客户关系管理客户体验客户关怀客户接触点之间的关系.docx
《客户关系管理客户体验客户关怀客户接触点之间的关系.docx》由会员分享，可在线阅读，更多相关《客户关系管理客户体验客户关怀客户接触点之间的关系.docx（11页珍藏版）》请在冰点文库上搜索。
客户关系管理客户体验客户关怀客户接触点之间的关系
客户关系管理----客户体验,客户关怀,客户接触点之间的关系
1、客户体验、客户关怀、客户接触点之间的内在联系是什么，请加以论述。
1.1客户体验：
1.1.1客户体验的定义：
所谓体验，就是企业以服务为舞台、以商品为道具进行的令消费者难忘的活动。
产品、服务对消费者来说是外在的，体验是内在的、存于个人心中，是个人在形体、情绪、知识上参与的所得。
客户体验是客户根据自己与企业的互动产生的印象和感觉。
厂商客户对厂商的印象和感觉是从他开始接触到其广告、宣传品，或是第一次访问该公司就产生了，此后，从接触到厂商的销售、产品，到使用厂商的产品，接受其服务，这种体验得到了延续，因此，客户体验是一个整体的过程，一个理想的客户体验必是由一系列舒适、欣赏、赞叹、回味等心理过程组成，它带给客户以获得价值的强烈心理感受；它由一系列附加于产品或服务之上的事件所组成，鲜明地突出了产品或服务的全新价值；它强化了厂商的专业化形象，促使客户重复购买或提高客户对厂商的认可。
一个企业如果试图向其客户传递理想的客户体验，势必要在产品、服务、人员以及过
1.2客户关怀：
1.2.1客户关怀的定义：
客户关怀是服务质量标准化的一种基本方式，它涵盖了公司经营的各个方面，从产品或服务设计到它如何包装、交付和服务。
它强调对于从设计和生产一直到交付和服务支持的交换过程每一元素关注的重要性。
顾客关怀本质上归结起来是为顾客所感知到、体会到和以一致方式交付的服务和质量。
1.2.2顾客关怀的范围：
（1）客户服务（Customerservice）一般包括为顾客提供有关产品或服务技术说明的建议和信息，以及售后支持安排与步骤。
为强调这一点，克里斯托弗写道：
“最终的顾客服务取决于影响使买主得到产品和服务过程所有因素的交互作用”。
（2）产品质量（Productquality）与用以确保符合说明、进而适合其目的以及使用安全而设置的标准及测度紧密相关。
（3）服务质量（Servicequality）指的是公司/顾客间的界面和关系，着重点在交易过程中顾客的体验。
（4）售后服务（Aftersalesservice）涵盖售后查询和投诉，以及修理和维护步骤。
述这些方面形成了全面顾客关怀包装的部分，它在帮助、友好、关心和安心等方面采取关怀态度。
其目标是不断满足顾客需求并履行顾客期望。
在此背景下顾客关怀适用于营销的各个方面。
1.2.3客户关怀的影响：
客户关怀可并入组织为顾客所做的一切。
其采取的形式依赖于多种因素，例如产品或服务的特征、行业、竞争与消费者的期望。
当然，在普遍参数的整个范围内都可找到顾客关怀的影子。
例如最小程度的关怀也足以使顾客满意，或者为具有竞争力需要最大程度的关怀。
顾客关怀可能较薄弱，但产品差异化足以弥补这一点；相反，对有些产品或服务，最佳关怀是核心需要。
同样地，有些情形简单关怀就足够了，而复杂关怀形式作为重要的营销差异化。
不管顾客关怀的范围和本质如何，有两条可能是不变的：
它取决于管理，并由顾客/消费者据其期望来判断。
好的顾客关怀得益于在企业的职业履行与顾客期望相一致，经验表明，在标准维护方面，前后的一致性十分重要，在顾客关怀的无形维度方面更是如此。
在“个性化特征”方面，如果忽视对一致性的关心和注意，很容易导致绩效标准波动较大。
对工具维度的重视可以改善顾客关怀，但这些关怀将会因忽视心理维度而被抹杀。
企业可以通过两种途径提供一致性的顾客关怀：
第一，企业改善交易发生的环境使其标准化；第二，在企业内部特别是与顾客接触的员工中应用营销概念。
在清晰和精确的关怀目标和政策下组合以下四方面因素，企业兑现的顾客关怀将会对其顾客产生持久的影响并使顾客得到满足。
（1）对所有营销变量的考虑——包括产品或服务、广告、促销、推销、交付、订单处理等变量。
（2）对关键营销能力和个人网络的辨识与加强——关注知识、沟通、经验和判断，以及在涉及顾客关怀的所有方面培育和发展个人联系。
（3）顾客关怀活动的一致性和均衡性——超越整个顾客关怀的活动范围。
（4）顾客与企业的认同——对顾客和企业内在关系，特别是有关硬工具维度和软心理维度方面的认可。
1.3客户接触点：
1.3.1客户接触点的含义及关键时刻：
含义:
终端客户接触到的关于企业品牌及产品的所有点
关键时刻：
两条线索，三个阶段
1.3.2客户接触点的研究目的：
有效地管理客户，增强对客户的把控能力，降低企业风险
建立良好的口碑，使之为我们的企业产品持续买单
营销发力点更加清晰
指导后续产品设计
1.3.3客户接触点管理的核心内容：
客户接触点管理的核心是企业如何在正确的接触点以正确的方式向正确的客户提供正确的产品和服务。
信息技术进步带来的服务营销虚拟化，使得企业和客户之间的营销互动与信息交换模式永久改进，并创造出多种服务营销渠道和客户接触点。
客户接触点管理变得比以往任何时候都更复杂，也更加重要。
多接触点策略是企业深入推进分级服务分类营销的理想选择，但在多个客户接触渠道中保持一致的信息和服务水平是一项管理挑战。
企业需要精心设计并在各接触点上准确提供一致的信息，防止造成客户的困惑与负面体验。
1.4内在联系：
客户体验、客户关怀和客户接触点是密不可分的。
其三者主要研究的都是客户、商品及服务和企业三者之间的关系，客户接触点是一个固有的内容定义，而客户体验与客户关怀是互相衍生相伴的。
从客户体验的角度看，客户关怀活动包含在客户从购前、购中到购后的全部过程中。
在客户购买前，客户关怀为公司与客户之间关系的建立打开了一扇大门，为鼓励和促进客户购买产品或服务作了前奏。
购买期间，客户关怀则与公司提供的产品或服务紧紧的联系在一起，将服务提供与客户的期望相吻合，满足客户需求。
购买后，客户关怀活动则集中于企业高效的跟进、圆满的完成产品维护和修理的相关步骤等，使客户能够重复购买公司的产品或服务。
客户体验则是客户在同公司各个接触点上的实际感官认知和情感记忆，通常情况下包括视觉、听觉、嗅觉、味觉与触觉上的感知感受。
客户关怀强调得是客户购买的过程，而客户体验强调更多的是公司对客户提供服务或产品的过程和过程管理。
通过对客户接触点的分析研究，可以形成差异化的产品以及差异化的客户体验，然后公司再根据客户及市场反馈进一步完善上述流程，以形成完整的客户体验和客户接触点创新管理动态过程
由此，我们可以得出结论：
在客户经济时代，任何一家公司都应该围绕客户的需求，尤其是围绕客户价值（情感）需求，对客户接触环节、接触渠道进行全流程解剖和分析，并分解出所有的客户接触点，同时结合公司的战略和品牌定位，将公司的资源集中起来在客户的关键接触点上形成体验的峰值和终值，这些体验应该唤起客户情感和价值上的共鸣，从而给客户留下深刻的心理记忆，使该记忆潜移默化为客户对公司的潜意识，以便下次客户再实施同类的采购行为或形成再次消费需求时，理所当然地选择该公司。
2、数据挖掘与客户关系管理的关系是什么？
为什么要对客户关系进行数据挖掘？
用CLEMENTINE软件对客户关系进行挖掘的基本流程是什么？
对海量客户数据进行数据挖掘时应注意哪些问题？
2.1数据挖掘与客户关系管理的关系是什么？
2.1.1客户关系管理：
顾名思义，CRM指的是企业与其客户的交流方式，它实施于企业的市场营销、销售、服务与技术支持等与客户有关的领域。
客户关系管理（CRM）首先是一种管理理念，起源于西方的市场营销理论，产生和发展在美国。
其核心思想是将企业的客户（包括最终客户、分销商和合作伙伴）作为最重要的企业资源，通过完善的客户服务和深入的客户分析来满足客户的需求，保证实现客户的终生价值。
客户关系管理（CRM）又是一种旨在改善企业与客户之间关系的新型管理机制，它实施于企业的市场营销、销售、服务与技术支持等与客户相关的领域，要求企业从"以产品为中心"的模式向"以客户为中心"的模式转移，也就是说，企业关注的焦点应从内部运作转移到客户关系上来。
客户关系管理（CRM）也是一种管理软件和技术，它将最佳的商业实践与数据挖掘、数据仓库、一对一营销、销售自动化以及其它信息技术紧密结合在一起，为企业的销售、客户服务和决策支持等领域提供了一个业务自动化的解决方案，使企业有了一个基于电子商务的面对客户的前沿，从而顺利实现由传统企业模式到以电子商务为基础的现代企业模式的转化。
2.1.2数据挖掘：
数据挖掘（DataMining），又称数据库中的知识发现（KnowledgeDiscoveryinDatabase,KDD），是指从大型数据库或数据仓库中提取隐含的、未知的、非平凡的及有潜在应用价值的信息或模式，它是数据库研究中的一个很有应用价值的新领域，融合了数据库、人工智能、机器学习、统计学等多个领域的理论和技术。
2.1.3关系：
客户关系管理不仅是一种管理理念，又是一种旨在改善企业与客户之间关系的新型管理机制，也是一种管理软件和技术。
数据挖掘能够对将来的趋势和行为进行预测，从而很好地支持人们的决策。
CRM的成功在于成功的数据仓库、数据挖掘。
数据挖掘是深层次客户关系管理的核心技术。
数据挖掘是整个客户关系管理中最重要的组成部分，是客户关系管理的创造商业价值的关键。
有了数据挖掘，是企业从大量数据中获得了深层次的，隐含的，潜在的，未来的客户只是，喂企业扩大原有的上级，创造新的上级，有限获得上级提供了有力的条件，进而为企业经营提供更有效的营销，销售和服务的决策支持，是数据挖掘成为客户关系管理中最重要的最关键的组成部分。
数据挖掘工具能够对将来的趋势和行为进行预测，从而很好地支持人们的决策，比如，经过对公司整个数据库系统的分析，数据挖掘工具可以回答诸如"哪个客户对我们公司的邮件推销活动最有可能作出反应，为什么"等类似的问题。
有些数据挖掘工具还能够解决一些很消耗人工时间的传统问题，因为它们能够快速地浏览整个数据库，找出一些专家们不易察觉的极有用的信息。
因此可以说CRM的成功在于成功的数据仓库、数据挖掘及知识发现。
2.2为什么要对客户关系进行数据挖掘？
客户关系管理最基本的含义就是管理所有与客户的相互作用。
随着客户信息的绝对容量的急剧增大，企业与客户的相互作用日益复杂，数据挖掘被推到了客户关系管理的最前端。
利用在传统的数据库技术基础上发展起来的数据挖掘等先进的智能化信息技术，利用神经网络等分析技术，挖掘出潜在的有用信息，用于企业辅助决策。
从CRM软件所搜集的数据是最能帮助企业了解客户的，所谓的"一对一行"销也是注重在了解客户的需求，以便投其所好，以促成交易。
数据是死的，但是如果能运用一些数学或统计模式，发现数据中存在的关系和规则，根据现有的数据预测未来的发展趋势，那么就可成为管理者的决策参考。
以电子商务环境下的企业客户关系管理为主线，辅之以建立在数据库或数据仓库基础上的各种数据挖掘技术，在吸引客户、留住客户、升级客户的过程中实现不断提升企业核心竞争力的目标。
数据挖掘工具能够对将来的趋势和行为进行预测，从而很好地支持人们的决策。
因此可以说CRM的成功在于成功的数据仓库、数据挖掘及知识发现。
数据挖掘是通过使用数据分析和数据建模技术来发现数据之间的关系和趋势的过程。
数据挖掘能够从大量的数据中，抽取出潜在的、对决策存在价值的知识、模型或规则。
数据挖掘中最基本、最简单的分析步骤就是描述数据，但是数据描述并不足以提供行动计划，必须用从已知结果中确立的模式来建立预测性模型，从而提供行动计划。
然后用其它的方法对其进行测试。
一个好的模型不应该被真实情况所困惑，这个模型能够用来指导你理解业务。
对于企业而言，数据挖掘能够根据已有的信息对未发生行为做出结果预测，有助于揭示已知的事实，发现业务发展的趋势，预测未知的结果，为企业经营决策、市场策划提供依据。
2.3用CLEMENTINE软件对客户关系进行挖掘的基本流程是什么？
（1）数据取样：
清晰的定义出业务问题，认清数据挖掘的目的是数据挖掘的重要一步。
挖掘的最后结构是不可预测的，但要探索的问题应是有预见的。
（2）数据探索：
①数据的选择：
搜索所有与业务对象有关的内部和外部数据信息，依据数据挖掘的业务问题。
②数据的预处理：
研究数据的质量，为进一步的分析做准备。
并确定将要进行的挖掘操作的类型。
③数据的转换：
讲数据转换成一个分析模型。
这个分析模型是针对挖掘算法建立的，建立一个真正适合挖掘算法的分析模型是数据挖掘成功的关键。
（3）数据实施：
对所得到的经过转换的数据进行挖掘。
从上述过程中将会得出一系列的分析结果、模式或模型。
（4）结果分析
这一步是数据挖掘工作的核心环节。
将分析所得到的知识集成到业务信息系统的组织结构中去，让所发现的有价值的规律被人们理解、应用，从而体现知识的价值。
2.4对海量客户数据进行数据挖掘时应注意哪些问题？
（1）可伸缩
由于数据产生和收集技术的进步，数吉字节、数太字节甚至数拍字节的数据集越来越普遍。
如果数据挖掘算法要处理这些海量数据集，则算法必须是可伸缩的（scalable）。
许多数据挖掘算法使用特殊的搜索策略处理指数性搜索问题。
可伸缩可能还需要实现新的数据结构，以有效的方式访问个别记录。
例如，当要处理的数据不能放进内存时，可能需要非内存算法。
使用抽样技术或开发并行和分布算法也可以提高可伸缩程度。
（2）高维性
现在，常常遇到具有数以百计或数以千计属性的数据集，而不是数十年前常见的只具有少量属性的数据集。
在生物信息学领域，微阵列技术的进步已经产生了涉及数千特征的基因表达数据。
具有时间或空间分量的数据集也趋向于具有很高的维度。
例如，考虑包含不同地区的温度测量的数据集。
如果温度在一个相当长的时间周期内重复地测量，则维度（特征数）的增长正比于测量的次数。
为低维数据开发的传统的数据分析技术通常不能很好地处理这样的高维数据。
此外，对于某些数据分析算法，随着维度（特征数）的增加，计算复杂性迅速增加。
（3）异种数据和复杂数据
通常，传统的数据分析方法只处理包含相同类型属性的数据集，或者是连续的，或者是分类的。
随着数据挖掘在商务、科学、医学和其他领域的作用越来越大，越来越需要能够处理异种属性的技术。
近年来，已经出现了更复杂的数据对象。
这些非传统的数据类型的例子包括含有半结构化文本和超链接的Web页面集、具有序列和三维结构的DNA数据、包含地球表面不同位置上的时间序列测量值（温度、气压等）的气象数据。
为挖掘这种复杂对象而开发的技术应当考虑数据中的联系，如时间和空间的自相关性、图的连通性、半结构化文本和XML文档中元素之间的父子联系。
（4）数据的所有权与分布
有时，需要分析的数据并非存放在一个站点，或归属一个单位，而是地理上分布在属于多个机构的资源中。
这就需要开发分布式数据挖掘技术。
分布式数据挖掘算法面临的主要挑战包括：
（1）如何降低执行分布式计算所需的通信量？
（2）如何有效地统一从多个资源得到的数据挖掘结果？
（3）如何处理数据安全性问题？
（5）非传统的分析
传统的统计方法基于一种假设—检验模式。
换句话说，提出一种假设，设计实验来收集数据，然后针对假设分析数据。
但是，这一过程劳力费神。
当前的数据分析任务常常需要产生和评估数以千计的假设，因此希望自动地产生和评估假设导致了一些数据挖掘技术的开发。
此外，数据挖掘所分析的数据集通常不是精心设计的实验的结果，并且它们通常代表数据的时机性样本（opportunisticsample），而不是随机样本（randomsample）。
而且，这些数据集常常涉及非传统的数据类型和数据分布。
升级会员 