1新型数据库营销体系的设计
数据库营销作为一种营销理论和信息技术的结合体，需要一个合理的系统结构作为实现基础。对于数据库营销体系问题，国内外专家观点各异。部分学者认为：从数据库营销与客户关系管理（
在线CRM）的关系角度来分析，数据库营销虽然是在线CRM的基础。但它缺乏在线CRM的销售自动化、客户服务以及商务智能（数据挖掘等）内容。其数据库常常同企业历史数据脱节，因而只能作为一种初步分析型的促销手段。
鉴于目前营销工作在企业中的重要性，笔者认为这个体系应该是一个以全员营销为指导思想、涵盖在线CRM销售、客服以及商务智能内容的完整体系。主要理由基于以下两点：一，数据库营销是在线CRM建立数据仓库、进行数据挖掘的必备条件。整合这两个部分可大大提高整个营销系统的功能。对营销工作进行统一管理，这在技术上也有实现可能性；二，销售工作、客户服务虽同营销工作有所区别，但可以说都是以营销作为核心发挥各自作用的。这具体体现在：销售数据要提供给营销部门，营销部门通过决策来指导如何迸一步实现顺利销售，为顾客增值；客户服务工作要以营销资料作为重要参考，根据客户消费特征等具体情况提供相应的服务，实现客户满意。
总之，探讨中的数据库营销体系应是以营销为主导。销售、客服和商务智能为辅助功能的企业级营销体系，从某种意义上来说，它就是以全员营销思想为核心的在线CRM。所探讨的这种新型数据库营销体系如图1。探讨中的数据库营销体系是这样一种体系：销售、客服部门通过客户联络中心和各销售渠道搜集客户数据，并通过整理汇集到营销部门的客户数据库。营销部门对客户数据进行观察、统计和分析，在必要时将部分数据通过精简、转换导入到数据仓库进行深度分析处理如数据挖掘，将得出有价值的知识模式通过可视化表示给营销部门。营销部门将这些结论与生产部门、财务部门的信息进行综合，制定下一阶段的营销策略并传送到各个部门作为其活动参考依据。
2新型数据库营销体系的实现
2.1客户数据的源头：客户接触与联络
企业的营销人员如果没有即时充分的客户数据和市场资料。工作将难以开展。因此跟客户的接触与联络变得尤为重要。数据库营销的客户接触和联络主要有两部分构成：一是通过销售部门的产品服务销售渠道与客户进行接触，及时记录下客户的销售情况：一是通过客户服务部门的客户联络中心与客户进行沟通和交流。通过多媒体、多渠道整合以及智能搜索的方式来帮助客户找到最佳座席（客户服务点）并为其提供优质服务。其中的客户联络中心，就是一个集电话、电邮、传真、网络、信函等一系列数字和非数字渠道的客户交互平台。在这个平台上客户可随时随地选择自己喜欢的方式同企业进行交流，而企业也借此深入了解顾客意见和需求，以最快速度帮助客户解决实际问题，与此同时，中心也尽量搜集其相关信息。做到客户信息的。零流失“，为以后的营销及销售工作提供依据。其优点在于：对企业而言，接触效率高、记录信息全且便于存取和管理、提高顾客满意度；对客户而言，便利和选择个性化、即时交互性强、有亲切感、从而对企业产生良好印象。客户联络中心集成多种渠道路由服务组件和相应服务器，以客户联络信息为本，通过相应服务器和数据库执行业务逻辑，找出最佳座席代表，并进行客户信息更新和记录。整个过程计算机处理，客户呼叫效率非常高。一个典型的客户联络中心如图2所示。
客户联络中心是进行客户接触和信息搜集的一个很好的方式。但若能将它同传统的方法（如走访、非正式接触等等）结合起来，互相配合和协作，企业将更是裨有收益。
2.2客户数据的处理
根据各种渠道搜集到客户数据存在着很多问题：重复、残缺、不规范、不一致等等，它们都会对后续的分析和挖掘造成很大的影响。因而需对这些海量的粗糙数据根据要求进行提前的整理。这种整理主要包括两个部分：一是将终端客户数据（销售和客户数据）进行甄别和选录放人统一的营销数据库，并定期进行数据巩固和更新，可称为数据的预处理部分：二是对于营销数据库中需要进一步通过数据挖掘的部分数据，通过特定清理、集成、变换和归约。转化为数据仓库可以接受的形式，为接下来的数据挖掘做好充足准备，可称为数据的再处理部分。由于数据处理技术的复杂性，这里不再作具体分析。
2.3数据消费的关键环节：数据挖掘
客户数据按照要求进行清洗和整理，还需要进一步地挖掘和分析，探索和发现有市场价值的深层次信息。数据挖掘，从数据库角度来讲，它是指发现隐藏在大型数据集中有趣的数据模式并将其得出的数据转换成有用信息和知识的过程，这些信息和知识可广泛用于各种应用，如商务管理、市场分析等等。对于企业营销。它可帮助各企业从记录的海量客户数据中发现有关客户消费心理和行为特征的有商业价值的数据模式，通过它们来辅助企业制定更准确有效的营销决策。
数据挖掘的基本步骤主要包括：
（1）数据清理和集成：消除噪音或不一致数据，将各种数据源组合在一起，并把结果存人数据仓库中。其中的数据仓库是一种面向主题的、集成的、时变的和非易失的有组织的数据集合，采用多维数据模型设计。
（2）数据选择与变换：从数据仓库中检索与分析任务相关的数据，并将之统一成适合发掘的形式（如通过汇总或聚集操作）。
（3）数据挖掘：使用智能方法从海量数据中提取数据模式。
（4）模式评估与知识表示：根据某种兴趣度度量，识别真正有价值的模式并将得到的结果通过可视化和知识表示技术提供给用户（如企业的部门经理等决策人员）。
数据挖掘出的重要模式在商业特别是客户营销上的运用十分广泛，主要有特征化与区分、关联分析、分类和预测和聚类分析等等。为了便于理解，只就其中一种模式的一种算法进行阐述。
2.4数据挖掘聚类实例分析：K—平均算法原理及运用
K一平均算法的过程如下：
（1）输入包含N个对象（客户）的数据库及簇的数目K（要分的客户群数），在N个对象中随机选择K个作为各个簇的平均值或中心；
（2）将剩余的（N—K）个对象根据到各个簇中心的距离的远近赋到离各自最近的簇；
（3）重新计算每个簇的平均值；
（4）不断重复上两个步骤。直到各个簇的平均值不再变化。各个类趋于稳定。结果将得出根据各个特定指标分类的群簇（具有相同消费特征的客户群）。
聚类分析运用到营销领域，比如大型购物超市对于会员客户进行类型识别以便更好地提供优质服务，可从这家超市的会员客户数据库中调出所需的消费数据，经过数值化处理的多维数据模式为：客户识别码（总消费额，购买次数，收入水平，……）。其中总消费额，购买次数，收入水平等多维变量都是同客户类型划分直接相关的数据。根据会员数（N）及客户类别数（K）等分析信息进行聚类分析，可得到相应的结果簇，模拟的2一D效果图见图4。
聚类的结果是大型购物超市的所有会员客户被不同维指标划分为三个明显的簇（类），A，B，C，每一种类型的客户都具有各自的消费偏好和不同消费特征。超市可通过比较和分析这些不同类客户的消费特征并开展针对性的营销活动。
数据挖掘是探讨中的数据库营销体系的核心组成部分，同时也是分析型在线CRM应用的核心技术，起着十分关键的作用。但由于理论和技术的复杂性，数据挖掘还有许多需要完善的地方。值得注意的是，并非数据库中的所有类型的数据都需要挖掘，有些文本性很强的信息（如大量文字分析、图片等等）和一些非数值化的数据可能只要通过一些人工整理，同样地也会对营销工作和决策有所帮助。
2.5制定相应的营销决策
日常销售的数据、客户联系过程中获取的信息、数据挖掘发现的知识模式为企业对于不同产品和服务开展营销活动提供了很好的事实参考依据，再将企业生产部门、财务部门等的基本数据（如库存、成本等数据）进行综合考虑，营销部门因此可相应地制定更为科学和合理的营销决策和策略，比如营销中的4P策略，仅产品策略一项就可进行如下优化：
（1）根据某些产品具体销售数据和平均利润率了解到客户的消费偏好。从而对企业现有产品线或产品项目进行评估，并且相应采用合适的产品组合策略（如扩大或缩减产品组合。进行产品线延伸）更好地满足市场需求；
（2）通过对产品历史销售数据进行挖掘来找出其所处的生命周期阶段，根据产品在导入期、成长期、成熟期、衰退期不同阶段的产品特征制定相应的策略；
（3）新产品推出时，根据顾客对某种产品或服务的评价或满意度进行产品的改良和更新。而对于因消费这些新产品而分化出的特定消费群体。可针对其消费特征对新产品进行重新定位或者开发迎合其口味的系列产品等等。
