在過去的程序設計中，要達到這樣的應用效果，只能通過直接的編碼進行。例如：要判斷客戶的價值，需要設置如下的條件：

1）客戶的累計交易額達到1000萬以上；2）客戶的交易頻率在每月1次以上；3）客戶的信譽額度沒有透支現象；

符合這三個條件的所有客戶通過后臺數據庫的查詢可以得出列表。TurboCRM的現有版本具備強大的自定義功能，支持對客戶屬性進行自由的定義，并根據特征屬性進行分析和查詢。不過，企業的運營是不斷變化的，也許某些客戶沒有達到這些“硬性指標”，但是也具備相當大的潛力，例如：企業的負責人最近有所變動，可能會進行大規模購置等信息，也會影響到該客戶的價值評估，而這些就很難在現有的企業管理的知識平臺中體現出來。

知識管理的新發展

最新的知識管理程序可以利用自然語言處理（Natural Language Processing）、推理引擎（Inference Engines）和案例自動生成工具（Automated Generation of Case）來解決上述的難題。這些工具都是在知識發現（Knowledge Discovery Development）學術領域的熱點話題。雖然還在發展期，但重要的是，程序語言對自然語言的理解能力的提高，可以使許多不易體現為“硬性指標”的商業規則也能夠由程序所識別和修改。自然語言處理允許輸入用類似于口語或書面語的信息進行錄入，同時反饋出有意義的可以直接被應用的答案。在最廣泛被采用的“模糊查詢”功能中就融合了自然語言處理的成果。

推理引擎的應用原理，則包含下面四個基本步驟：

1.匹配（Matching）：將規則庫中現有的商業規則與輸入的情況進行對比。例如：對一家汽車修理廠商的客戶服務中心來說，后臺數據庫中已經存儲了成百上千條的汽車發動機故障的表現和原因。那么，當輸入“汽車點火不成功。”這一信息時，推理引擎首先將這一故障表現與信息庫中的數據進行自動匹配。

2.選擇（Selection）：所有滿足這一條件的規則在這一步驟中被選中。通常，一個特定條件只能發現一個完全匹配的規則的情況也可能發生，但概率較小。

3.激活（Firing）：在所有被選中的規則中，根據匹配程度，系統自動決定激活強度。例如：如果客戶反映活塞從未更換過，那么由于活塞堵塞導致的點火不成功的規則的激活強度會比其他規則更大。推理引擎中內含的算法可以給出一個最接近的規則行為。

4.行動（Action）：根據上面得到的推理結果，可以給出應當進行的操作行動，在上面的例子中，更換活塞可能就是最佳的故障排除方法。

當規則的條件不斷增加，呈現更多元化的傾向時，所能給出的結果和行動也就更加具體、具有特殊性，成為一個典型案例。這樣的典型案例積累到了一定的程度，成為案例庫。自動案例生成系統就是在推理引擎的基礎上的擴充。

上述的三種工具是今天的知識管理發展中的重點。那么，在實踐中應用的效果如何呢？

美國的3M公司最近在它的客戶服務中心應用了和知識管理融合的客戶關系管理系統。由于3M公司生產、銷售超過1萬種的產品，從Post-it貼紙到反光材料、塑料制品等，公司的客戶服務人員每天接到的電話也是多種多樣，甚至是千奇百怪的。客服人員接到的第一個電話可能是詢問如何使用一種特殊的錄音磁帶，第二個電話是關于最新出品的某種光纖的規格，第三個電話是來自一位現在新澤西州的需要3M公司的年度報告的投資人，第四個電話是一個焦急的母親，因為她的兒子剛剛把3M新出的玩具筆吞進了肚子。如何處理這么多的問題？如何培訓客服人員，讓他們能夠快速地掌握上萬種產品的相關信息？知識管理在這里起到了關鍵的作用。

在應用了CRM之后，客服人員接到一個電話，在對方描述問題的同時，就輸入關鍵詞語進行查詢，當然用的是接近于口語表達的自然語言查詢，系統給出所有匹配的信息，推理引擎開始工作，答案的排列順序是與輸入的信息相關的，如果答案太多，那么系統給出可能的選擇要求客服人員逐一詢問或排除，最后的解決辦法自動顯示在屏幕上，客服人員只要念出來可以了，最困難的查詢和推理的工作量都讓計算機完成了一大半。如果這些步驟還不能解決客戶的問題，那么電話將轉接到高級客服人員，所有的問題描述無需重復，信息已經被記錄而且原樣呈現在這一位客服人員的電腦上，不會發生衰減。這位客服人員給出的答案在下一次查詢中將作為新的案例出現在備選答案中，知識的積累和傳遞就這樣在公司內部完成了。

“現在，我們的客戶不再發現她/他的電話要被轉接到12個不同的客服人員而且得到6、7個不同的答案了。”3M的客服管理者Paul Guanzini這樣評價新的CRM系統。3M的下一步是把已經儲存了15，000條技術信息的數據庫在網絡上對客戶開放，自助式的查詢將更進一步節省成本，并提高客戶的滿意度。