大数据开发工具市场分析分析

大数据开发工具市场分析分析

一、市场细分的原则

从企业市场营销的角度看，无论消费者市场还是生产者市场，并

非所有的细分市场都有意义。所选择的细分市场必须具备一定的条件:

（一）可实现性

可实现性即企业所选择的目标市场是否易于进入，根据企业目前

的人、财、物和技术等资源条件能否通过适当的营销组合策略占领目

标市场。例如，通过适当的营销渠道，产品可以进入所选中的目标市

场；通过适当的媒体可以将产品信息传达到目标市场，并使有兴趣的

消费者通过适当的方式购买到产品。

（二）可营利性

可营利性即所选择的细分市场应当具有能够盈利的规模，且有一

定的发展潜力，使企业赢得长期稳定的利润，值得营销者为之设计一

套营销规划方案的尽可能大的同质群体。例如：如果专门为2米以上

身高的人生产汽车，对于汽车制造商来说就是不合算的。应当注意的

是：需求量是相对于本企业的产品而言，并不是泛指一般的人口和购

买力。

（三）可衡量性

可衡量性表明该组分市场特征的有关数据资料必须能够加以衡量

和推算。比如在电冰箱市场上，在重视产品质量的情况下，有多少人

更注重价格，有多少人更重视耗电量，有多少人更注重外观，或兼顾

几种特性，当然，将这些资料予以量化是比较复杂的过程，必须运用

科学的市场调研方法

（四）可区分性

可区分性指细分市场在观念上能被区别并对不同的营销组合因素

和方案有不同的反应，比如女性化妆品市场可依据年龄层次和肌肤类

型等变量加以区分；汽车市场可以根据收入水平和年龄层次等变量进

行区分。

二、关系营销的具体实施

（一）组织设计

关系营销的管理，必须设置相应的机构。企业关系管理，对内要

协调处理好部门之间、员工之间的关系，对外要向公众发布消息、征

求意见、搜集信息、处理纠纷等。管理机构要代表企业有计划、有准

备、分步骤地开展各种关系营销活动，把企业领导者从烦琐事务中解

脱出来，使各职能部门和机构各司其职，协调合作。

关系管理机构是企业营销部门与其他职能部门之间、企业与外部

环境之间联系沟通和协调行动的专门机构。其作用是：收集信息资料,

充当企业的耳目；综合评价各职能部门的决策活动，充当企业的决策

参谋；协调内部关系，增强企业的凝聚力；向公众输送信息，沟通企

业与公众之间的理解和信任。

（二）资源配置

（1）人力资源调配。一方面实行部门间人员轮换，以多种方式促

进企业内部关系的建立；另一方面从内部提升经理，可以加强企业观

念并使其具有长远眼光。

（2）信息资源共享。在采用新技术和新知识的过程中，以多种方

式分享信息资源。如利用网络协调企业内部各部门及企业外部拥有多

种知识与技能的人才的关系；制定政策或提供帮助以削减信息超载，

提高电子邮件和语音信箱系统的工作效率；建立“知识库”或“回复

网络”，并入更庞大的信息系统；组成临时“虚拟小组”，以完成自

己或客户的交流项目。

（三）文化整合

关系各方环境的差异会造成建立关系的困难，使工作关系难以沟

通和维持。跨文化之间的人们要相互理解和沟通，必须克服不同文化

规范带来的交流障碍。文化的整合，是关系双方能否真正协调运作的

关键。合作伙伴的文化敏感性非常敏锐和灵活，它能使合作双方共同

有效地工作，并相互学习彼此的文化差异。

三、文化整合是企业市场营销中处理各种关系的高级形式，不同企

业有不同的企业文化。推行差别化战略的企业文化可能是鼓励

创新、发挥个性及承担风险；而成本领先的企业文化，则可能

是节俭、纪律及注重细节。如果关系双方的文化相适应，将能

强有力地巩固企业与各子市场系统的关系并建立竞争优势。大

数据市场构成

大数据行业主要解决大数据的存储、处理、分析和价值发现等问

题，实现大数据的业务价值。从产品和服务来看，大数据市场产品和

服务包括三个主要部分，即大数据硬件、大数据软件、大数据专业服

务。

其中，大数据软件部分按照产品功能的不同可以被分为：大数据

管理平台、数据应用中间件、数据智能分析工具、大数据应用四个部

分。

四、大数据行业发展背景

（一）大数据时代下传统数据管理软件面临多种挑战

近年来随着互联网、移动互联网、物联网、5G等信息通信技术及

产业的不断发展，全球数据量呈爆发式增长态势。数据作为和土地、

资本、劳动力、技术一样的生产要素，在数字经济不断深入发展的过

程中，地位愈发凸显。我国是数据资源大国，IDC研究报告指出，到

2020年，中国数据量约12.6ZB,较2015年增长7倍，年复合增长率

为124%o

2025年中国的数据量预计达到48.6ZB,约占全球数据总量的30虬

数据资源总体呈现出4V的特点，即海量的数据规模(Volume),多样

的数据类型(Variety),价值密度低(Value)、快速的数据流转

(Velocity)。

海量的数据规模指数据量大，包括采集、存储和计算过程中所涉

及数据量都非常大。大数据的起始计量单位通常是PB(约1,000TB).

EB(约100万TB)或ZB(约10亿TB)。

多样的数据类型指数据种类和来源多样化，包括结构化、半结构

化和非结构化数据，具体表现为关系型数据、日志、音频、视频、文

本、图片、地理位置信息等类型数据，多类型的数据对数据的处理能

力提出了更高的要求。

价值密度低指有价值数据所占比例低。随着互联网以及物联网的

广泛应用，信息感知无处不在，信息海量，但价值密度较低，通过结

合业务逻辑并通过强大的机器算法来挖掘数据价值，是大数据时代需

要解决的重要问题之一。

快速的数据流转指数据增长速度快，处理速度要求快，时效性要

求高。例如实时监测场景中，企业需要对物联网设备数据进行实时处

理并做出反应；零售电子商务应用类软件将消费者所持的移动设备的

地理位置信息和其个人偏好相结合，推送有针对性的促销信息。这是

大数据区别于传统数据使用的显著特征。

随着信息技术以及实际业务需求的快速发展，传统数据管理软件

在处理大数据场景时不能很好适应数据的4V特性，面临较多技术挑战。

因此，传统数据管理软件迫切需要技术革新。

(二)传统集中式软件栈向新兴分布式软件栈演进

1970-2000年，数据管理软件主要为集中式架构的关系型数据库，

其软件产品具备不可分割性(atomicity)一致性(consistency)、

隔离性(isolation,又称独立性)、持久性(durability)即ACID

功能特性，占据了数据管理软件的主导地位。关系型数据库技术出现

在20世纪70年代，经过二十余年的发展，到90年代已经成熟。市场

上具有代表性的集中式架构关系型数据库产品包括Oracle、IBMDB2以

及微软SQLServer等。

2000年以来，随着互联网和计算机技术的快速发展，需要处理的

数据量更大、类型更丰富、速度要求更快，传统集中式计算架构已无

法适应数据海量、异构、多源等特点，在部署的扩展性、容错性、经

济性、灵活性等方面有一定局限性。谷歌于2003年-2006年间的三篇

论文奠定了分布式存储和计算的基础，而后行业从业者基于以上理论

建立了Hadoop、Spark等大数据分布式系统框架，并交由Apache软件

基金会托管；2009年，在JohanOskarsson开源分布式数据库的讨论中,

来自Rackspace的EricEvans重提NoSQL概念，用以指代非关系型的

分布式数据存储系统。针对于不同的场景，分别产生了图数据库、搜

索引擎、文档数据库、键值数据库等NoSQL数据库，代表性NoSQL数

据库提供商包括MongoDB、Elastic等。

2010年以来，随着数字化转型的逐步深化，快速变化的业务场景

呈现了复杂化、多样化的态势。复杂的业务场景往往需要使用多种数

据模型，以及数据模型间的融合。

这个时期的，行业内大部分数据库都是面向单一数据模型而设计

的，用以解决特定业务场景的特定问题。例如，使用传统的关系型数

据库解决结构化数据的存储和处理问题、使用图数据库解决图相关的

存储和处理问题、使用文档数据库解决文本相关的存储和处理问题。

由于结构化数据和非结构化数据通常以不同的格式和模式存储，单模

型数据库虽然优化了数据存储和处理，却难以满足日趋增长的、多样

的业务场景需求。当同一业务需要用到不同类型数据的时候，受限于

单模型数据库的处埋能力，客户往往需要部署多个相互独立的单模型

数据库，在对不同模型数据进行联合处理的时候，需要对数据进行搬

迁或融合，导致架构复杂度高、开发成本高、运维成本高以及数据处

理效率低。由此，催勺了从单一数据管理系统到融合型、多模型数据

管理系统的技术需求。

此外，随着云计算技术的大规模应用，传统各类软件产品都开始

由独立部署模式向云服务模式转变。其中数据库作为信息系统核心软

件，逐渐附加云化能力形成云原生数据库，以服务的形式对外提供技

术支撑。云原生数据库按照部署方式可以分为公有云部署和私有云部

署。其中，私有云部署模式由企业提供云数据库依赖的底层物理资源,

数据库服务商负责部署云原生数据库软件，后期企业和数据库服务商

约定运维维护工作的具体职责分工等，特点是自有资源池化，数据不

外流等。相比公有云部署下的云数据库，私有云模式更加关注信息安

全，能够实现对数据安全性和服务质量最有效控制，仅限于企业员工

和取得授权的合作伙伴使用。

多模型数据库云原生相关技术已经成为信息产业的未来发展方向,

促使大数据软件进一步革新，规模呈现快速增长趋势，代表性企业如

Snowflake、AWS等。相较于国内外的现状，私有云在面向国计民生的

相关行业更受客户欢迎，面向私有云模式的云原生数据库预计在未来

将获得快速增长。

随着技术不断成熟，分布式架构将逐渐成为主流。自底向上，传

统的集中式资源管理调度逐渐向基于云原生技术的分布式统一资源管

理平台发展；数据管理软件技术架构也会因为计算模式的转变发生重

大变革，传统的集中式数据库逐渐向分布式、多模型数据库发展；传

统数据分析软件逐渐向新型的分布式数据开发和智能分析软件发展。

（三）国产基础软件迎来爆发式增长阶段

当前，中国大数据软件领域处于发展的历史机遇期，我国高度重

视大数据在经济社会发展中的作用，十八届五中全会提出实施国家大

数据战略，《促进大数据发展行动纲要》指出，建立安全可信的大数

据技术体系是推进大数据产业基础研究和核心技术攻关的重要目标。

十四五规划和2035年远景目标纲要提出，培育壮大人工智能、大数据

等新兴数字产业，充分发挥海量数据和丰富应用场景优势，促进数字

技术与实体经济深度融合，赋能传统行业转型升级，打造数字经济新

优势。全球新一代信息产业处于加速变革期，大数据相关底层技术处

于创新突破期，国内市场需求处于爆发期，为国内基础软件厂商带来

明确的增长机遇。同时，随着国内基础软件人才的不断增加，本应对

新一代场景，不断积累技术经验过程中，国内已形成具备自主研发实

力且能与国外厂商竞争的基础软件厂商，并开始实现规模产业化落地。

五、大数据全生命周期管理

大数据生命周期进一步细分为大数据集成、存储和处理、治理、

建模、挖掘和流通等阶段。

（一）大数据集成

大数据集成包括大数据采集和大数据整合。大数据采集主要是通

过各种技术手段将分散的海量内容数据（文本、音频、视频等）、行

为数据（访问、查询、搜索、会话、表单等）、工业生产数据（传感

器数据、监控数据）等从业务系统中收集出来。由于大数据本身具有

分散、海量、高速、异质的特征，采集难度较大，因此保证数据采集

的稳定性、可靠性、高效性、可用性和可扩展性等是主要的技术目标,

越来越多的企业开始选用专业的数据采集服务。大数据整合的目标是

将各种分布的、异构的数据源中的数据抽取后，进行清洗、转换，最

后加载到数据仓库或数据集市中，作为数据分析处理和挖掘的基础；

这个过程常常也被称为ETL（Extract/抽取，Transform/转换，Load/

加载），通常ETL占到整个数据仓库开发时间的60%〜80%。大数据时代,

数据整合软件的市场也开始了整体的技术升级，主要解决两个主要技

术问题，一是独立的ETL应用服务器的计算能力普遍不足，二是无法

处理半结构化和非结构化数据。经过几年的技术发展，ETL过程逐步演

进为ELT,即数据抽取后直接加载（Load）到大数据平台中，再基于大

数据平台的计算能力来实现数据转换（Transform）,不再依赖ETL应

用服务器做抽取和转化工作，这样可以解决ETL应用服务器的处理能

力不足问题，充分利月大数据平台的分布式计算能力提升数据集成的

效率和稳定性。

（二）大数据存储和处理

大数据存储与处理要用用服务器及相关设备把采集到的数据存储

起来，使得数据能够被高效地访问和运算。由于数据量的爆发式增长,

尤其是非结构化数据的大量涌现，传统的单机系统性能出现瓶颈，单

纯地提高硬件配置已经难以跟上业务的需求，产生的海量数据没有合

适的存储场所，企业被迫放弃大量有价值的数据；数据处理的速度和

性能出现瓶颈，业务的深度和广度受到限制。因此，过去十年间，计

算机系统逐步从集中式向分布式架构发展。分布式架构及相关技术通

过增加服务器的数量来提升系统的处理能力，每个节点都是一个可独

立运行的单元，单个节点失效时不会影响应用整体的可用性。分布式

系统在扩展性、容错性、经济性、灵活性、可用性和可维护性方面具

有明显优势。

（三）数据治理

根据国际数据管理协会的定义，数据治理是对数据资产管理形式

权利和控制的活动集合。数据治理是一个管埋体系，包括组织、制度、

流程和工具，随着集成和存储的数据量增加，数据治理的难度也逐渐

增加，牵扯的关联方也越来越多，因此需要一套适合企业的方法论来

开展工作。业界逐渐形成了DAMA、DCMM等较完整的数据治理体系框架,

一般包括制定数据治理战略、定义数据治理工作机制、通过各个业务

专题来落实相关数据治理工作内容，并最终落实到数据治理工具上来

实现高效持续的数据治理的执行流程。具体到数据治理的内容，一般

包括元数据管理（包括元数据采集、血缘分析、影响分析等）、数据

标准管理（包括标准定义、查询与发布等）、数据质量管理（包括质

量规则定义、质量检查、质量报告等）、数据资产管理（包括数据资

产编目、数据资产服务、资产审批等）、数据安全管理（包括数据权

限管理、数据脱敏、数据加密等）、数据生命周期管理（包括数据归

档、数据销毁等）以及主数据管理（包括主数据申请、发布、分发等）

这几个主要的部分。

（四）数据建模

数据建模是构建企业数据仓库、数据湖和数据集市的重要过程,

其通过一个业务级别的数据模型设计，将分散在不同数据源中的数据

集成在一起，并通过一种面向业务主题的方式将数据分门别类来做重

新组织和标准化，形成有明确业务意义的数据形式，统一为数据分析、

数据挖掘等提供可用的数据。面向业务主题（如客户主题、账户主题

等）的数据组织管理方式便于业务人员对数据的理解和综合使用。具

体到技术层面，数据建模一般包括业务调研、架构设计、数据模型设

计、数据库SQL开发与测试、业务集成上线等几个阶段，架构设计是

整个工作的核心，一般会面向不同的行业来设计相关行业的逻揖数据

模型。在数据建模过程中使用的工具主要包括：数据模型设计与管理

工具、SQL开发工具、任务调度工具等。

（五）数据分析和挖掘

大数据分析和数据挖掘的核心目标是对客观事实规律进行描述、

展示和总结、刻画、推广，可以从大量的数据中通过算法来揭示出隐

含的、未知的并有潜在价值信息，并对客观规律进行溯源和解释，从

而帮助决策者做出正确的预测和决策。围绕这个目标，大数据分析和

挖掘的手段可以分为模型驱动、数据驱动等，一般通过统计、在线分

析、情报检索、机器学习和专家系统等在内的多种方法来实现这一目

标。现阶段在面对大数据4V问题时，大数据分析和数据挖掘工具对传

统数据分析和挖掘工具做进一步自动化和智能化；与此同时，近年来

深度学习的兴起又为大数据分析提供了新的手段，其做为当前计算机

行业的热点研究方向之一，其本质的目标是从大量数据中提取模式和

知识，其要处理的对象包括结构化数据、半结构化数据和非结构化数

据在内的所有类型数据，例如近年来在视频、语音等非结构化数据的

分析需求快速增加，相应的深度学习技术也取得了飞速发展。

（六）数据流通

数据流通是按照一定规则，将存储的数据或者数据分析、挖掘得

到的信息作为流通对象，从供应方传递到需求方的过程。数据流通的

具体内容包括可视化的分析报告、面向运营人员的数据标签、面向应

用可以直接调用的数据指标API、面向数据分析人员的数据集、面向数

据挖掘人员的数据特征、和面向业务建模人员的单方或多方的建模模

型等。基于数据水印、数据加密和脱敏、隐私计算、联邦学习的数据

流通安全技术，可以提高数据流通的完整性和保密性。

六、大数据行业未来发展趋势

（一）分布式系统成为行业技术架构主要的发展方向

传统数据库以集中式架构为主，集中式架构由一台或多台主计算

机组成中心节点，数据存储以及整个系统的业务单元都集中部署于该

中心节点中，系统所有的功能均由中心节点集中处理。每个终端或客

户端仅仅负责数据的录入和输出，而数据的存储与控制处理完全交由

主机完成。分布式架构下，软件组件分布在不同主机上，主机之间通

过网络连接进行通信和协调。

随着海量及异构数据的数据分析需求增长，需要的计算、存储和

10等资源也在极速增加。集中式架构通过改善硬件配置来提升存储和

处理能力，但单台主机可配置的资源存在上限，因此传统的集中式架

构软件难以满足海量及异构数据的数据集的处理和分析需求。而为了

处理TB以及PB级别以上的数据规模，分布式的架构将数据分散在网

络上多个通过高速网络互联的节点上联合计算。因为数据分布在不同

节点，在进行计算任务时，任务也会被切分成多个子任务，分发到多

个节点上同时进行计算，能充分利用整个集群各个节点的计算资源、

存储资源和10资源，可线性提升集群的存储和处理能力。因此，分布

式架构能较好的处理该类问题，这也是分布式架构相对于传统单机架

构的核心优势。

在大数据场景下，分布式系统在扩展性、容错性、经济性、灵活

性、可用性和可维护性方面具有明显优势，能够较好的满足大数据分

析的需求。此外，近年来，分布式技术不断发展，在提供高弹性、支

持高并发的同时，支持关系型数据库中强事务性的特性，成为大数据

技术的重要发展方向。2、数据管理软件趋向于统一多数据模型的平台

数据模型是决定数据库系统逻辑的重要因素，并从根本上决定以何种

方式存储、组织和操作数据，包括传统的关系模型和NoSQL数据模型

（文档模型、键值模型、图模型等）。大多数数据库管理系统只能支

持一种或少数几种数据模型，因此企业通常只能使用多种数据库产品

联合的方案来应对日益增长的异构数据模型处理需求。

随着大数据厂商技术实力的提升，逐渐出现了能够提供多数据库

模型的大数据平台技术。相比多种数据库产品的集成方案，多种数据

库模型统一的大数据平台的优势包括：（1）提升场景效率。同一份数

据可以分别采用多种数据模型存放，解决不同场景的处理效率问题；

（2）统一分析管理。关联不同模型的数据，统一分析管理；（3）降

低运维成本。无需维护多种数据库，降低运维成本；（4）降低数据持

有成本，同一份数据在不同的数据模型当中不需要全量存储，不同模

型只需要存储必要的数据内容即可，在查询时可以通过关联的方式获

取全量信息。

未来多模型数据平台将通过不断提高计算、存储引擎的处理能力,

从操作响应速度、数据并发能力、数据管理成本等多个角度优化企业

的数据需求，成为多模大数据平台的重要发展趋势。

（二）云原生大数据平台架构成为未来的主要发展方向

云原生的代表技术包括容器、服务网格、微服务、不可变基础设

施和声明式API,这些技术能够构建容错性好、易于管理和便于观察的

松耦合系统。结合可靠的自动化手段，云原生技术使工程师能够轻松

地对系统作出频繁和可预测的重大变更。

云原生技术有利于各组织在公有云、私有云和混合云等新型动态

环境中，构建和运行可弹性扩展的应用。面对客户日益增长的海量数

据、多种数据结构的实时化、智能化处理需求，云原生的大数据平台

架构凭借计算存储解耦、资源池化、Serverless等核心技术，提供了

高弹性拓展、海量存储、多种数据类型处理及低成本计算分析的能力。

相比传统数据库，云原生数据库及数据管理平台天然具备灵活性，能

够提供强大的创新能力、丰富多样的产品体系、经济高效的部署方式

和按需付费的支付模式。

（三）国家加速数据要素市场建设，推动数据安全流通技术的商

业化加速

我国将搭建统一开放、竞争有序的数据要素市场体系，政策鼓励

产业链各环节的市场主体进行数据流通和交易，促进数据要素流通。

当前，丰富的数据要素资源已经涵盖了金融、运营商、房地产、医疗、

能源、交通、物流、教育以及制造业、电商平台、社交网站等众多领

域。同时，由于数据的流通和利用是数据要素价值创造的前提。而跨

域、跨中心的数据融合计算需求，以及数据要素在开放流通环节中的

安全需求（包括可用不可见、可用不可得、可用不出域等），都使得

数据的安全可信流通成为数据要素的市场化配置的重要一环，也是各

行业数字化转型过程中和过程后的必由之路。随着《数据安全法》、

《个人信息保护法》的实施，以安全为前提的数据开放利用将迎来新

一轮发展机遇。隐私计算是在处理、分析计算数据的过程中保持数据

不透明、不泄露、无法被计算方以及其他非授权方获取的一种技术解

决方案，能够在充分保护数据和隐私安全的前提下，实现数据价值的

转化和释放，应用前景和商业价值巨大。在国家加速数据要素市场建

设和重视数据安全和隐私保护的大背景下，数据安全防护技术、隐私

计算技术的应用普及和商业化在加速进行。

七、国内大数据市场发展情况

中国大数据市场在过去五年间经历快速增长，整体市场规模增长

速度快于全球整体市场。2019年，中国大数据市场规模达到627亿元,

2015—2019年复合增长率达到31.9%o其中，大数据硬件为市场主要

的收入来源，2019年大数据市场硬件收入达到247亿元。

中国大数据软件市场由2015年的52亿元增长至2019年的146亿

元，年复合增长率为29.5%o伴随着中国对数据运用重视程度日益提

高，用户对于大数据软件采购预算增加趋势明确，中国大数据软件市

场将在未来五年继续保持高速增长，整体软件市场规模将在2024年达

到492亿元，2019-2024年复合增长率为27.5%o虽然现阶段大数据

软件收入占比较小，但得益于较高的细分市场规模增速，未来大数据

软件将占据更多的市场份额。

八、消费者行为研究任务及内容

1、消费者行为

消费者行为指消费者在内在和外在因素影响下挑选、购买、使用

和处置产品和服务以满足自身需要的过程。消费者行为直接决定了营

销企业的产品研发、销售、利润乃至兴衰C消费者市场研究实质就是

消费者行为研究。

2、消费者行为研究任务

消费者行为研究的任务有三个方面：一是揭示和描述消费者行为

的表现，即通过科学的方法发现和证实消费者存在哪些行为，也就是

观察现象，描述事实，所谓“知其然"。二是揭示消费者行为产生的

原因，所谓“知其所以然”。把观察到的已知事实组织起来、联系起

来，提出一定的假说去说明这些事实发生的原因及其相互关系。三是

预测和引导消费者行为，即在影响因素既定的条件下预测消费者行为,

并通过设置或改变某些条件来引导和控制消费者行为。

3、消费者行为研究内容

消费者行为的研究内容分为消费者购买决策过程、消费者个体因

素、外在环境因素和市场营销因素四个方面。

消费者购买决策过程是消费者购买动机转化为购买活动的过程，

分为确认问题、信息收集、产品评价、购买决策和购后行为五个阶段。

个体因素指消费者自身存在的影响消费行为的各类因素，包括心理因

素、生理因素、经济因素和生活方式等。外在环境因素指消费者外部

世界中所有能对环境产生影响的物质和社会要素的总和。市场营销因

素指企业在市场营销活动中可以控制的各类因素。市场营销因素通过

个体因素和环境因素作用于消费者，又受到个体因素和环境因素的影

响。本书其他章节主要内容就是市场营销因素对消费者行为的影响，

所以本章不展开这部分内容。

以上四类因素中，“消费者购买决策过程”即为消费者行为，其

他三类因素为消费者行为的影响因素。因此，消费者行为学的研究内

容又可以分为消费者行为和消费者行为影响因素两大类。

九、客户关系管理内涵与目标

1、客户关系管理内涵

客户关系管理指企业在既定的资源和环境条件下为发现客户、获

得客户、维系客户和提升客户价值而开展的所有活动。

2、客户关系管理目标

客户关系管理目标是在产品、管理与营销同质化的背景下运用客

户关系管理实现客户关系差异，通过满足客户需求和帮助客户获利来

留住客户，提升客户价值，使客户关系管理成为企业的核心竞争力。

由于科学技术高度发达且快速普及，同类企业之间产品同质化三趋严

重；由于企业间在营销策略上相互模仿，同类产品的不同品牌之间在

营销策略上也难以形成显著差异，造成客户转换成本低，转换行为就

会经常发生。企业仅仅凭借良好的产品与服务以及同质化的营销策略

并不能达到留住客户的目的。客户关系管理就是通过提高服务水准和

质量信誉来提高客户的满意度与忠诚度，实现相互信任和愉快合作,

在诸多无形之处建立差异以构筑竞争者难以逾越的屏障。

客户关系管理理论的提出是市场营销与企业管理理论的重大变革。

传统的市场营销理论将客户看作是销售的对象而非管理的对象，是企

业外部的组织而非内部的成员；传统的企业管理仅仅局限于企业内部

人、财、物的管理，并不包括对企业外部客户的管理。而客户关系管

理理论将外部的客户视同企业内部的成员，将“管理”对象从企业内

部的人、财、物扩大到了外部的客户，要求客户关系管理人员要像了

颦企业内部的人、财、物资源一样了解客户资源，像管理企业内部的

人、财、物资源一样管理客户资源。

十、顾客忠诚

高度满意是达到顾客忠诚的重要条件。不过，在不同行业和不同

的竞争环境下，顾客满意和顾客忠诚之间的关系会有差异。所有市场

的共同点是，随着满意度的提高，忠诚度也在提高。但是，在高度竞

争市场（如汽车和个人电脑市场），满意的顾客和完全满意的顾客之

间的忠诚度有巨大差异；而在非竞争市场（如管制下的垄断市场一一

本地电话市场），无论顾客满意与否都保持高度忠诚。

尽管在某些场合，顾客不满意并不妨碍顾客忠诚，但企业最终仍

会为顾客的不满付出高昂代价。企业如果没有赢得高水平的顾客满意

度，是难以留住顾客和得到顾客忠诚的。

除了简单地吸引和保留住顾客，许多公司还希望不断提高其顾客

占有率。他们的目标不再是赢得大量顾客的部分业务，而是争取现有

顾客的全部业务。例如，通过成为顾客购买产品的独家供应商，或说

服顾客购买更多的本公司产品，或向现有产品和服务的顾客交叉销售

别的产品和服务，以获得所属产品类别中更大的顾客购买量。

十一、营销部门与内部因素

企业营销系统指作为营销者的企业整体，微观营销环境包括企业

外部所有参与营销活动的利益关系者。但从营销部门的角度看，营销

活动能否成功，首先要受企业内部各种因素的直接影响。因此，营销

部门在分析企业的外部营销环境前，必须先分析企业的内部因素或内

部条件。

企业为开展营销活动，必须设立某种形式的营销部门。市场营销

部门一般由市场营销副总裁、销售经理、推销人员、广告经理、营销

研究与计划以及定价专家等组成。营销部门在制定和实施营销目标与

计划时，不仅要考虑企业外部环境力量，而且要争取高层管理，部门

和其他职能部门的理解和支持，调动企业内部各方面的资源，充分运

用企业内部环境，力量，使内部优势和劣势与外部机会和威胁相平衡。

营销部门不是孤立存在的，它还面对着其他职能部门以及高层管

理部门。

企业营销部门与财务、采购、制造、研究与开发等部门之间既有

多方面的合作，也存在争取资源方面的矛盾。这些部门的业务状况如

何，它们与营销部门的合作以及它们之间是否协调发展，对营销决策

的制定与实施影响极大。例如，生产部门对各生产要素的配置、生产

能力和所需要的人力、物力的合理安排有着重要的决策权，营销计划

的实施，必须取得生产部门的充分支持；市场营销调研预测和新产品

的开发工作，需要研究与开发部门的配合和参与。高层管理部门由董

事会、总经理及其办事机构组成，负责确定企业的任务、目标、方针

政策和发展战略。营销部门在高层管理部门规定的职责范围内做出营

销决策，市场营销目标从属于企业总目标，并为总目标服务的次级目

标，营销部门所制定的计划也必须在高层管理部门的批准和推动下实

施。

十二、品牌经理制与品牌管理

品牌是企业重要的无形资产，品牌管理实质就是品牌资产管理。

品牌管理水平的高低直接关系到品牌资产投资和利用效果的好坏。一

般而言，企业的品牌管理的主要任务包括监控品牌运营状况，设计或

参与设计品牌，申请注册商标，管理品牌或商标档案，管理商标标签

的印制、领用与销毁，处理品牌纠纷、维护商标权，协助打假，品牌

全员管理教育等。

品牌管理的组织形式反映了在品牌运营活动中企业内部各部门、

各机构的权力与责任及其相互关系，主要有职能管理制和品牌经理制

两种。

（一）职能管理制

职能管理制是在西方盛行于20世纪20-50年代的品牌管理制度

（当然，许多企业至今仍很钟爱）。作为品牌管理制度，其主要做法

是，在企业统一领导、组织与协调下，品牌管理的职责主要由企业各

职能部门分别承担，各职能部门在各自的权责范围内行使权利、承担

义务。亦即，在职能管理制度下，有关品牌的决策与计划都由各职能

管理部门的负责人或主管人员共同参与、研究制定、分别执行。

（二）品牌经理制

品牌经理制诞生在美国宝洁（P&G）公司。宝洁产品在全世界得到

广大消费者认同，成功的原因除了160多年来一直恪守产品质量原则

之外，品牌经理制的灵活而有效运用也是重要成因之一，甚至也可以

说，其核心理念“一个人负责一个品牌”的品牌经理制（管理系统）

是宝洁公司品牌运营的重要基石。

品牌经理制在20世纪30年代问世于宝洁公司。到第二次世界大

战结束以后，品牌经理制被认为是从事多品种经营的消费品生产企业

品牌运营的规范组织形式。许多消费品生产企业（尤其是耐用消费品

的生产企业）都学习宝洁公司，纷纷采用品牌经理制。

美国庄臣公司、美国家用品公司等世界范围内的众多大公司都先

后采用了品牌经理制，主要是因为品牌经理制有许多“职能制”所不

具备的优点。第一，品牌经理制比职能管理制具有较强的品牌运作协

调性。在品牌经理制下，企业委任品牌经理负责某品牌运营全过程，

具体负责该品牌标定下的产品的开发、生产与销售，协调该品牌产品

的开发部门、生产部门和销售部门的工作。这就在很大程度上消除了

部门之间的互相扯皮、推读，减少因未能考虑整体利益、不熟悉整体

情况而产生的盲目性和分散性。第二，品牌经理制有利于达到品牌定

位目标，快速实现品牌个性化。在职能制下，常因互相扯皮、办事拖

拉而致使品牌运营各环节不能很好地衔接，而品牌经理制相当程度地

克服了这些弊端。第三，品牌经理制有助于长期维系品牌整体形象。

由于品牌经理是专司品牌运