究數據 在建立良好的預測模型之前，你必須理解你使用的數據的含義。通過(guò)聚集各種數據摘要（如平均值、標準偏離）和關(guān)注數據描述開(kāi)始進(jìn)行研究數據。你可能為多維數據建立交叉表格。
圖像化和可視化工具是數據準備中的所必需的，但它們對數據分析的重要性卻不能過(guò)分強調。數據可視化常產(chǎn)生導致新的洞察力和成功的內容。一些非常有用的普偏的數據顯示是柱狀圖，它顯示了數據值得分布情況。你也可以看到不同參數的二維獲三維的散點(diǎn)圖。這種增加第三變量的能力極大地提高了一些圖形的可用性。
4. 為建模準備數據 這是建立模型之前的數據準備的最后一步。這一步中主要有四個(gè)主要的部分：
首先，你要為建立模型選擇變量。理想情況是：將你擁有的所有變量加入到數據采集工具中，找到那些最好的預測。但在實(shí)際中，這是非常棘手的。其中一個(gè)原因是建立模型的時(shí)間隨著(zhù)變量得增加而增加。另一個(gè)原因就是盲目性，包括無(wú)關(guān)緊要的數據列被加入，卻很少甚至不能提高預測能力。
下一步是從原始數據中構件新的預測依據。例如預測信用風(fēng)險使用使用債務(wù)收入的比率而不是單獨使用債務(wù)和收入作為預測依據的變量可以產(chǎn)生更準確的結果并且更容易理解。
接著(zhù)，你需要從數據中選取一個(gè)子集或標本來(lái)建立模型。即使你有許多數據；然而使用所有的數據會(huì )花費太長(cháng)的時(shí)間或者需要買(mǎi)更好的硬件，但你并不愿意如此。使用恰當的隨機挑選的子集并不會(huì )產(chǎn)生CRM問(wèn)題的信息的不足。建立模型的兩種選擇為：使用所有得數據建立一個(gè)模型或者建立多個(gè)以數據標本為基礎的模型；后者常常能幫助你建立更準確有力的模型。
最后，你需要轉換變量，使之和你選定用來(lái)建立模型的運算法則一致。
5. 數據采集模型的建立 關(guān)于模型建立的需要記住的最重要的就是模型建立是一個(gè)迭代的過(guò)程。你需要研究可供選擇的模型，從中找到過(guò)解決你的商業(yè)問(wèn)題最有用的。在你探究一個(gè)好的模型過(guò)程中獲悉的知識或許要求你回頭修改你正在使用的數據甚至修改你的問(wèn)題的陳述。
大多數CRM應用程序都給予一種叫做被監督學(xué)習的協(xié)議。你開(kāi)始使用客戶(hù)信息，而且要求產(chǎn)生的結果是已知的。例如，你有來(lái)自以前的郵件列表的歷史數據，它與你現在使用的數據非常相似。或者，你可能不得不進(jìn)行郵寄測試來(lái)確定人們對一個(gè)提議的響應如何。你將數據分為兩組，使用第一組來(lái)培養建立或評估你的模型，接著(zhù)使用第二組數據來(lái)測試模型。當培養和測試周期完成之后，模型也就建立起來(lái)了。
6. 評價(jià)模型 評價(jià)模型結果的方法中，最可能產(chǎn)生評價(jià)過(guò)高的基準就是精確性。假設你有一個(gè)提議僅僅有1%的人響應。模型預測“沒(méi)有人會(huì )響應”，這個(gè)預測99%是正確的，但那確實(shí)100%的無(wú)效。另一個(gè)常使用的基準“提高多少”，這用來(lái)衡量使用模型后完成的改進(jìn)有多大，但是它并沒(méi)有考慮成本和收入。所以最可取的評價(jià)基準是收益或ROI。
7. 將數據采集運用到CRM方案中 在建立CRM應用中，數據采集常常是整個(gè)產(chǎn)品中很小的但意義重大的一部分。例如：以數據采集為基礎預測模式可能將各個(gè)領(lǐng)域專(zhuān)家的知識結合在一個(gè)很大的被許多類(lèi)型的人使用的應用程序中。
數據采集被實(shí)際建立在應用程序中的方式由你的客戶(hù)交互作用的本質(zhì)所決定。你與客戶(hù)的交互作用的兩種方式：客戶(hù)主動(dòng)聯(lián)系你（inbound）或者你主動(dòng)聯(lián)系他們(outbound)。這時(shí)數據采集展開(kāi)的需求是完全不同的。
后一種方式的特征有你的公司所決定；因為聯(lián)系活動(dòng)是由你的公司發(fā)起，例如直接郵寄活動(dòng)。結果，通過(guò)運用模型到你的客戶(hù)數據庫，你選擇客戶(hù)進(jìn)行聯(lián)系。Outbound商業(yè)活動(dòng)的另一種類(lèi)型是廣告活動(dòng)。這用情形下，你對由模型顯示的具有良好前景的特征和你的廣告可以影響的人的特征進(jìn)行匹配。
在inbound事務(wù)中，如電話(huà)定購，Internet訂購，客戶(hù)服務(wù)呼叫等，應用程序必須實(shí)時(shí)響應；因此數據采集是內含在這種應用程序中的并且積極地做出推薦動(dòng)作。
無(wú)論哪一種情形，在運用模型到新數據中你必須處理的一個(gè)關(guān)鍵問(wèn)題是你在建立模型中的使用數據轉換。如果在無(wú)論來(lái)自事務(wù)處理還是數據庫的輸入數據中包含了年齡、收入、性別字段，但是模型需要的年齡收入比率和性別已經(jīng)改變?yōu)槎兞浚虼四惚仨氜D換輸入數據。當你想快速展開(kāi)大量模型時(shí)，不費力的插入這些轉換數據就變成了最重要的生產(chǎn)力因素。
結論
在當今市場(chǎng)上，客戶(hù)關(guān)系管理的本質(zhì)就是更有效地進(jìn)行競爭。你使用你的客戶(hù)信息來(lái)滿(mǎn)足客戶(hù)需求的效果越好，你就會(huì )獲得更多的收益。操作性CRM需要分析性CRM，應為ACRM的核心就是預測性的數據采集模型。商業(yè)成功的途徑需要理解客戶(hù)和客戶(hù)的需求，而數據采集正是它的基本指南。
本文來(lái)自SPSS的英文材料，文中的內容可以理解為ACRM的運用方式（另外兩個(gè)為：認識什么是ACRM和ACRM的數據倉庫得建立）。該公司提供發(fā)現客戶(hù)期望和預測客戶(hù)將要做什么的解決方案；這種方案位于CRM和BI的交接處。SPSS的解決方案集成并分析行銷(xiāo)、客戶(hù)和操作性數據，它為全世界垂直市場(chǎng)的以下行業(yè)提供解決方案：電訊、保健、銀行、金融、保險、制造、零售業(yè)、市場(chǎng)研究等。