由于CRM的应用能够提高企业效率，提升客户的忠诚度、节省运营开支和增加营业收入，所以越来越多的企业开始建立。然而随着CRM系统中数据库技术的迅速发展以及业务操作流程自动化的广泛应用，企业积累了越来越多的数据。目前的数据库技术虽然可以很方便的进行数据的查询和统计，但是要从大量的数据中发现其存在的规则和关系则很乏力，所以将数据挖掘应用的客户关系管理中是必然也是必要的。

结合数据挖掘的功能，可以在企业决策分析和客户关系管理等各方面和各阶段发挥其作用，而在客户关系管理中，数据挖掘可以应用到客户群体细分、客户的保留与获取、交叉销售、客户贡献分析等多个方面。

1数据挖掘的方法

（1）统计分析方法。利用概率论和数理统计的原理统计分析相关的属性，发现相互之间的关系和规律。

（2）遗传算法。遗传算法是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化概率搜索算法。

（3）决策树方法。通过生成一个测试函数建立结点和分支，即生成一棵决策树。然后对决策树进行剪枝处理，最后把决策树转化为规则，决策树方法主要用于分类挖掘。

（4）关联分析。实现关联分析的技术主要是统计学中的置信度和支持度分析。关联规则的挖掘有多种方法，比较典型的有ARGen算法和Apriori算法。

关联分析即利用关联规则进行数据挖掘。关联分析的客户保留则是在客户识别的基础上有目的地改善企业的服目的是挖掘隐藏在数据间的相互关系。

（5）聚类分析。聚类分析是根据事物的特征对其进行聚类或分类，以期从中发现规律和典型模式。

2基于数据挖掘的客户分析

2.1客户贡献分析

客户的购买力对企业的盈利有很大的影响，客户的贡献越多，企业相应的利润也就越丰厚。所以按客户的贡献大小对客户群进行分类，然后对不同的贡献率的客户采取不同的措施，对于企业提高收益具有巨大的意义。

2.1.1基本思路

企业的数据仓库中有客户的具体信息，利用数据挖掘技术对这些客户信息进行分析，用分类判定树对客户的各种属性特征和对企业的贡献率的大小进行归纳和分类。这样就建立起一个对于客户贡献大小分析的模型，然后将客户贡献大小不清楚的客户信息输入这个模型，利用已经归纳出的模型对这些客户进行分类，这样就得到了客户对应的贡献率分类结果。

2.1.2具体步骤

（1）构造数据集市。根据对客户贡献大小的研究，分析贡献大小与客户属性特征相关的属性。

（2）数据预处理。对客户属性如客户姓名、满意度、工作地、贡献度和购买次数等，进行必要的清洗、集成、转换、离散和归约等一系列的处理工作，达到挖掘算法的规范和标准。

（3）建立相关属性集。通过对属性相关性的分析，删除那些与数据挖掘不相关的属性，剩下相关的属性就组成了相关数据集。

（4）建立模型。根据上一步得到的相关数据集对客户贡献度建立模型。首先对相关数据集进行分析和训练形成训练数据集。然后归纳判定树。接着，对分类规则进行提取。最后，对得到的基本模型进行评价和改进。

（5）使用模型进行分类。当模型的准确率改进到某个可以接受的阈值，就可以用这个模型对贡献度未知的客户进行分类。将客户数据输入模型，然后就可以得到这个客户对应的客户贡献率分类结果。

2.2客户价值分析

客户是企业最重要的资源了，拥有越多的客户就以为着企业有更多地发展机会，而不同的客户对于企业的价值是不一样的，这就需要对客户的价值进行分析，有助于企业合理利用，提高企业的收益。

客户价值分析的方法：

可以根据客户购买行为对客户群进行细分。在模型上，采用客户价值矩阵分析方法。首先选择K均值算法作为聚类算法，然后采用决策树算法对客户群的特征进行提取，从而得到聚类分析中每个客户群的对应的特征。

（1）基于K均值算法的客户细分分析。首先选取500名客户5年的购买数据作为数据挖掘的样本数据，样本数据主要包括客户代号、平均采购额度和购买次数3个方面信息。然后设置K值，然后执行K均值聚类算法。算法执行后，样本数据就进行了分类。

（2）基于决策树分类的客户群特征提取。首先进行数据准备和预处理，即对对客户数据进行编码和分类，然后构造训练集，利用聚类结果提取客户特征，最后，根据前面处理过的的客户特征信息样本数据，进行计算最终得到一棵客户价值分析决策树。采用决策树的方法也对客户流失进行了分析，预测了哪些客户最容易流失，这些容流失的客户又具有哪些特性，从而分析出了客户流失的原因，为企业保留客户提供了帮助。

3结束语

客户资源是市场竞争至关重要的宝贵资源，拥有客户就意味着拥有市场。数据挖掘技术能从日积月累的数据中挖掘出对企业决策有帮助的潜在知识和规则，挖掘现有客户的消费潜力，减少客户的流失，为企业的决策和发展提供帮助。