客户知识应用于企业面向客户的决策所产生的效果或能力，可称为客户智能。客户智能体系具备了进行有利于客户知识产生、分发和利用的企业建模的能力，目的是建立一个高效的、快速反应的、科学决策的、以客户为中心的组织架构。当面对一个现有的企业组织架构时，可能需要运用bpr（业务流程重组）的思想。

　　此外，客户智能体系还应该为客户知识的产生、分发、使用创造一个具有可操作性的系统环境。这个系统环境就是客户智能系统（cis）。

　　构建客户智能系统（cis）

　　客户智能系统是企业实现客户智能的物理基础，而一个科学的客户智能系统要求能管理整个客户智能的生命周期。从客户智能生命周期的四个阶段可以归纳出客户智能系统框架的结构，如图1所示：

　　

　　整合的客户数据

　　居于客户智能系统核心的必须是整合的客户数据。使用数据仓库和数据集市建造集成的数据环境正逐步走向成熟，也是目前最理想的做法。数据仓库提供数据存贮环境，而且是面向特定主题的决策支持环境。来自各种数据源中的数据经过清洗、etl（extract、 transform、load：抽取、转换、装载），按某一主题存贮。数据集市是面向特定主题的小型数据仓库，解决了企业级数据仓库要存储大量数据而带来的建设周期长、造价高、可扩展性差等缺陷。文献把构建的基于数据仓库的客户数据集成环境称为客户数据仓库（customer-centric data warehouse，简称ccdw）。

　　数据仓库的特点之一是能够etl、整合来自于大量异构系统的数据，包括外部数据。通过整合来自多个接触渠道的客户数据，数据仓库向企业展示客户的属性、所有历史行为记录等信息。

　　在工具层，除使用etl工具将源客户数据整合到ccdw中去外，数据仓库专家还使用数据清理工具清除客户数据中的不清洁的数据。数据建模工具用来设计ccdw或客户数据集市的数据模型。

　　客户数据分析和知识发现

　　在整合的客户数据基础上，业务人员使用分析工具分析这些数据，来理解客户偏好、客户档案、客户分类、客户消费模型等分析信息。

　　用来分析客户数据的分析工具可以被归纳为三大类：报表工具能向业务人员提供一般客户行为的标准报表；查询和olap（联机分析处理）分析用来验证假设，其工作机理是让分析人员从ccdw中寻找模式（pattern），或让系统返回一系列符合条件的客户名单；客户知识发现自动从客户消费行为中发掘模式，这些模式允许分析专家建立预测客户未来消费的模型或规则。

　　olap是基于数据仓库环境的数据分析工具。用户（企业）首先提出自己的假设，然后利用olap工具检索查询以验证或否定假设，是一种用户制动式的分析方式。olap解决了oltp（联机事务处理）分析效率低、不能进行多维分析的缺点。相比较而言，知识发现较难被理解，它利用知识发现工具挖掘事先未知的、潜在有用的客户知识，是一种主动式自动发现方法。

　　基于客户知识的应用系统

　　业务人员利用分析阶段发现的客户知识来建立针对每一个接触点或客户交互系统的应用规则，这些系统包括商业活动管理、call center以及web个人化工具。

　　规则的分配目前来讲，人工处理会更有效。客户智能追求客户知识的智能化分配和使用，当前最成功的莫过于基于web的应用。web个人化工具自动从商业活动和分析工具中抽取规则，从而建立基于web的智能化的客户自助服务。

　　接触点应用和操作型数据存储（ods）

　　接触点应用（touch applications）是企业建立的、用来直接与客户交互的应用系统。一个企业的客户可能会有上千万个，为了优化与这么多客户的交互，企业采用了ods技术，将客户记录和行为建议实时地发送到需要的接触点上。ods存储了当前和最近的数据，支持业务部门对一段时间范围内的操作和事务数据做决策支持和分析。ods仅存储了与客户接触有关的ccdw数据的一部分，它被用来管理客户交互。从这一点讲，ods架起了客户智能系统中的分析型处理和事务型处理的桥梁。

　　该框架具有以下特点：

　　◆支持事务处理与分析处理的闭合循环；

　　◆以客户数据仓库为中心，支持实时客户数据操作的同时，支持历史数据的分析处理；

　　◆基于商业对象的系统建设，便于系统/组件的重用、维护。

　　几个核心问题

　　客户智能系统是以当今计算机前沿技术为支撑、运用现代管理技术进行指导的应用系统，但客户智能系统的构架并非一蹴而就，系统架构师需要清楚以下涉及支撑技术、体系结构和应用系统三方面的问题，才能保证建设的客户智能系统的科学性和先进性。

　　支撑技术的问题

　　客户智能作为一个跨越多学科的新兴领域，必须借鉴两方面的先进成果，一是计算机前沿技术。包括：数据