CRM中的数据挖掘是指从大量有关客户的数据中挖掘出隐含的、先前未知的、对企业决策有潜在价值的知识和规则。技术上，客户关系管理系统采用嵌入数据挖掘系统的方式，可以自动地产生一些所需要的信息。深度的数据挖掘还需要企业有统计学、决策科学、计算机科学方面的专业人才制定出相应的挖掘规则以进一步发挥出挖掘系统的优势。
一、CRM 中的数据挖掘的常用方法
在CRM 中，必不可少的要素是将海量的、复杂的客户行为数据集中起来的，形成整合的、结构化的数据仓库(Data Wearhouse)，这是数据挖掘的基础（当然也可以在数据库中做数据挖掘）。在此基础上，需要借助大量的方法，把表面的、无序的信息整合，揭示出潜在的关联性和规律，从而用于指导决策，下面介绍几种数据挖掘方法：
(1)关联：
关联的方法包括横向关联和次序关联。横向关联是挖掘表面看似独立的事件间的相互关系，比如经典的“尿布和啤酒”的故事，就是利用这种方法发现二者之间有很高的相关系数，然后深入分析后才找出内在原因的；次序关联的侧重点在于分析事件的前后序列关系，发现诸如“在购买A商品后，一段时间里顾客会接着购买商品B，而后购买商品C” 的知识，形成一个客户行为的“A—B—C”模式。可以预见的是，一个顾客在买了电脑之后，就很有可能购买打印机、扫描仪等配件。
(2)分类：
分类就是通过分析样本客户数据库中的数据，为每个类别作出准确的描述或建立分析
模型或挖掘出分类规则，然后用这个分类规则对其他客户的记录进行分类。例如，信用卡公司根据顾客的信用记录，把持卡人分成不同等级，并把等级标记赋与数据库中的每个记录。对于每一等级，找出它们共同点，例如：“年收入在10万元以上，年龄在40～50岁之间的外企白领”总体上信用记录最高。有了这样的挖掘结果，客户服务部门就知道一个新的客户的潜在价值，就可以有目的地投入客户服务。
(3)聚类：
聚类把没有分类的记录，按照数据内在差异性的大小，合理地划分成几类，并确定每个记录所属类别。它采用的分类规则是按统计学的聚类分析方法确定的。例如，面对数据库中消费额、购买频率、收入水平等多个评价指标，无法按照一个指标去分类，这时可以通过聚类按照数据间的自然联系把分散的记录“聚”成几“堆”，然后再对每堆进行深入分析。
(4)遗传算法：
遗传算法的方法是基于达尔文进化论中的基因重组、突变和自然选择等概念而形成的
算法。它们试图对现存的最好的解法进行组合或繁殖，以产生出更好的解法，利用适者生存的概念抛弃较差的解法，从而导致解法的集合即繁殖的结果得到改善。
(5)神经网络：
人工神经网络是模拟人类的形象直觉思维并在生物神经网络研究的基础上，根据生物
神经元和神经网络的特点，通过简化、归纳、提炼总结出来的一类并行处理网络，利用其非线性映射的思想和并行处理的方法，用神经网络本身的结构来表达输入和输出的关联知识，可以利用神经网络做分类，预测，异常检测等应用。
(8)统计学：
统计工作主要集中在测试预先的假设以及使模型适合于数据等研究上。统计方法常依赖于一个明确、潜在的概率模型。统计学方法由于有坚实的理论基础，很多基于统计学习的技术有不错分析效果，比如支持向量机（SVM）的很多应用属性相比以前的传统的学习方法（神经网络）有很大提高。
(9)可视化：
可视化数据分析技术拓宽了传统的图表功能，使用户对数据的剖析更清楚。例如，把数据库中的多维数据变成多种图形，有利于揭示数据的状况、内在本质以及规律性。而且图表相对于数据，我们对直观的表现形式也会更容易地理解和把握。
二、数据挖掘在CRM中的应用
数据挖掘在CRM很多方面都可以应用，比如市场营销，客户细分和风险评估等领域运用数据挖掘技术都能获得比较不错的效果。通过应用数据挖掘对客户数据进行分析后，可以获得丰富的客户知识（如下图），使决策者对客户有更深入的了解，这在以客户为中心的行业（比如银行，保险，证券，电信，咨询）显得十分重要。
（1）市场营销：
数据挖掘在市场营销中的应用具体体现在商品促销、一对一营销和交叉营销等业务。① 在商品促销活动中，企业利用数据挖掘技术可以通过从销售记录中挖掘关联信息，了解某些商品具有关联销售的可能性，进而可以向已经购买相关商品的客户推销关联商品，提高商品促销的成功率。② 在一对一营销活动中，企业可以利用数据挖掘中的分类与聚类技术把大量的客户分成不同的类，使每个类里的客户拥有相似的属性，进而使企业给每个不同
(2)客户获取：
在发展新客户的过程中，应用数据挖掘的目的是建立一个预测分析模型。但是，企业对当前尚非自己客户的人的了解程度肯定远没有对现有客户的了解程度高，关键在于寻找那些已知信息和想要得到的行为模型之间的关系。
(3)客户保持：
随着行业竞争的越来越激烈和获取一个新客户的开支越来越大，保持原有客户的工作越来越有价值。在实际工作中，可以利用数据挖掘工具为已经流失的客户建模，识别导致他们转移的模式，然后用这些模式找出当前客户中类似的流失客户，以便企业针对客户的需要，采取相应的措施防止这些客户的流失。
(4)客户细分：
所谓客户细分就是将一个大的消费群体划分成一系列细分群体的过程。客户细分可以让经营管理者在较高的层次上查看整个数据库中的数据，也可以使经营管理者使用不同的方法处理不同细分的群体客户。数据挖掘可以根据客户的预测行为来定义客户细分群。
(5)盈利分析：
数据挖掘技术可以用来预测在不同的市场活动情况下客户盈利能力的变化。一个企业惟一要做的就是基于市场营销策略预测盈利能力。为此，企业首先需要设定一些优化目标。设定优化目标的意图就是企业必须确定一种计算客户盈利能力的方法。这种方法可以是一种简单的计算公式，如从每个客户身上获取的收入减去提供产品、服务、市场活动、促销活动的成本，再减去通常由客户所负担的那些固定费用；也可以是一种更复杂的计算公式。然后利用数据挖掘工具从客户的交易记录中发现一些行为模式，且用这些行为模式来预测客户盈利能力的高低，进而帮助分析和提高客户盈利能力，使企业在市场竞争中获取优势。
(6)风险评估：
风险评估与欺诈行为几乎在每个行业中都会遇到，尤其是在客户关系管理中。利用数据挖掘中的神经网络分析模型可以探察具有诈骗倾向的客户，这就有可能使企业对这些客户加强监控，防止诈骗的发生。数据挖掘中的孤立点分析也可识别那些具有诈骗倾向的客户。例如，一个邮购零售商可以区分来自同一地址不同客户的付款模式。当同一客户使用不同的名字时，可以识别潜在的诈骗行为。保险公司能够识别其和客户的完整关系，而客户可能拥有多于公开的可接受标准的不同策略。银行在贷款给公司之前，可以查明这家公司是否处于财政危机之中。
凡是有该标志的文章，都是该blog博主Caoer（草儿）原创，凡是索引、收藏
、转载请注明来处和原文作者。非常感谢。