一、引言
隨着計算機技術、網絡技術、通訊技術的發展以及各行各業業務操作流程的自動化，企業內產生了以幾十或上百GB計的大量業務數據，這些數據和由此產生的資訊是企業的財富，它如實地記錄着企業運作的本質狀況。但是面對如此海量的數據，迫使人們不斷尋找新的工具，來對企業的運營規律進行探索，爲商業決策提供有價值的知識，使企業獲得利潤。能滿足企業這一迫切需求的強有力的工具就是數據挖掘（Data Mining，DM）。
二、數據挖掘技術概述
數據挖掘是一種知識發現的過程，它主要基於統計學、人工智能、機器學習等技術，高度自動化地分析數據，做出歸納性的推理，從中挖掘出潛在的模式，並對未來情況進行預測，以輔助決策者評估風險，做出正確的決策。數據到知識的演化過程，如圖1。
對於企業而言，數據挖掘有助於發現業務的趨勢，揭示已知的事實，預測未知的結果。從這個意義上講，知識是力量，數據挖掘是財富。在實際應用中，數據挖掘主要採用以下幾種方法進行模式的發現。
（1）相關分析和迴歸分析。相關分析主要分析變量之間聯繫的密切程度，而回歸分析主要基於觀測數據建立變量之間適當的依賴關係，相關分析是迴歸分析的基礎。
（2）時間序列分析。與相關分析類似，目的也是爲了挖掘出數據之間的聯繫，但時間序列分析更加側重於數據在時間先後上的因果關係。
（3）分類分析。分類分析首先爲每一個觀測賦予一個標記，然後檢查這些被標記的觀測，描述出這些觀測的特徵。這種描述可以是一個數學公式或者模型，利用它可以分類新的觀測。常用的幾種典型的分類模型有線性迴歸模型、決策樹模型、基於規則模型和神經網絡模型等。
（4）聚類分析。與分類分析不同，聚類分析的輸入是一組未標定的記錄，目的是根據一定的規則，合理地劃分記錄集合。聚類分析和分類分析是一組互逆的過程，因此在很多分類分析中適用的算法也同樣適用於聚類分析。
三、數據挖掘在CRM中的應用
在客戶關係管理（Customers Relation Management, CRM）中,數據挖掘的前提是必須建立企業級的客戶資訊數據倉庫，能夠把不同聯機事務處理系統（On-Line Transaction Processing, OLTP）的客戶數據聚集在一起，提供一個正確、完整和單一的客戶數據環境。
1. 數據倉庫的建立
數據倉庫作爲數據挖掘的基礎，不同於傳統的聯機事務處理系統，它具有面向主題的、集成的、不可更新以及隨時間變化的`特性，各個聯機事務處理系統作爲數據倉庫的原始數據源，以檔案方式提供客戶基本資料、客戶清單、客戶賬單、客戶聯繫歷史記錄等數據，數據倉庫透過ETL過程（抽取、轉換和加載）處理這些接口檔案，並且按不同的主題域組織、存儲和管理這些客戶數據，透過數據倉庫接口，對數據倉庫中的客戶數據進行聯機分析和數據挖掘。數據倉庫的體系結構主要由數據源、企業級數據倉庫和決策支援3個部分組成。
2. 數據挖掘的主題定義
在建立完成企業級的客戶資訊數據倉庫之後，可以基於這個數據倉庫平臺進行數據挖掘工作，應用到以客戶爲中心的企業決策分析和管理的各個不同領域和階段，在客戶關係管理（CRM）中，它可以應用在以下幾個方面。
（1）客戶羣體分類分析。近年來，一對一營銷正在被衆多的企業所青睞。一對一營銷是指了解每一個客戶，並同其建立起持久的關係。數據挖掘可以把大量的客戶分成不同的類，在每一個類裏的客戶具有相似的屬性，而不同類裏的客戶的屬性也不同。透過數據挖掘可以瞭解不同客戶的愛好，提供有針對性的產品和服務，來提高不同類客戶對企業和產品的滿意度。