2） 煤炭企业操作数据存储建设。为了实现近实时客户信息跨渠道融汇，但也可能是由于有些煤炭企业在短期内还不具备发展“企业级”数据仓库的条件，近年来操作数据存储（ ODS） 在国内煤炭行业越发受到关注。从本质上讲，企业 ODS 是一种介于企业综合业务系统数据库群（ 即操作环境） 与企业数据仓库（ 即分析环境） 两者间的数据集合（ 或整合） .既然命名为“操作数据”存储，就说明 ODS中的数据（ 结构） 可以与操作环境中的数据完全相同。当然，ODS 中的数据（ 结构） 也可以按照相对简单的数据模型（ 如面向少量主题） 进行组织，但与分析环境中的数据还是不同的。既然目标是将来源于不同交互渠道的（ 操作型） 客户数据在 ODS 中进行整合（ 而非简单地集合） ,以实现客户信息跨渠道“协作”的效果，则很可能从操作执行到 ODS 更新所用的时间为数小时[1],即每天至多执行数次由企业综合业务系统到企业 ODS 的数据“抽取、转换、加载”处理。这样的数据虽能够展示客户（ 信息） 最新的单一视图，甚至能够结合相应的分析技术尝试为企业勾勒出客户的 360 视图，但其很难将客户信息的历史变化过程向企业展现，因为在 ODS 中只能找到有限的历史数据，但数据仓库中的历史数据几乎是无限的。因此，ODS 无法像数据仓库（ 数据集市）那样，对分析型 CRM 应用予以全面支撑。此外，ODS 往往只能实现近实时客户信息跨渠道融汇，而对那些实时性要求极高的跨渠道企业客户信息应用来讲，ODS 也束手无策。
3） 核心煤炭系统的升级改造。若希望对煤炭客户信息实行真正意义上的跨渠道实时融汇“协作”,那么对核心企业系统进行升级改造是必不可少的。虽然早期企业在规划和建设核心系统时，常常将核心系统业务功能多少作为一个重要因素来考虑，希望在一个系统上解决煤炭企业的所有问题，但就系统功能的实质而言，传统意义上的核心系统仅需要保障企业“跨渠道”账务处理的实时准确、操作便捷，并将相应的数据信息准确记录（ 更新） 即可。
那么言归正传，升级改造核心企业系统以实现客户信息真正的实时跨渠道融汇“协作”,可以被简单看作是在保障（ 传统） 核心账务处理功能的基础上，对客户处理（ 管理） 加以实现类似的功能。然而，增加这样一项看似“轻描淡写”的功能，却需要对核心系统的“健壮性”进行大幅度提升，同时也要求企业在相应的人员培养、技术设备、后勤保障等方面做好一切准备，毕竟业内人士形象地把核心系统称作为企业的“心脏”,因此企业开展核心系统升级改造，就如同做一次“换心手术”.新的核心系统普遍呈现出对客户、账户和交易信息集中处理、统一管理的特征； 它们通过（ 主数据管理等） 相关信息技术，可为企业实时生成跨渠道客户（ 等主要） 信息的单一视图，这明确体现了企业“以客户为中心”的服务理念与发展思路。
3. 2 运营型 CRM 建设方案与技术方法
建立煤炭呼叫中心是煤炭企业建设实现运营型CRM 的传统方法。煤炭企业可通过呼叫中心计算机电信集成技术为客户提供人工和自动语音应答的多次交互，并（ 同时） 处理传真、手机短信、电子邮件、网上意见反馈等形式多样的客户交流信息。平行于建立呼叫中心，发展企业运营型 CRM,以实现企业包括客户服务、营销决策、产品推介等工作的（ 流程） 自动化、一体化，还触发了企业对以核心系统为代表的企业综合业务系统实行深化“以客户为中心”的升级改造。
3. 3 分析型 CRM 建设方案与技术方法
建设实现煤炭企业分析型 CRM 的基本方案是在“企业级”数据仓库的环境基础上，搭建专为客户关系管理应用而设计的数据集市，而后以专业化（ 智能） 分析技术方法对集市数据展开深入挖掘与分析，全面探求隐藏于（ 海量） 数据中的能够反映事物本质的客观规律（ 或知识结论） ,并以这些知识规律作为企业未来优化发展的战略与战术，进而为实现面向经营管理决策的、“以客户为中心”的商务智能。大体来讲，这里所称专业化分析技术方法涉及数学建模、概率与统计、模式识别、神经网络、机器学习和人工智能等专业领域，而这些领域的一个重要交汇点正是数据挖掘。
1） 数据挖掘的起源与发展。今天，数据挖掘这一术语并不令人感到陌生。然而，作为计算机科学研究中“最年轻”的一个分支领域，数据挖掘其实仅有约 20 a 的发展历史； 这一概念最早出现在 1989年美国底特律召开的第 11 届国际人工智能联合会议“数据库知识发现”专题讨论会上。可见，数据挖掘起源于数据库技术与人工智能的结合。而真正使数据挖掘成为一个独立的计算机科学研究领域，这还要归功于关联规则挖掘作为“纯粹”数据挖掘的一个重要课题于 1993-1994 年被正式提出。大约在同一时期，数据挖掘迅速向周边领域扩张，将多种技术方法引入自身研究范畴中，比如： 线性、非线性等各种回归分析技术，时间序列分析技术，K - 均值、期望最大化等各种聚类分析技术，K - 最近邻、朴素贝叶斯、支持向量机、神经网络、决策树等各种分类分析技术。至此，数据挖掘在强调数据处理过程（ 数据收集、数据整合、数据清洗、知识建模、数据- 知识挖掘、知识展现、知识 - 数据测试与评估、知识解读、知识应用等） 的同时，确立了预测、分类、聚类和关联规则（ 早期的） 自身四大研究方向。这之后，数据挖掘在预测、分类、聚类方向上不断深入研究，对引入于其他领域的各种技术方法实现了诸多优化改进，取得了长足的研究进展。而数据挖掘在关联规则研究上，也先后提出了数十种改进算法，并将研究视角从传统关联规则拓展至负关联规则、数量关联规则、加权关联规则、序列模式等方向。值得一提的是 1997-1998 年，分类关联规则的提出将关联规则这一“纯粹”数据挖掘技术与分类分析技术相结合，以一种更为直观的方式实现了分类效果。随后，数种分类关联规则算法相继被提出； 2007 年分类关联规则排序法[2]的提出使该分析技术的性能普遍得到了显着提升。
2） 数据挖掘在企业客户关系管理中的应用。数据挖掘技术为企业经营管理决策带来的商务智能应用极为广泛、不胜枚举，故只得管中窥豹，仅以煤炭企业客户关系管理（ 营销管理） 为例，其应用涵盖客户群体细分、客户购买力分析、产品交叉销售、客户流失识别等诸多方面。其实，数据挖掘自研究之初起，从来就没有与实际应用分离过，比如关联规则的提出就是为了从海量的超级市场购物篮数据中，探索商品与商品间相互导致购买的规律（ 规则） .
而站在客户关系管理应用的角度来看，完整的数据挖掘可以从数据仓库提供的大量客户数据中，挖掘到充分的信息来指导操作人员的行动，使他们能在适当的时间、地点，提供给客户适量的产品及服务，大幅提高作业效率，这就是所谓的营销智能、销售智能以及服务智能[3].
以举例说明的方式，将企业客户关系管理中数据挖掘的应用发展情况介绍如下。煤炭企业可以采用聚类分析技术将某煤炭产品的大量客户（ 以与客户相关的各类数据信息） 自动细分为若干客户群，并分别针对各客户群的具体细化特征制定差异化客户服务策略，有效提高服务水平。企业还可以采用关联规则技术探求某客户群在煤炭产品上的关联购买规律，并对已经购买了某项（ 或某些） 煤炭产品的该类客户自动推介具有高关联度的其他产品； 然而，传统的关联规则只能向企业展现购买一项（ 或一些） 产品将导致其他哪些产品被购买，但无法展现诸如购买多少的某项（ 或某些） 产品则导致了多少的其他产品被购买这类数量的、加权的营销策略，而显然后者更具实际指导意义，这就是为什么数量关联规则和加权关联规则技术被进一步提出； 但是产品购买数量仍然不是一个“以客户为中心”的概念，实际上由于企业客户的资产情况跨度较大、差异较明显，因此某数量的产品购买导致某数量的其他产品被购买是很难在煤炭行业客户身上普遍推广的，这促使了2008 年分配模式[4]的提出，它能够使企业掌握客户在分配资产上的（ 比例） 规律，并基于此指导企业向客户推介一定配比的其他煤炭产品。此外，建议企业采用分类（ 关联规则） 技术对存有潜在流失可能性的客户加以预测识别，从而尽早防范客户的流失与资金的流出。
3） 文本挖掘在客户关系管理中的应用。数据挖掘从发展之初，就已经开始将起源于 20 世纪60 年代初期的文本分类研究以及后来发展的文本聚类、自然语言处理、文本索引等技术研究予以引入，并结合其他相关技术方法形成了对应于结构性（ 即库表类） 数据研究的（ 非结构性） 文本挖掘研究方向。近些年来，随着互联网、多媒体等计算机信息技术的广泛盛行，数据挖掘还在非结构性数据研究方面发展延伸出了网络挖掘、图像挖掘、图挖掘、社会关系网挖掘和视频挖掘等新兴方向。
仅以文本挖掘中文本分类在客户关系管理中的应用来看，企业可以采用文本分类技术自动将每天收到的大量客户（ 投诉） 电子邮件或大量客户网上（ 咨询） 留言进一步分门别类，然后以类别为单位由专业人员统一处理； 然而，由于人类语言存在词汇量大、语义结构复杂、语法形式千变万化等特点，从某种意义上讲已经超越了（ 基于图灵机蓝本而设计的） 现代计算机的计算能力极限，因此在进行文本分类之前通常需要对文本数据进行必要的预处理，但这些预处理技术往往又是专为某一特定语言而设计的，也就是说如果企业的两名客户分别使用不同语言给企业写邮件（ 或留言） 或者某一客户在邮件（ 或留言） 中同时使用了多种语言，那么上述“以客户为中心”的文本自动分类功能将无法得到发挥，为解决这样的问题，独立于语言的文本分类技术[5]于 2007 年被提出，这同时也标志着文本智能技术全面逾越语言障碍的时代已经来临。
参考文献：
[1] 荫 蒙（ 美） . 数据仓库[M]. 北京： 机械工业出版社，2006.
[2] Wang,Y. J. ,Xin,Q. ,Coenen,et al. Novel Rule OrderingApproach inClassificationAssociation Rule Mining[C].Leipzig: Computer Science,2007: 339 - 348[3] 余 力，吴丽花。 客户关系管理[M]. 北京： 中国人民大学出版社，2009.
[4] Wang,Y. J. ,Zheng,X. ,Coenen,et al. Mining Alloca-ting Patterns in Investment Portfolios[C]. PA: IGI GlobalPublishing,2008: 110 - 135.
[5] Wang,Y. J. . Language - independent Pre - processingof Large Documentbases for Text Mining[D]. Liverpool:University of Liverpool,2007.
