隨著計算機技術、網絡技術、通訊技術和Internet技術的發展，電子商務中 企業內部會產生了大量業務數據，如何從豐富的客戶數據中挖掘有價值的信息，為企業管理者提供有效的輔助決策，是企業真正關心的問題。其中，客戶分類是分析 型客戶關系管理的重要功能之壹。通過客戶分類，區分客戶的霞要程度，並針對不同霞要級別的客戶制定專門的營銷方案和客戶關系管理策略，可以幫助企業降低營 銷成本，提高利潤和企業競爭力。客戶也可從食業制定的專門的營銷方案和客戶關系管理策略中獲得適合的交易體驗。數據挖掘是分析型CRM實現其“分析”功能 的必要手段，也是實現客戶分類的有效工具。
1 客戶關系管理(CRM)
CRM(Customer Relation Managemen)是壹種旨在改善企業與客戶之間關系的新型管理機制，它實施於企業的市場營銷、銷售、服務與技術支持等領域，它的目標是提供更優質、更快捷的服務吸引並保持客戶，通過業務流程的全面管理降低倉業成本。
在電子商務環 境下，CRM使網站企業在所有的業務環節下更好地滿足客戶需求以及提供更優質的服務，從而使站點企業在這種不存在時空差異的新型商務環境中保留現有客戶和 發掘潛在客戶。以提高市場競爭力。同時CRM又可以提供客戶需求、市場分布、回饋信息等重要信息，為企業和經營活動提供智能化分析的依據，因此，CRM為 企業帶來了成功實現電子商務的基礎。
個性化服務是增強競爭力的有力武器，CRM就是以客戶為中心並為客戶提供最合適的服務。互聯網成為 實施客戶關系管理應用的理想渠道，記住顧客的名字及他們的偏好，根據顧客的不同而提供不同內容，顧客再次光顧的可能性會大大增加。CRM可以增加客戶忠誠 度，提高購買比率，使每個顧客產生更多的購買需求，及更長時間的需求，並提高顧客滿意度。
2 數據挖掘技術
如何對這些海量的數據進行分析發現，為商業決策提供有價值的信息，使企業獲得利潤，強有力的工具就是數據挖掘。
在分析型CRM系統中，數據挖掘是其中的核心技術，數據挖掘是從大量的數據中，抽取出潛在的、有價值的知識、模型或規則的過程。對於企業而言，數據挖掘 可以有助於發現業務發展的趨勢，揭示已知的事實，預測未知的結果，並幫助企業分析出完成任務所需的關鍵因素，以達到增加收入、降低成本，使企業處於更有利 的競爭位置的目的。
2.1 數據挖掘常用的算法
(1)決策樹(decision tree)決策算法。決策樹是壹個類似於流程圖的樹結構。其中每個內部節點表示在壹個屬性上的測試，每個分枝代表壹個測試輸出，而每個樹葉節點代表類或類 分布。決策樹算法包括樹的構造和樹的剪枝，有兩種常用的剪枝方法：先剪枝和後剪枝。
(2)神經網絡(Neural Network)。神經網絡是壹組連接的輸入，輸出單元，其中每個連接都與壹個權相連，在學習階段，通過調整神經網絡的權，使得能夠預測輸入樣本的正確類標號來學習。
(3)遺傳算法(Genetic Algorithms)。遺傳算法根據適者生存的原則，形成由當前群體巾最適合的規則組成新的群體，以及這些規則的後代。遺傳算法用於分類和其他優化問題。
(4)粗糙集方法。粗糙集方法基於給定訓練數據內部的等價類的建立。它將知識理解為對數據的劃分，每壹被劃分的集合稱為概念，利用已知的知識庫來處理或刻臧不精確或不確定的知識。粗糙集用於特征歸約和相關分析。
(5)模糊集方法。基於規則的分類系統有壹個缺點：對於連續屬性，他們有陡峭的截斷。將模糊邏輯引入，允許定義“模糊”邊界，提供了在高抽象層處理的便利。
其它還有貝葉斯網絡、可視化技術、臨近搜索方法和公式發現等方法。
2.2 數據挖掘常用的分析方法
(1)分類和預測。主要用於客戶細分(分群)處理，如價值客戶群的分級，分類和預測是兩種數據分析形式，可以用於提取描述重要數據類的模型或預測未來的 數姑趨勢。數據分類(data elassfication)是壹個兩步過程，第壹步，建立壹個模型，描述預定的數據類集或概念集，通過分析有屬性描述的數據庫元組來構造模型。第二步， 使用模型進行分類。首先評估模犁的預測準確率，如果認為模型的準確率可以接受，就可以用來對類標號未知的數據遠祖或對象進行分類。
預測 技術，主要用於對客戶未來行為的發現，如客戶流失分析中，用神經元網絡方法學習各種客戶流失前的行為變化，進而預測(預警)可能出現的存價值客戶的流失。 預測足構造和使用模型評估無標號樣本類，或評估給定樣本可能具有的屬性值或值區間。分類和預測具有廣泛的應用，如信譽證實、醫療診斷、性能預測和選擇購 物。分類和預測常用的算法包括決策樹歸納、貝葉斯分類、貝葉斯網絡、神經網絡、K-最臨近分類、遺傳算法、粗糙集和模糊集技術。
(2) 聚類分析。聚類是將數據對象分組成為多個類或簇(cluster)，在同壹個簇中的對象之同具有較高的相似度，而不周簇中的對象差別較大。作為統計學的壹 個分支，聚類分析已被廣泛的研究了許多年，現在主要集中在基於距離的聚類分析，基於k-means(k-平均值)、k-medoids(k-中心點)和其 他的壹些聚類分析工具也有不少的應用。
(3)關聯規則。關聯規則挖掘給定數據集中項之間的有趣聯系。設I＝{i1，i2，…im}是項 的集合，任務相關的數據D是數據庫事務的集合，其中每個事務T是項的集合，使得T包含於I。關聯規則是形如A=>B的蘊涵式，其中A∈I，B∈I， 並且A∩B為空。關聯規則的挖掘分成兩步：①找出所有頻繁項集，這些項集出現的頻繁性至少和預定義的最小支持計數壹樣。②由頻繁項集產生強關聯規則。這些 規則必須滿足最小支持度和最小置信度。
(4)序列模式。序列模式分析和關聯規則分析類似，也是為了挖掘數據項之間的聯系，不過序列模式分析的是數據項在時間維上的先後序列關系，如壹個顧客在購買了計算機半年後可能再購買財務分析軟件。
(5)孤立點分析。孤立點是度量錯誤或固有的數據變異性的結果。許多數據挖掘算法都試圖使孤立點的影響最小，或排除它們。壹個人的噪聲可能是另壹個人的 信號，在有些時候。孤立點是非常有用的。孤立點挖掘可以描述如下：給定壹個n個數據點或對象的集合，以及預期的孤立點的數目k，發現與剩余的數據相比是顯 著相異的或不壹致的頭k個對象。孤立點探測方法可分為三類：統計學方法，基於距離的方法和基於偏移的方法。
3 應用方法
3.1 了解業務
最初的階段，著眼於了解業務特點，並把它還原成為數據分析的條件和參數。例如：在零售行業中，我們的第壹個步驟是了解客戶購買的頻率，購買頻率和每次消費金額之間是否有明顯的相關關系。
3.2 分析數據
這個階段著眼於對現有的數據進行規整。我們發現，在不少行業中，可分析的數據和前面提出的分析目標是不匹配的。例如：消費者的月收入水平可能與許多購買 行為相關，但是，原始的數據積累中卻不壹定具備這螳數據。對這壹問題的解決方法是從其它的相關數據中進行推理，例如，通過抽樣調查，我們發現，壹次性購買 大量衛生紙的客戶，其月收入水平集中在1000-3000RMB的檔次，如果這壹結論基本成立。我們可以從消費習慣中推理出現有客戶有多大的百分比是月收 入水平在這個檔次中的；另外，可以根據抽樣調查的方法。在問卷調查的基礎上推理整個樣本人群的收入水平曲線。
3.3 數據準備
這個階段的著眼點是轉換、清理和導入數據，可能從多個數據源抽取並加以組合，以形成data cube。對於缺失的少量數據，是用均值補齊，還是忽略，還是按照現有樣本分配，這是在這個階段需要處理的問題之壹。
3.4 建模
現在已經有各種各樣的模型方法可以利用。讓最好的壹種應用於我們要著眼的主要問題中。是這個階段的主要任務。例如，對於利潤的預測是否應當采用回歸方式預測，預測的基礎是什麽等，這些問題需要行業專家和數據分析專家協商並達成***識。
3.5 評估與應用
優秀的評估方法是利用不同的時間段，讓系統對已經發生的消費情況進行預測，然後比較預測結果和實際狀況，這樣模型的評估就容易進行了。完成了上述的步驟 之後，多數的分析工具都支持保存並重復應用已經建立起來的模型。更為重要的是，在這個過程中，對數據分析的方法和知識應當已經由客戶方的市場分析人員或決 策者所了解，我們提供的，不僅僅是最終結果，而且是獲得這壹結果的方法。“要把金針度與人”正是TurboCRM咨詢服務不同於單純的軟件提供商的區別所 在。
最後，在軟件架構方面，分析數據庫與運營數據庫應當是分離的，避免影響運營數據庫在操作方面的的實時響應速度。
4 結束語
數據挖掘可以把大量的客戶分成不同的類，在每個類裏的客戶擁有相似的屬性，而不同類裏的客戶的屬性也不同，可以給這兩類客戶提供完全不同的服務來提高客戶的滿意度，細致而切實可行的客戶分類對企業的經營策略有很大益處。