中国银行业CRM-BI初探
||2004-04-15
p>
p>
伴随着改革开放中国经济的飞跃发展,中国的银行业也经历了从小到大,从简单到复杂,从粗放式经营到比较充分的市场竞争这样的发展阶段。随着金融改革步伐的加快,国内商业银行间的竞争和外资银行的进入,银行业将迫切地面临着两个方面的转变:在宏观上,产品决策、经营决策由经验型向科学型转变;在微观上,要求银行经营从以业务为核心的经营管理模式,向以客户为中心的新型经营管理模式转变。
作为我国IT建设比较好的行业, 金融业已有的业务系统积累了大量的数据,这些数据散布于各个业务系统中,而且是以业务为中心,有限的客户资料也分散存储,非常不利于客户服务的深入发展。
经过前一些年高速扩张之后,现有的金融业都着眼于提高服务水平,提升人员素质,挖掘既有客户潜力,抓住既有客户。这些需求为CRM-BI提出了现实的迫切需求。
银行业面临的问题
目前在银行微观的经营活动中面临的主要问题是:
1.如何发展优势服务
多家银行集中在同一个区域,大家所提供的服务同质化十分严重。银行如果要发展优势服务,那么必须:
1) 发现重点客户,潜在的重点客户,界定一般客户。
2) 对重点客户提供有针对性的,个性化的服务,对潜在的客户进行拓展,对一般客户在资源允许的范围内进行集中服务。
2.对客户了解不够
银行的资源是有限的,应该投入到能够给银行带来主要效益的重点客户中去。客户得到的银行的资源应该与其对银行的贡献成正比。
重点客户的范围目前在许多地方多是凭客户经理的经验判断,这就难免有疏漏和偏颇,会给银行业务带来潜在的损失。由于业务数据的分离,客户经理很难掌握一个客户的全部信息,缺乏对客户全貌的了解使得银行无法确知真正有价值的客户,很难为客户提供满意的一站式的服务和防范可能出现的风险。
3.不知道应该找谁
这是一个很普遍的现象,过去业务员都是坐在家里等客户,新的竞争形势产生,所以要有新的做法,银行的主管们都希望业务员能够「走出去」,更主动的与客户接触,但是业务员们走出去的主要因难是─今天应该联络谁?谈什么呢?又例如:利率今天又降息一码,我应该找谁?有针对性,有目的性的寻访大客户是客户经理普遍关注的问题。
4.客户经理及优质客户的流失
现有的银行体制中,重要客户资源分散掌握在客户经理手中。银行对这些重点客户的营销、服务的继承性较差。
由于客户经理直接掌握着客户资源,银行无法对这些资源进行有效的控制。这些客户经理成为各家银行争夺的焦点。
一旦客户经理出现流动,其结果必然造成客户的流失,而这些流失的客户往往是银行最重要的客户。
5.什么是银行的优势业务
发展银行的优势业务不能凭主观的经验进行决策,而应该建立在对银行数据的及时准确地分析的基础上。相对而言不重要的客户,不重要的业务,就应该在科学,定量分析的基础上予以调整。综上所述,这些问题,集中统一起来,就形成了银行对CRM系统的强烈的需求。
为什么需要分析型CRM系统
对银行而言,现有的系统集中处理各个业务的交易状况,系统设计的目的是为了可靠,高效,准确处理大规模的事务,交易数据。而且系统的设计是针对不同业务需求的,不是针对客户的。
这样的系统的特性是:
§数据分散,结构不一,在现有系统的架构上,无法做到集中统一的分析。
§ 银行数据规范,准确,数据内涵较为稳定,使得分析的结果有推广的价值,而且分析的准确性很高。
§现有系统的报表功能其格式是集中、统一、面向业务的,无法满足具有不同目的的使用者的不同需求。
银行需要一种系统,一方面克服数据的分散,结构不一的缺点,提供良好的数据仓库;另一方面,在这一数据仓库基础上,利用银行规范、准确、有意义的数据,分析、挖掘出有价值的规律,服务于现实、迫切、多样的需求。
因而CRM-BI(Customer Relation Management – Business Intelligence)应运而生。这样一个系统的服务对象为:银行管理层、客户经理层、客户服务人员。
分析型CRM的定义
分析的定义
给出分析型CRM的定义是为了切实把握住这一概念在现实需求中的范畴。
提起分析,人们总有一种神秘感,总是和统计,规则,人工智能等联系在一起。分析就其高级阶段而言,确实很不容易掌握,只有少数受过专门训练的专家才能够熟练使用;而且分析和数据有密切的关系,数据的不同直接影响到分析结果的不同。目前,各家银行的数据千差万别,银行客户经理需要的知识也各不相同,因而很难交付给银行成型的产品化的软件,一般都需要客户化,需要对软件进行二次开发。
另外非常重要的一点是,分析本身具有不确定性,这种不确定性主要表现在:用户必须要能理解分析的方法和分析的路线,否则他们对分析的结果会产生怀疑,尤其当分析的结果有悖于常理,体现出价值的时候。
本文在CRM-BI的角度上,给出分析的6大元素:
§分析方法:
表征为分析的指标体系,相关于指标的计算方法,在指标之上的分析手段等。
§分析对象:
对分析系统而言就是数据,能够反映客户知识的数据。
§分析目标:
也就是用户想要做什么,和怎么做。
§分析空间:
分析空间分为:数据空间,权限空间,分析空间,可视空间。这一空间是指分析角色,针对分析目标,使用分析方法,对分析对象,在系统允许的活动范围内进行分析。
§分析心理:
分析心理决定了分析产品的设计,主要存在两种分析心理,破与立:
破:对给定一个命题,寻找证据否定它,以检验它的正确性。
立:对给定一个命题,寻找证据支持它,以检验它的正确性。
§ 分析角色:
在分析空间内活动的使用者类型。
分析本身是对数据的加工处理,以一种简单、直观、方便的方法给出数据反映的知识和内容。那么分析的定义为:
所谓分析就是“对目标对象,通过划分,产生高层次抽象数据,通过图表方式,对这些数据同时进行比较。”
这种知识在CRM-BI领域包括:客户群细分知识,客户群多维层次知识,客户群历史比较知识(连续周期多指标比较,选择周期多指标比较),客户群群间比较知识(当期比较,历史周期比较),客户群关联比较知识等等。
对分析而言,如果一个系统能够通过人们提出的问题直接给出结果,那么是最理想的。那么从另一方面说,对于普遍的80%的问题,由专门的分析角色给出结论那么就可以极大的简化基层人员的使用, 提高使用效率和使用积极性。
对分析而言,分析最重要的是结果。用户注重的也是分析的结果而不是分析工具本身。因此,在分析系统中,必须要有一些特定的分析角色,除了这些分析角色进行分析外,其他职工(经理和客户经理)的主要工作不需要进行分析,而只是享用分析角色提供的分析结果。
分析方式本身还分为:
1. 及时分析:抛弃上一个时间点的分析结果,在每个时间点,系统重新分析。
2. 累进分析:积累上一个时间点的分析,分析随时间点的前进,逐步进行。
CRM-BI的定义
分析型CRM的核心定义:
以数据仓库为核心,以分析为主轴,以营销为最终目的,面向管理层、专业分析员、客户经理层、客户人员等,同时兼有经营决策统计分析的CRM+OLAP系统。这样的系统,要能够充分挖掘现有大客户和潜在大客户的各种现实的特性和可能的需求,不但能够为开展有针对性地营销活动提供多角度、全方位、深入,系统的知识,以实现“一对一”的个性化营销;而且这种知识以主动推送的方式提供给不同的使用者,实现了从被动分析到主动分析的技术层次跨越。
分析型CRM的架构:
其中:
软件层次:数据抽取层、模型算法层、界面展示层。数据从客户服务数据库中被ETL抽取到数据仓库中。通过标准的接口规范,模型算法层对数据进行分析得到数据结果展现给用户。
系统具有两级接口规范:
1)数据抽取层和模型算法层接口规范:提供标准的模型算法接口,屏蔽不同数据集对模型算法的影响。
2)模型算法层和表示层接口规范:提供标准的模型算法接口,屏蔽不同接口方式对模型算法的影响。
分析型CRM实施战略的核心问题
集中还是分布
就CRM-BI的定义而言,采用集中式的以客户为中心的数据仓库的方案是必然的。这一数据仓库的核心是客户基表,以客户代码(Customer_No)为主线,关联到整个数据仓库中的数据表。这样设计从物理上也体现出以客户为中心。
因为建立CRM-BI要解决的首要问题就是将目前各个子系统的分布的客户各类数据进行整合,形成集中统一的混合型数据仓库(动态数据和静态数据相统一),所以无论在具体建设中是否采用集中的方式,客户的数据结构必须在逻辑上保持集中统一。
数据的统一性问题
数据必须是逻辑统一的,但允许其在物理上分片,分步骤建设。
CRM-BI的核心思想是统一客户,那么当条件不允许建立集中统一的物理中心客户数据仓库的时候,就可以考虑建设逻辑上一致的数据仓库。其中要做到:
1. 客户代码统一。
2. 客户在所属的局部,保持其明细性,在宏观保持其宏观特性,降低其数据量。
3. 距离数据发生源,越远,那么越宏观;越近,越细致。
如何分步骤建设系统
第一步:整合客户资料,规范客户,提供对客户的查询,输入或倒入,维护,以及简单的统计报表功能。完成验证和验收工作。
第二步:业务数据倒入;倒入以客户数据为中心的有意义的各种汇总业务数据,维护这些数据的平稳与一致性倒入。完成高级别的报表和分析。完成验证和验收工作。
第三步:更细一级的业务数据倒入;完全倒入客户业务数据,建立稳定的倒入流程,完成细致的报表和分析。完成验证和验收工作。
当设计开发一个CRM-BI系统面对大数据量的时候,开发者首先需要考虑的是数据的规模,其次要约束客户的分析愿望。
大数据量给分析系统带来的具体困难包括:
ETL困难
ETL最大的困难是如何在业务系统的窗口期提取数据。在不干扰业务系统的情况下,业务系统都会给分析系统留一个窗口期用于数据的抽取。这个窗口期的形式包括:后备份、档案、窗口期直接抽取等。
在窗口期直接抽取方式下,尤其是时间约束比较紧迫的情况下,大数据量会使得ETL过程的开发非常困难;如果在ETL过程中出现问题,那么只有在下一个窗口期重新执行。这使得编写程序,调试都非常的困难。
分析困难
数据能够反映出无穷的分析能力,规律往往比数据还多。有些非常简单直观的规律却需要非常复杂长期的计算。
分析中的困难尤其反映在与时间周期相关的数据上面,这些数据往往占用大量的存储空间,历史各个层面上的数据存储的是当时的分析结果,需要合理的取舍这些数据,尽量做到近期反映细节,远期反映宏观规律。
存储计算结果的困难
分析系统的主要能力是存储大量的分析计算结果。计算结果包括中间结果和最终结果。存储计算结果数据,一方面是为了共享分析能力,另一方面节省了CPU的计算时间。这些结果实际上是用空间换取运算能力的关键步骤。为了实现这样的目的,系统需要大量的存储空间存储用户各种可能的分析结果。
如果分析需求很多,那就意味着非常庞大的存储。因而通过合理的分布和安排用户可能的分析需求,提前做到有针对性的分析,就能够做到满足用户80%的分析需求;对那些不能够满足的部分,通过提供开放的接口,以指令的方式方便用户的即席分析。
界面访问困难
在客户大量频繁访问的情况下,大数据量给界面程序带来了巨大的压力。如果界面仅仅给出分析的宏观概貌,那么界面的压力还是比较轻松,如果界面需要反映规律的细节,那么如果不加控制的话,仅仅数据通过各级接口的传输,就足以使系统崩溃。因而需要在设计中尽量避免给出规律的细节,尽量只给少数用户提供规律的细节。
开发和调试的困难
大数据量带给系统最大的困难就在于开发和调试的困难。试想如果测试一遍系统需要10个小时的化,那么在项目合理的周期内,又能够测试几次系统呢?分布开发的时候,开发过程本身就牵扯到大量的数据运算,开发组之间往往会互相干扰,形成瓶颈。即使在完成了单独测试,开始联调时,查找一个错误也往往需要大量的时间,尤其是这样的时间是分布不均衡的时候。为了避免出现测试忙,运算闲等情况发生,合理的安排和组织开发和测试,以及在设计中完善的接口控制机制是保证在开发和调试阶段克服大数据量困难的唯一方式。
难于事先估计数据的规模。可能有10倍的误差
对数据规模的估计,考验设计师的权衡能力。当出现数据规模超出设计这样的问题的时候,那么就需要适当裁减系统的分析功能。系统的设计,需要做到足够的模块化,以保证这样的裁减能够施行。
系统维护困难
大数据量系统,尤其是需要整晚上计算的系统,一旦出现问题,为了不影响白天的使用,那么只能第二天重新计算。这样的系统给维护工作带来了很大的困难。
责编:admin
转载请注明来源:中国银行业CRM-BI初探
噢!评论已关闭。