从产品和服务的角度来说，现在通过分析工具来增强销售能力仍然是各个企业关注的一个焦点。企业已经从最初的由销售人员去“抓住并留下客户”的信念转向企业的各个方面的竞争。

    然而，这一转变导致一个很重要的问题：如何在刺激顾客和企业盈利这两个方面达到一个合适的平衡？很多公司都知道“一刀切”的客户服务模式已不再适用并意识到个性化服务在各个行业中的重要性，各个公司也都在为具体的个性化服务而努力。这一问题的答案就是模型预测。模型预测可以利用组织已有的客户和顾客的丰富信息以及他们的购买数据来帮助它们获得更多的潜在顾客，还可以用来为特殊的顾客定制更为完善、周到的产品和服务。该模型的一个优点就是，随着使用次数的增多它会越来越准确。误差（预测值和实际值之差）会反馈到模型预测系统，当作第二次预测的校正因子。尤其是当顾客使用有特性的组合产品和服务时，这一预测性的CRM系统会不断得到改进（如图1）。

    价值度量标准

    客户生命周期价值(Customer Lifetime Value－CLTV）度量标准是一个用来表示顾客年收入和花销之间关系以及客户和公司之间客户关系生命周期的期望值的一种计算方法。CLTV主要关注客户的购买行为并同时考虑以下因素：

    顾客最初购买的服务（产品）

    公司将来的产品和服务

    客户服务成本

    年毛销售额

    客户保持和继续购买的可能性

    为留出客户而使用的赊购、打折等方法

    最基本的CLTV模型如下所示：

    CLTV＝F(R(PGS,CS,CM), L(PGS,MPA,T),I(NCA,PE))，其中：

    CLTV＝Customer lifetime value，客户生命周期价值

    R＝Revenue metric calculation function，年收入度量函数

    PGS＝Price of goods and service，产品和服务价格

    CS＝Cost of sales，销售成本

    CM＝Cost of marketing，营销成本

    L＝Loyalty metric calculation function，客户忠诚度量函数

    MRA＝Matching(goods and services) pricing average，匹配价格均值

    T＝Time dimension，时间维

    I＝Influence of customer on revenue model，客户对年收入模型影响

    NCA＝New customer acquisition(through loyal customer)，新顾客获取

    PE＝Product endorsement，产品返还记录

    F＝CLTV dimension integration function，CLTV度量函数

    上述有些参数，比如PE，是在产品和服务设计过程中非常重要的指数。

    预测模型

    聚类算法可以把顾客的统计数据进行分类，子类数据之间有很多相似性。子类的个数可以是确定的也可以是依实际需求定下的。比如，对于市场营销，我们可能把顾客根据购买产品分成有限的几类以便简化产品组合处理。如果我们关注到那些统计数据，我们也可以应用拟合模型来预测哪个产品和哪个服务一起出售会销售最好。这一拟合模型实际上就是计算两个变量之间的相关系数。相关系数通常用r表示，取值区间为[-1, 1]。如果相关系数r是正值，则表示它们有正的影响，比如X、Y，那么如果X增长则Y也增长；如果r是负值，则表示它们负相关，如果X增长，则Y降低。

    现在，我们已经可以预测把什么样的产品卖给什么样的客户（同样我们也可以预测何时销售何种产品）。那么我们还要预测特殊的顾客群购买特殊产品的可能性。这时候我们就要对历史数据进行分析。回归算法是实现该目的的有效方法。回归所用的所有数据都是过去我们选定的特殊顾客群购买产品或者服务的记录。如图2，展示了顾客的某一属性（横轴表示，比如收入等）与他将购买产品的一种可能性（综轴）。很显然，顾客的选择有非常大的变化，但是作为公司主管销售的人员我们必须有一个基线或者底线。这就是图2中红线所表示的信息，它告诉我们一种大概的趋势。这一趋势（红线）是根据有效的数据得来得（即图中方框中数据，落在方框外的数据我们认为是一些孤立点而不予考虑）。有了这一趋势，我们就可以以此为基础根据顾客的某些特定属性（比如，孩子数目是一个家庭购买人生保险的一个重要参数）对他们将购买何种产品或者服务进行预测。

    选择了有代表性的客户统计数据

    对客户进行了分类（聚类）

    根据相关分析对产品和服务进行了组合

    根据历史数据建立了顾客可能购买的产品和服务的预测模型

    现在我们就可以做出具体的预测。我们通过关联实体来表述客户群体（Customer Groups－CGs）和产品/服务组合（Product/Service Groups－PSGs）的关系。关联实体的主键是CG和PSG主键组合在一起构成的。关联实体的非主键属性是属性－隶属度对：

    和CG、PSG相关的属性

    和上面的属性相关联的置信度

    当然，这里也包含CG、PSG自身的非主键属性（比如：顾客的收入层次、产品附件的价格等等）。所有三类实体（CG，PSG以及它们的关联实体）都是从已有数据中得到的。关联实体给我们以原始的CRM数据（比如客户姓名、产品价格等等）和CG/PCG实体间的重要联系。关联实体也可以表述一个特定的顾客可以在不同的顾客群（CG）中有着不同的隶属度。比如，一个房屋出租者也可能是一个修理者，这两个角色都可能是建材市场的客户。

    预测模型的好处有以下几点：

    通过模型预测产品和客户之间的关系，并根据实际情况来改进模型（比如校正它的准确性），可以让销售人员制定客户的优先度来提高销售效率。

    预测结果可以帮助产品设计人员根据客户来设计个性化产品。

    可以帮助公司通过合适的产品和服务组合来吸引新的顾客。

    通过关联实体而得到的操作数据与导出数据的整合点可以让我们来调整传统的CRM系统。让CRM不仅仅只处理操作数据而且能够有效利用导出数据。