完整版基于数据挖掘的EDPCRM系统设计及实现毕业设计.docx
《完整版基于数据挖掘的EDPCRM系统设计及实现毕业设计.docx》由会员分享，可在线阅读，更多相关《完整版基于数据挖掘的EDPCRM系统设计及实现毕业设计.docx（30页珍藏版）》请在冰豆网上搜索。
完整版基于数据挖掘的EDPCRM系统设计及实现毕业设计
毕业设计论文
基于数据挖掘的EDP-CRM系统设计及实现
摘要
CRM（CustomerRelationshipManagement）系统的目的在于建立一个整合客户服务、市场竞争、销售以及技术支持的系统，为企业带来长久的竞争优势。
作为一种典型的交互式系统，CRM系统是企业管理中信息技术和应用解决方案的集成。
它既是管理客户关系的一系列信息技术、方法和措施，又是运用信息技术将企业涉及的销售、客户服务、内部管理等业务流程自动化的软件及硬件系统。
而随着企业对CRM系统的长期使用，会积累大量的数据，他们迫切需要从现有大量数据中提取出数据中潜在的知识，因此对CRM系统进行数据挖掘的需求已经必不可少。
本文以某高校EDP-CRM项目为背景，介绍了CRM系统中客户管理模块和数据挖掘模块的设计与实现。
通过该EDP-CRM系统，既可以方便地对客户开展基本的客户管理、产品管理、售后管理等客户管理功能，又可以在此基础上对现有数据进行聚类、分类、关联、时间序列分析等数据挖掘操作。
本文主要研究在数据挖掘的基础上构建CRM系统的技术。
围绕某高校EDP-CRM系统的客户关系管理和数据挖掘两大功能模块进行了详细的研究分析。
文中详细介绍了客户关系管理系统和数据挖掘技术。
首先，客户管理模块着重介绍了模块的软硬件架构，流程设计和功能实现，从而保证CRM系统的基本功能的实现。
而数据挖掘模块描述了模块实现的流程和技术，并在系统现有功能情况基础上，作者研究了数据挖掘的建模方案，主要重点讨论了数据仓库的构建模型和构建过程，从操作型环境抽取数据并导入数据仓库方法，对数据进行综合处理的实现技术，以及后期数据如何追加到数据仓库的机制，并详细介绍了关联规则挖掘模型，聚类挖掘模型和分类挖掘模型的实现技术。
在确定了系统的关键技术后，完成了其CRM的系统的设计和实现。
最后作者总结全文，并提出了进一步工作的方向。
第一章绪论
一、研究背景及研究意义
随着市场对知识要求的提高，越来越多的企业高层对知识在企业竞争发挥的作用有了深刻认识，EDP教育也逐步发展起来。
但是，当前EDP教育产业在国内由于发展时间较短，也存在一些问题影响EDP教育的进一步发展，其中，如何在激烈的市场竞争环境下开发和占领市场以使EDP教育产业获得生存和发展是决定一个EDP教育产业能否良性发展的关键问题。
为了解决这个问题，客户资源的有效利用是一个关键。
对于现代企业来说，客户资源正成为最具价值的资产，建立客户信息数据库，对这些最有价值的资产进行有效管理，成为企业的核心任务之一。
EDP教育产业也是如此。
因此，在解决客户资源管理环节，EDP教育产业也可以借鉴其他产业的经验，将CRM（CustomerRelationshipManagement，客户关系管理）引入到EDP教育的客户资源管理之中。
CRM是90年代西方发展起来的新型的管理策略，它在国外的应用己经取得了极大的成功，而我国对它的认识和应用才刚刚起步。
当今许多企业的CRM数据库或数据仓库中都搜集和存储大量关于客户的宝贵数据，这些数据涵盖了从客户基本数据、购买记录及客户反馈的个个环节。
充分利用这些数据，深入分析、挖掘隐含在这些数据中的有用信息，将有助于企业更好地管理客户关系，实现CRM的功能和目标。
然而，由于缺乏在大量数据中发现深层次信息的能力，许多企业对于这些数据的利用还只是停留在基础层的浏览、检索、查询和应用层的继承、组合、整理等方面，而无法将这些数据转化为更加有用的知识。
因此，如何更加有效地管理企业数据库中快速增长的海量数据，将数据资源的利用提高到知识创新的高级阶段，己经成为企业当前需要迫切解决的问题，数据挖掘（DataMining，简称DM）技术的运用就可以帮助企业很好地解决这个问题。
所谓数据挖掘，简单地说，就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。
数据挖掘作为一门交叉学科，受到多门学科的影响，包括数据库系统、统计学、机器学习、可视化和信息科学。
需要特别指出的是，数据挖掘从一开始就是面向应用的，因此如何利用数据挖掘技术解决特定领域的问题，是研究数据挖掘应用的核心问题[1][2][3][4]。
近年来，该技术已经在商务管理，生产控制，市场分析，工程设计和科学探索等领域得到广泛的应用。
综上所述，为了解决EDP教育中存在的客户关系管理混乱无序的现状，本文将根数EDP教育的特点设计EDP-CRM系统并将其实现，并为了进一步开发客户关系中的潜在的价值，将数据挖掘技术引入到EDP-CRM系统之后，通过对客户资源进一步进行细分，提高客户开发的效率，并对客户资源进行进一步的有效开发，从而达到有效利用客户的价值目的。
二、国内外研究综述
（一）国外研究现状
1、数据挖掘研究现状
随着信息技术的迅猛发展，数据库的规模不断扩大，从而产生了大量的数据。
这些数据背后隐藏着许多重要的信息，人们希望通过对这些信息进行更高层次的分析，以便更好地利用这些数据。
但大量复杂的数据往往使人们无法辨别隐藏在其中的能对决策提供支持的信息，而传统的查询、报表工具无法满足挖掘这些信息的需求。
因此，需要一种新的数据分析技术处理大量数据，并从中抽取有价值的潜在知识，数据挖掘（DataMining）技术由此应运而生。
数据挖掘技术也正是伴随着数据仓库技术的发展而逐步完善起来的[5，6]。
数据挖掘最早出现在20世纪80年代后期，它是在计算机信息技术的基础上发展而来的，而数据挖掘的概念是1989年在美国底特律召开的第十一届国际联合人工智能学术会议上最早被正式提出来。
此次会议首次正式提出了KDD（KnowledgeDiscoveryinDatabase）这个术语。
并且在后来的1991年、1993年和1994年都举行了关于KDD的专题讨论会，汇集来自各个领域的研究人员和应用开发者，集中讨论数据统计、海量数据分析算法、知识表示、知识运用等问题。
随着与会人员的不断增多，KDD国际会议发展成为年会。
1998年在美国纽约举行的第四届知识发现与数据挖掘国际学术会议21不仅进行了学术讨论，并且有30多家软件公司展示了他们的数据挖掘软件产品，不少软件已在北美、欧洲等国得到应用。
经历十多年的发展，数据挖掘已经成为一个自成体系的应用学科。
目前，国外数据挖掘的发展趋势及其研究主要有以下方面：
Berry和Linoff[7]主要侧重于基于数据挖掘的商务应用对数据挖掘进行了介绍；Fayyad等[8]介绍了数据挖掘以及如何将数据挖掘与整个知识发现过程协调；Lambert[9]考察统计学在大型数据集上的应用，并对数据挖掘与统计学各自的角色提出一些评论；Glymour等[10]考虑统计学可能为数据挖掘提供的教训；Smyth等[11]讨论诸如数据流、图形和文本等新的数据类型和应用如何推动数据挖掘演变。
在数据挖掘的应用方面，数据挖掘技术使得KDD商业软件工具不断完善和发展，使得KDD更注重建立解决问题的整体系统，而不是孤立的过程。
数据挖掘的用户主要集中在大型银行、保险公司、电信公司和销售业。
国外很多计算机公司非常重视数据挖掘的开发应用，IBM和微软都成立了相应的研究中心进行这方面的工作，此外，一些公司的相关软件也开始在国内销售，如Platinum、BO以及IBM[12]。
2、CRM研究现状
客户关系管理（CRM）的理论基础来源于西方的市场营销理论，它是在关系营销和数据库营销基础上诞生的一种全新的管理模式。
和客户关系管理相关联最早的理论应该算是20世纪80年代初的“接触管理”（ContactManagement），即专门收集整理客户与公司联系的所有信息。
到20世纪90年代初期这一理论则演变成为包括电话服务中心与支持资料分析的客户关怀（CustomerCare），后来又从重视赢得新客户和处理基础营销工作逐渐转移到对客户关系进行有效管理的客户保持工作上来[13]。
客户关系管理这个名词首先从北美传出，但是一般认为把客户关系管理理论最早概念化的是美国的计算机咨询集团——GartnerGroup，该机构在1997年提出：
客户关系管理就是为企业提供全方位的管理视角，赋予企业更完善的客户交流能力，最大化客户的收益率[14]。
在“客户关系管理”被正式提出之后，国外涌现出了很多关于实施客户关系管理的研究著作。
如StanleyA.Brown[15]《Customerrelationshipmanagement:
astrategicintheworldofe-business》一书，对客户忠诚、客户关怀、客户获得等客户战略问题，网络、工作流管理、数据仓库、数据挖掘等技术问题进行论述。
JillDyche[16]所著的《TheCRM）
分类就是构造一个分类函数（分类模型），把具有某些特征的数据项映射到某个给定的类别上。
该过程由两步构成：
模型创建和模型使用.模型创建是指通过对训练数据集的学习来建立分类模型；模型使用是指使用分类模型对测试数据和新的数据进行分类。
其中的训练数据集是带有类标号的，也就是说在分类之前，要划分的类别是己经确定的。
通常分类模型是以分类规则、决策树或数学表达式的形式给出的。
2、聚类模式（Clustering）
聚类就是将数据项分组成多个类或簇，类之间的数据差别应尽可能大，类内的数据差别应尽可能小，即为“最小化类间的相似性，最大化类内的相似性”，原则。
与分类模式不同的是，聚类中要划分的类别是未知的，它是一种不依赖于预先定义的类和带类标号的训练数据集的非监督学习（unsupervisedlearning），无需背景知识，其中类的数量由系统按照某种性能指标自动确定。
3、回归模式（Regression）
回归模式的函数定义与分类模式相似，主要差别在于分类模式采用离散预测值（例如类标号），而回归模式采用连续的预测值。
在这种观点下，分类和回归都是预测问题，但在数据挖掘业界，大家普遍认为：
用预测法预测类标号为分类，预测连续值（例如使用回归方法）为预测。
许多问题可以用线性回归解决，对于许多非线性问题可以通过对变量进行变换，从而转换为线性问题来解决。
4、关联模式（Association）
关联分析用于发现大量数据中项集之间有意义的关联或相互关系，寻找给定数据集中数据项之间的有趣联系。
关联规则的支持度和置信度是两个规则兴趣度的度量标准，它们分别反映发现规则的有用性和确定性。
5、序列模式（Sequential）
实时状态数据的存在需要在数据挖掘过程中加入时间因素。
序列模式分析主要是通过对历史事件中频繁发生的事件序列进行分析，形成预测模式.来对未来行为进行预测。
6、偏差模式（Deviation）
数据库中可能包含一些数据对象与大部分数据对象的一般行为或模式不一致，这些不一致的数据就成为孤立点。
大部分数据挖掘方法将孤立点视为噪声或异常数据丢掉，然而在一些应用中，罕见的事件可能比正常的事件包含更多潜在有用的知识。
由此可见，从数据集合中检测这些孤立点并加以分析是十分有意义的。
数据演变分析描述行为随时间变化的对象的规律或趋势。
它包括趋势分析、相似性查找和周期性模式分析等方面。
（三）数据挖掘的过程
数据挖掘是一个完整的、反复的人机交互处理过程，该过程需要经历多个相互联系的步骤。
而且因为应用领域的分析目标需求不同，以及数据来源和含义的不同，其中的步骤也不会完全一样。
一般来说，数据挖掘的过程主要包含五个阶段：
数据准备、数据选择、数据预处理、数据挖掘、转换模型及模式评价。
1、数据准备
数据是数据挖掘工作成功与否的基础。
要进行数据挖掘，数据准备阶段必不可少。
因为数据挖掘要处理的数据来自不同的数据源，数据量庞大，数据结构复杂，还有大量数据重复，并且里面夹杂着空缺数据、噪声数据、冗余数据等对数据挖掘有负面影响的数据。
因此，数据准备在数据挖掘过程中起着至关重要作用，是数据挖掘工作的基础。
数据准备主要包含以下三个方面：
1）确定项目目标，制定挖掘计划、2）数据收集和获取、3）数据集成。
2、数据选择
数据挖掘通常并不需要使用一个部门或者用户所拥有的全部数据，有些数据对于建立模型和发掘模式是没有任何意义的，而且如果数据与此挖掘项目的目标有所偏差，则还有可能给数据挖掘带来负面影响，造成挖掘结果不准确，模式不可用。
数据选择就是在相关领域专家的指导下，数据挖掘人员从经过集成后的数据库或数据仓库中检索出与此次挖掘项目任务相关的数据集合，从而缩小范围，保证数据正确性和语义完整性，避免盲目搜索，从而提高数据挖掘的质量和效率。
3、数据预处理
数据预处理可以保证数据挖掘所需数据集合的质量。
对于数据挖掘来说，数据质量是一个关键的问题，因为如果数据挖掘基于的数据不准确，那么挖掘出来的结果也会是不准确的。
挖掘基于的原始数据是从各个实际应用系统中获取的，由于各应用系统的数据缺乏统一的标准定义，数据结构也有较大的差异，因此各系统间的数据存在较大的不一致性，往往不能直接拿来使用。
面对这些问题数据，需要对收集好数据进行清理，以使其适用于以后的数据处理。
4、数据挖掘
数据挖掘就是建立模型解决问题的过程。
这是一个反复的过程。
需要分别考察不同的模型以判断模型对相关问题有效性。
先用一部分数据建立模型，然后再用剩下的数据来测试和验证这个模型。
有时还有第三个数据集，称为验证集，因为测试集可能受模型的特性的影响，这时需要一个独立的数据集来验证模型的准确性。
训练和测试数据挖掘模型需要把数据至少分成两个部分：
一个用于模型训练，另一个用于模型测试。
5、转换模型及模式评价
数据挖掘完成之后，必须评价得到结果、解释模型的价值。
从测试集中得到的准确率只对用于建立模型的数据有意义。
在实际应用中，需要进一步了解错误的类型和由此带来的相关成本。
经验证有效的模型并不一定是正确的模型。
造成这一点的直接原因就是模型建立中隐含的各种假定。
因此直接在现实世界中测试模型很重要。
先在小范围内应用，取得测试数据以及测试结果，对模式评价通过之后再将模式推广应用。
三、EDP教育介绍
第三章EDP-CRM系统分析
一、背景介绍
作者在撰写硕士论文期间，参加了福州大学EDP中心CRM系统的研究、设计和开发工作。
通过对系统的设计、分析和开发，使我对CRM系统的总体结构有了一个较为全面的认识。
在系统设计和开发过程中，还将数据挖掘技术与企业的具体情况相结合，对数据挖掘在CRM系统实际应用进行了的尝试和探索性的研究。
因此，在论文中，我以福州大学EDP中心的CRM系统为背景，以系统设计开发的具体过程为线索，依次介绍客户管理管理、数据仓库和数据挖掘技术的理论发展及其它们在系统中的实际应用情况。
最后在此基础上，论述了基于数据挖掘的EDP-CRM系统的框架体系及实现。
二、EDP-CRM系统可行性分析
（一）EDP-CRM客户信息管理模块可行性分析
1、经济可行性
EDP中心的服务都是针对特定领域的客户，而中心能否良好发展的关键在于客户需要的满足。
而实施CRM系统，能够保证为客户提供良好的服务，能够及时准确的向客户提供产品服务的信息，在发掘新客户、保持老客户、防止老客户流失等方面都有明显的效果，而由于EDP中心的特点，每增加一名客户，能够获得非常大的经济效益，因此实施CRM系统能够明显提高企业的经济效益。
与之相比，虽然实施CRM系统需要在前期投入一笔软件开发与运行维护的成本，但与提高客户满意度从而增加的利润相比只是九牛一毛。
因此，福州大学管理学院EDP中心实施客户关系管理系统在经济上完全是可行的。
2、技术可行性
进入21世纪，信息技术的不断进步，也进一步推进了CRM的发展。
计算机技术、通讯技术、网络应用技术使得CRM系统的实施与应用不在仅仅停留在想象阶段。
而伴随着企业信息化水平的提升，办公自动化程度、员工计算机应用能力也不断提高，同时企业管理方式也相应转变，这些都有利于客户关系管理的实施。
3、管理可行性
福州大学管理学院EDP中心由于受所处高校影响，管理理念非常先进。
中心的管理思想早已成功完成从以产品为中心向以客户为中心的转变，而管理思想的转变也影响了管理方式的转变。
而先进的思想将有利于中心工作人员轻松适应CRM系统的应用。
因此发展CRM的时机己经成熟，通过CRM对该企业的客户资源进行有效的管理，不但会提高企业收益，也将进一步改变企业运行的战略思维。
（二）EDP-CRM数据挖掘模块可行性分析
数据挖掘可以从大量数据中挖掘隐藏的知识，为决策人员和客户经理提供决策和工作的依据。
对EDP中心而言，对中心客户进行数据挖掘是可行的，因为福州大学管理学院EDP中心的客户资料已达到了数据挖掘所需要的海量；而公司的经营者也希望获得更大的利润，所以都支持数据挖掘，希望充分利用现有的数据，挖掘数据背后的知识，提高中心效益；而且公司的信息化建设比较好，数据比较完备，网络设置和员工的计算机水平都比较好。
三、EDP-CRM系统需求分析
需求分析是软件开发中的一个重要的阶段，他就是描述系统的需求的过程。
分析的根本目的是在系统开发者与用户之间建立一种理解和沟通的机制。
（一）主要业务分析
一个企业业务流程是系统设计的关键，要实施开发CRM系统，必须确定系统的功能需求，这就必须先了解企业的业务流程，从业务流程中分析系统的需求。
而EDP-CRM系统的主要业务流程如下图：
（二）、业务用例
业务用例是在调研阶段得到的信息基础上提取的，是从用户和业务的角度来描述系统提供需要执行的功能。
福州大学管理学院EDP中心客户管理管理系统主要实现五大功能，其用例图如下：
1、基本信息管理
基本信息管理功能是整个CRM系统的核心模块，它将所有基础信息作为连接其余各个系统模块的主线，也是CRM系统的主要数据来源。
主要包括客户信息管理、产品信息管理、员工信息管理。
客户信息管理是对EDP中心的客户信息进行详细的管理，主要实现对个人客户信息管理和对集团客户信息管理的两个子功能。
产品信息管理是对EDP中心的产品信息进行详细的管理，主要实现对集团产品和对个人产品两个子功能。
但是这两个子功能又可以进一步细分，具体的就是将集团产品管理功能继续细分为企业优化咨询信息管理和集团培训信息管理。
而个人产品管理功能又可以继续细分为包括学位教育信息管理和讲座公开课信息管理。
员工信息管理是对EDP中心的员工信息进行详细的管理，主要实现对营销人员信息管理、对教师信息进行管理和对教务人员进行管理三个子功能。
基本信息管理的需求图如下所示：
集团客户信息管理主要是对以下信息进行管理：
客户名称、性质、地址、联系人信息、客户经营状况信息（客户档案、客户战略发展、财务状况信息。
此外客户信息还包括客户与本企业发生的业务信息、接受本企业服务的信息等；
个人客户信息管理主要是对以下信息进行管理：
客户、年龄、学历、性别、职位、所属单位、地址、手机、电话、传真、电子邮箱、身份证号码等；
咨询优化信息管理主要是对以下信息进行管理：
项目名称、项目起始时间、项目客户、优化内容、价格等；
集团培训信息管理主要是对以下信息进行管理：
培训名称、培训起始时间、培训地点、培训客户、培训对象、培训价格、培训内容等；
学位教育信息管理主要是对以下信息进行管理：
班级名称、价格、学制、证书性质、课程、授课形式、授课时间等信息；
讲座公开课信息管理主要是对以下信息进行管理：
讲座公开课名称、讲座公开课时间、讲座公开课地点、讲座公开课内容、讲座公开课教师、讲座公开课价格等信息；
销售人员信息管理主要是对以下信息进行管理：
员工、年龄、学历、性别、职位、家庭地址、手机、电话、传真、电子邮箱、身份证号码、负责产品等；
教师信息管理主要是对以下信息进行管理：
教师、年龄、性别、职务、所属单位、联系地址、手机、电话、传真、电子邮箱、身份证号码、研究领域等；
教务人员信息管理主要是对以下信息进行管理：
员工、年龄、学历、性别、职位、家庭地址、手机、电话、传真、电子邮箱、身份证号码、服务项目等。
2、业务管理
业务管理是根据福州大学管理学院EDP中心的业务流程，从开发新客户开始到产品服务销售完毕之间发生的一系列业务的过程，主要记录这些业务的数据。
主要包括营销管理、销售管理、客户服务管理、售后管理。
该功能模块是整个系统的客户信息收集的渠道。
营销行为管理是用来记录销售人员与客户的一系列接触过程，分布记录营销每个阶段的客户信息，实现客户资源有记录，保证客户资源有记录，保证中心掌握客户资源。
销售管理可以明细记录销售过程和销售业务信息，并能够动态的查看销售状态，保证销售过程按计划进行。
客户服务管理记录的是客户在购买产品后接受产品服务过程中的一系列数据，保证了客户能够接受良好的服务，并记录顾客在服务中的表现。
售后管理就是客户反馈管理，是记录客户对产品质量的反馈意见，以及客户服务人员对客户意见的处理结果，增加与客户的交流。
业务管理与企业的业务流程息息相关，因此我们根据业务流程图画出业务管理的需求图如下：
营销管理主要是对营销信息的管理，主要记录的是营销员工编号、客户编号、营销时间、营销内容；
销售管理主要是对销售信息的管理，主要记录的是员工编号、客户编号、产品编号、销售时间；
客户服务管理主要是对客户服务信息的管理，主要记录的是员工编号、教师编号、客户编号、产品编号；
售后管理主要是对售后服务信息的管理，主要记录的是员工编号、客户编号、售后服务时间、售后服务内容。
3、综合管理
流程管理是记录产品从营销至售后之间的详细流程，从而保证中心的运作符合规定的流程，保证中心合理、安全、有效的运行。
而费用管理是对公司发生的业务的费用管理，保证公司的成本控制在合理范围以内。
主要包括营销流程管理、销售流程管理、客户服务流程管理、售后流程管理和费用管理。
其需求图如下所示：
4、查询分析管理
查询分析模块主要包括综合查询、综合统计和分析预测的功能。
综合查询能够将现有数据按查询的条件展示信息，综合统计模块能够按照条件对数据进行简单操作，进行进一步统计，而分析预测模块根据要求和分析预测模型来对现有数据进行分析预测，通过以上模块，管理者能对中心运行现状有清晰的了解，也能进一步对未来可能的发展有一个预测。
该模块是整个系统的核心模块，也是体现数据挖掘效果的模块。
通过数据的综合查询、统计、分析，发现数据背后潜在的知识，从而达到辅助决策的目的，实现CRM系统对企业管理和指导功能。
该模块是体现数据挖掘功能的模块，当前阶段需要的是三个功能，分别是潜在客户识别、潜在客户分类以及客户满意度分析。
潜在客户识别是通过数据挖掘的分类技术对当前客户进行分析，进而得出客户的特征，用这些客户特征作为标准来分析潜在客户；潜在客户分类是通过数据挖掘的聚类技术将潜在客户分类，针对不同类的特点设计营销方式；客户满意度分析是通过数据挖掘的聚类技术将影响客户满意度的因素进行分类，针对满意度因素的重要性和当前满意度进行有针对性的改进措施。
5、系统后台管理
系统后台管理是对负责系统管理和维护的用户进行授权，对系统部门进行管理；同时还要保证及时准确地对数据进行备份、恢复操作，保证系统安全稳定的运行；同时还要记录系统的更新及版本信息。
（二）业务用例分析与建模
业务建模是需求工程中最基础的阶段，也是整个项目的初始阶段。
其最主要的目的就是要梳理业务的流程，所以要保证需求的技术无关性，还要保证需求不要深入细节。
用例模型描述的是外部执行者所理解的系统功能。
它的建立是系统开发者和用户反复讨论的结果，表明了开发者和用户对需求规格达成的共识。
在需求分析阶段，可以用用例来捕获用户需求，以描述对系统感兴趣的外部角色及其对系统的功能要求。
1、业务主角、业务角色
业务主角：
参与处理业务的用户就叫做业务主角，在本模型中，业务主角主要包括业务人员（销售人员、教师、教务人员）、管理人员（部门经理、高层管理）、系统管理员。
业务角色：
不同参与到系
升级会员 