企业如何进行智能化的数据库管理

    ·数据库管理规划-建立全面的数据库管理架构

    企业在实施自身数据库管理之前，需要全面建立企业数据库管理及应用架构，其内容涵盖：

    ·数据收集整理-建立标准的收集整理流程和方法

    企业自身客户数据库获取的渠道较多，比如销售数据、售后数据、活动数据、第三方公司提供的合法数据等，为了保证后期数据库营销的应用，在数据收集整理阶段，应该严格按照规范进行。主要如下：

    数据字段规范要求。企业收集数据的各个渠道，应该尽可能多的收集、保存客户完整信息，在收集端就要对各字段进行统一规范，比如：手机号码11位，姓名为全称等要求。

    数据收集的周期安排。建立定期数据收集制度，根据企业性质，按照月度或季度统一收集整理客户数据。

    数据查删重操作。每一批新数据的到来，都要对数据进行查删重操作，避免出现重复数据。查删重也分为人工删重、模糊删重、精确删重，删重标准都应在事先进行规范。

    数据匹配整理。建立一套健全的数据规范知识库，每一批数据经过查删重，都要通过知识库进行规范提升，按照数据库要求的字段，实现横向的逻辑校验。

[page]    ·数据整合-建立客户单一视图管理

    在企业数据管理过程中，同一客户信息将出现在不同部门，例如：销售部有客户首次购买信息、增购信息；售后部有客户售后信息；市场部有客户活动信息；客服部有客户投诉信息；财务部有客户消费信息等等，这些独立于各个部门的信息经过整理之后，需要根据唯一标识字段（如身份证、手机号等）进行数据整合，整合后的数据才能实现客户的单一视图管理，才能开展每一位客户全面的客户价值、流失状况、活动响应等分析，为制定营销策略提供准确、全面的支持。一般的方法是通过ETL/ELT的工具建立数据仓库直至部门级的数据集市，以便用于后续的客户研究。

    ·数据质量维护及提升-建立良性的数据质量优化机制

    众所周知，在不对数据进行任何操作的情况下，数据的准确性、有效性会随时间的增长而降低，为了保证数据的质量，企业通常会制定一些更新机制，我们这里所提及的良性的数据质量优化机制，不仅仅关注于数据的准确性与有效性，还包括数据信息的全面性，这些内容都将直接影响数据应用的效果。数据质量优化机制应包含如下几方面内容：

    数据动态更新机制。企业在充分利用数据带来的效益时，也应进行时时的或定期的数据更新。一方面，是企业销售、售后产生的新数据将源源不断进入数据库，这些数据中一定包含了老客户的再次购买，那么需要利用新数据去更新老数据的基本信息。另一方面，是数据利用过程中，客户所反馈回来的最新信息，也应回库保鲜。

    数据状态标识机制。数据在数据库中，最初仅应包含个人信息、购买信息、售后信息等通过业务直接获取的信息，随着数据的分析应用，每个客户都应增加多个标识，以帮助在后期分析营销时参考，比如：客户价值分析后，每条数据都应具有一个价值评分字段，标识客户价值；客户活动维护沟通后，相应数据应该包含数据有效性的标识、客户状态的标识、客户活动响应的标识等字段。这些信息对后期的分析营销工作具有指导意义。

    动态分类机制。基于数据状态标识，我们可以对客户进行分类，比如高价值客户、低价值客户；忠诚客户、流失客户；满意客户、摇摆客户、不满客户等等，这些类别将根据不同类型企业对客户的定义来划分，客户的分类将在具体的营销活动中指导企业开展差异化营销工作。分类可以是经验型的，也可以通过数据挖掘后的规则集在BI的工具上呈现。

    数据持续监督及抽检机制。根据数据使用情况，定期对数据进行监督及抽检，全面掌握数据整体状况，及时开展数据更新提升工作，保证较低成本的数据质量提升。同时数据整体状况也可以帮助企业选择更合适的渠道开展营销活动，避免营销成本不必要的浪费。

    建立死亡数据库。死亡数据库是指已经失效的客户数据，这些数据在营销活动中不具有任何意义，只会增加营销成本，因此在每次数据利用时，将已经失效的数据转移到死亡数据库中。死亡数据库具有识别死亡数据的作用，在外部新数据进入数据库前先与死亡数据库进行匹配，将死亡数据提前筛选出来。

免责声明：本网站（http://www.ciotimes.com/）内容主要来自原创、合作媒体供稿和第三方投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
本网站刊载的所有内容（包括但不仅限文字、图片、LOGO、音频、视频、软件、程序等）版权归原作者所有。任何单位或个人认为本网站中的内容可能涉嫌侵犯其知识产权或存在不实内容时，请及时通知本站，予以删除。