中小企業客戶關系管理數據倉庫的構建研究

［摘要］ 在當今激烈競爭的商業環境中，中小企業只有通過實施有效的客戶關系管理來提高客戶價值，才能獲取利潤，進而在競爭中勝出，而數據倉庫是客戶關系管理的靈魂。基于此，本文結合中小企業數據倉庫的需求特點，構建了中小企業客戶關系管理數據倉庫多維模型。

［關鍵詞］ 客戶關系管理；中小企業；數據倉庫

doi : 10 . 3969 / j . issn . 1673 - 0194 . 2012 . 05. 024

［中圖分類號］F270.7［文獻標識碼］A［文章編號］1673 - 0194（2012）05- 0046- 03

數據倉庫是客戶關系管理的靈魂。在客戶關系管理中，數據倉庫技術能夠把分散在企業內外的顧客數據信息和作業數據庫集成起來，實現企業與客戶之間高效的、雙向的溝通，從而保持與客戶長久的甚至是終身的關系，進而為企業創造長期的利潤。為此，中小企業構建適合自身特點的數據倉庫系統，是其有效實施客戶關系管理的重要途徑。

1數據倉庫的概念和特征

２０世紀８０年代中期，美國著名信息專家Ｗｉｌｌｉａｍ Ｈ．Ｉｎｍｏｎ在《建立數據倉庫》一書中提出“數據倉庫”的概念：數據倉庫是支持管理決策過程的、面向主題的、集成的、隨時間而變的、持久的數據集合［１］。一個完整的數據倉庫包括3個要素：數據、技術和應用。

數據倉庫主要具有以下特征：①面向主題。主題是用戶進行決策分析時所關注的業務的重點方面。數據倉庫是關注決策者的數據建模與分析，進而提供特定主題的簡明視圖。②數據集成。數據倉庫中的數據從獨立的多源數據庫中通過加工、匯總和整理精華抽取的，以確保數據倉庫中的數據是關于企業的一致性的全局信息。③信息穩定。一般情況下，一旦某數據進入數據倉庫，就將會被長期保存，修改和刪除操作很少，只是定期地進行加載和刷新。④反映歷史數據。數據倉庫系統地記錄了企業從過去某階段到目前的各個階段信息，利用這些信息，可以對企業的發展歷程和未來趨勢做出定量分析和預測。

2中小企業在數據倉庫應用過程中的需求特點

與應用主流數據倉庫構架的大型企業客戶關系管理系統相比，中小企業具有以下需求特點：

（１）中小企業機構設置簡單，部門少，遠沒有大型企業復雜，數據量也小，因此設定部門級數據集市的實際價值不大［２］。

（２）中小企業規模有限，現金流少，籌融資渠道狹窄，融資能力弱，這就決定了面向中小企業的數據倉庫的構建成本和使用成本必須要低。

（３）中小企業的業務人員業務分工不明確，常常需要進行跨數據集市之間的數據分析，而主流數據倉庫實現跨數據集市數據分析的技術非常復雜。中小企業需要的是簡單易用的跨數據集市數據分析的技術。

（４）中小企業的業務靈活，企業的業務發生變化快，要求數據倉庫能適應業務變化且整體投資不會迅速增加，其管理的復雜性也會大大增加。

3中小企業客戶關系管理數據倉庫的構建

根據中小企業在數據倉庫應用過程中的需求特點，建立數據倉庫可以解決依據主題進行數據挖掘的問題，提高訪問速度。本文采用基于主題來構建數據倉庫。

3.１ 構建數據倉庫過程

（1）確定中小企業數據倉庫的主題以及主題涉及的相關業務過程。

（２）建立中小企業數據倉庫維度模型。

（３）生成數據倉庫：設計接口，數據的抽取、轉換和加載等。

（４）應用開發和維護：數據倉庫的前端查詢報表、數據管理以及優化和維護等。

3.２ 數據倉庫的主題

數據倉庫的主題確定關系到企業數據倉庫實施的成敗以及目標和任務的評估，客戶關系管理數據倉庫按照企業業務分域一般應確立客戶、營銷、客戶服務3個核心決策主題。

（ｌ）客戶主題。客戶主題包含與客戶相關的基本信息，如客戶的自然屬性（姓名、年齡、職業等）、分類信息（現有客戶、潛在客戶、大客戶等）、重要屬性信息（信用度、忠誠度、消費層次等）。

（２）營銷主題。營銷主題包含銷售機會、營銷渠道、促銷活動等相關信息。

（３）客戶服務主題。客戶服務主題包含與客戶服務相關的部門信息、流程信息、分類信息、互動成本、解決投訴的時間、客戶滿意率或不滿意率等。

3.３ 中小企業數據倉庫維度建模

根據中小企業客戶關系管理數據倉庫的主題確定了相關的業務過程，定義合適的顆粒度，選取對應的維度，形成完整的維度模型。

維度模型組織數據的方式簡單、直觀，而且能夠保持較高性能的數據訪問。維度模型由多個多維數據模式構成，包括若干事實表和一組維表。多維模型有星形模式和雪花模式。

在星形模型中，事實表處于中間，多個維表分布于四周，并與實施表進行連接。位于星形模型中心的實體是用戶主要關心的基本實體和檢索的中心，為數據倉庫的查詢提供數據支持。雪花模型是對星形模型維度表的進一步細化，將某些維度表變為事實表，以方便不同級別用戶的查詢，同時可以將源數據通過規范化的聯系進行綜合，盡量減少數據存儲量，提高了檢索功能［３］。

3.４ 生成數據倉庫

通常，企業的數據源分布在企業不同部門、各子系統和節點中，利用ＥＴＬ（Ｅｘｔｒａｃｔｉｏｎ Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｌｏａｄｉｎｇ）工具能夠將分布于各處的業務系統上的數據抽取、轉換、裝載到數據倉庫。由于現有業務數據源很多，只有保證數據的一致性，真正理解數據的業務含義，跨越多平臺、多系統整合數據，才能盡最大可能提高數據的質量。適應企業業務需求不斷變化的特性，是ＥＴＬ技術處理的關鍵。

3.4.１ 數據抽取

數據抽取就是從外部異構數據源抽取數據，業務人員和設計人員需要分析討論制定最后的抽取策略。將選中的各種業務處理系統及不同網點的分散數據和一些外部數據抽取到ＤＷ（Ｄａｔａ Ｗａｒｅｈｏｕｓｅ）開發平臺，以備后面的數據處理使用，這一步對應著概念數據模型（ＣＤＭ）。它是為ＥＴＬ的數據獲取步驟服務的數據模型。

數據抽取可以分為數據全量抽取和數據增量抽取。全量抽取主要通過ＥＴＬ工具將數據源端的指定數據字段的全部數據都抽取出來，放入數據臨時存儲區，然后進行加工轉換，再裝載到目標數據庫中。全量抽取完成后，后續的抽取過程只需要抽取自上次抽取源表中新增或被修改的數據，稱為增量抽取［４］。

3.4.２ 數據轉換和清洗

數據轉換是根據數據倉庫系統模型的要求真正將源數據變為目標數據的關鍵環節，它包括數據格式轉換、數據類型轉換、數據匯總計算、數據拼接等，以保證來自不同系統、不同格式的數據的一致性和完整性，并按業務要求裝入目標表。

由于元數據庫存在的數據格式錯誤、數據不完整性、數據不一致性問題不能滿足目標數據庫的要求，所以進行數據清洗是必要的。數據清洗就是將錯誤的、不一致的數據在進入數據倉庫之前進行更正或者刪除，以免影響決策的正確性。我們必須針對系統的各個環節通過試抽取，將有問題的記錄先剔除出來，根據實際情況調整相應的清洗工作。

3.4.３ 數據加載

經過轉換和清洗的數據需要加載到數據倉庫中，有兩種數據裝載方式可供使用：一種方式是應用開發軟件ＰｏｗｅｒＢｕｉｌｄｅｒ在源數據庫中預覽數據后，將數據利用Sａｖｅ Ｒｏｗ Ａｓ保存；再利用ＰｏｗｅｒＢｕｉｌｄｅｒ的數據Iｍｐｏｒｔ命令，將源數據導入數據倉庫的表中。另一種方式是利用Ｓｙｂａｓｅ軟件提供的存儲過程（Ｐｒｏｃｅｄｕｒｅ）功能，通過編寫存儲過程代碼，來實現數據倉庫中表數據的加載。除了加載表外，加載任務還包括：管理數據行、建立表索引和表約束、匯總表，以及對表進行檢索、連接、排序和合計等操作［５］。

4結語

隨著ＣＲＭ（客戶關系管理）在中小企業經營過程中的應用與發展，企業生產、銷售和經營管理數據等相關信息不斷增加，數據倉庫已經成為中小企業（當然也是大型企業）組織、管理信息最有效方式。基于數據倉庫的ＣＲＭ，具有數據挖掘和在線分析ＯＬＡＰ（Oｎ－Lｉｎｅ Tｒａｎｓａｃｔｉｏｎ Pｒｏｃｅｓｓｉｎｇ）、報表等分析功能，可幫助中小企業提高市場決策能力、完善經營計劃，從而使中小企業獲得競爭優勢。

主要參考文獻

［１］王珊，等．數據倉庫技術與聯機分析處理［Ｍ］．北京：科學出版社，１９９９．

［2］王黎峰．面向中小企業的數據倉庫架構的設計與實現［Ｊ］．農業網絡信息，２００９（１２）．

［3］于小兵． 基于數據倉庫和移動Ａｇｅｎｔ的智能電子商務研究與應用［Ｄ］．武漢：武漢理工大學，２０１０.

［4］畢錕，劉軍．ＥＴＬ系統的設計及其研究［Ｊ］．軟件導刊，２０１０（５）．

［5］薛惠芬，周燕遐．數據倉庫技術在海洋環境信息管理中的應用研究［Ｊ］．海洋通報，２００５ （3）.

［收稿日期］2011-11-16

［基金項目］內蒙古自治區高等學校人文社會科學重點研究基地內蒙古中小企業發展研究基地資助課題（YJD10002）。

［作者簡介］郭毅（1972-），男，內蒙古財經學院工商管理學院副教授，碩士，主要研究方向：質量管理，信息管理與信息系統。