【摘 要】主要研究客户关系管理中的客户细分的数据挖掘，对客户关系管理、客户细分以及数据挖掘的内涵与相关理论进行了认真学习，并对客户细分的数据挖掘方法进行了研究，对客户关系为中心的企业管理模式提供了技术支持。
【关键词】客户关系管理；客户细分；数据挖掘
市场经济给企业发展带来了日益激烈的竞争环境，企业开始重视客户资源的发掘与分析企业的工作重心逐渐从产品转移到客户。客户关系管理是客户细分的有效工具，而数据挖掘技术就是客户细分有力的技术支撑。
一、理论研究
1.客户关系管理
客户关系管理的目标是依靠高效优质的服务吸引客户，同时通过对业务流程的全面优化和管理控制企业运行成本。客户关系管理是一种管理理念，将企业客户视作企业发展最重要的企业资源，采用企业服务优化等手段来管理客户关系。但是客户管理管理同样是一种管理技术将最佳商业实践和数据挖掘、数据仓库、销售自动化以及信息技术结合起来，为企业销售、客户服务等提供了一整套业务自动化解决方案，为企业实现从电子商务现代化企业模式提出了明确的方法。客户关系管理并不是单纯的信息技术或者管理技术，也是一种企业生物战略，通过对企业客户的分段充足，强化客户满意的行为，优化企业可盈利性，将客户处理工作上升到企业级别，不同部门负责和客户进行交互，但是整个企业都需要向客户负责，在信息技术的支持下实现企业和客户连接环节的自动化管理。
2.客户细分
客户细分由美国学者温德尔・史密斯在上世纪50年代提出，认为客户细分是根据客户属性将客户分成集合。现代营销学中的客户细分是按照客户特征和共性讲客户群分为不同等级或者子群体，寻找相同要素，对不同类别客户心理与需求急性研究和评估，从而指导进行企业服务资源的分配，为企业获得客户价值的一种理论与方法。
因此我们注意到，客户细分其实是一个分类问题，但是却有着显著的特点。
（1）客户细分是动态的。企业不断发展变化，用户数据不断积累，市场因素的变化，都会造成客户细分的变化。所以客户细分工作需要根据客户情况的变化进行动态调整，减少错误分类，提高多次细分中至少有一次是正确分类的可能性。
（2）受众多因素影响。随着时间的推移，客户行为和心理会发生变化，所以不同时间的数据会反映出不同的规律，客户细分方法需要在变化过程中准确掌握客户行为的规律性。
（3）客户细分有不同的分类标准。一般分类问题强调准确性，客户关系管理则强调有用性，讲求在特定限制条件下实现特定目标。
3.数据挖掘
数据挖掘就是从大型数据库数据中提取有价值的，隐含的，事前未知的，潜在有用信息。数据挖掘技术不断发展，挖掘对象不再是单一数据库，已经逐渐发展到文件系统、数据集合以及数据仓库的挖掘分析。
二、客户细分的数据挖掘
1.逻辑模型
显然RB是一个等价关系，经RB可分类属性空间为若干等价类，每个等价类都是一个概念累，建立客户细分，就是客户属性空间和概念空间映射关系的建立过程。
2.客户细分数据挖掘实施
通过数据库已知概念类客户数据进行样本学习和数据挖掘，进行客户属性空间与概念空间映射的自动归纳。首先确定一组概念类已知客户集合。首先确定一个映射：p：C→L，使cC，如果cLi，则p（c）=Li。cC，求p（c）确定所属概念类。
数据部分有客户数据存储和概念维数据构成，客户数据存储有企业全部内在属性、外在属性以及行为属性等数据，方法则主要有关联规则分析、深井网络分类、决策树、实例学习等数据挖掘方法，通过对客户数据存储数据学习算法来建立客户数据和概念维之间的映射关系。
3.客户细分数据分析
建立客户动态行为描述模型，满足客户行为非确定性和非一致性要求，客户中心的管理体制下，客户细分影响企业战术和战略级别决策的生成，所以数据挖掘要能够弥补传统数据分析方法在可靠性方面的缺陷。
（1）客户外在属性。外在属性有客户地理分布、客户组织归属情况和客户产品拥有情况等。客户的组织归属是可数社会组织类型，客户产品拥有情况是客户是否拥有或者拥有哪些与其他企业或者其他企业相关产品。
（2）内在属性。内在属性有人口因素和心理因素等，人口因素是消费者市场细分的重要变量。相比其他变量，人口因素更加容易测量。心理因素则主要有客户爱好、性格和信用情况以及价值取向等因素。
（3）消费行为。消费行为属性则重点关注客户购买前对产品的了解情况，是客户细分中最客观和重要的因素。
三、结束语
从工业营销中的客户细分观点出发，在数据挖掘、客户关系管理等理论基础上，采用统计学、运筹学和数据挖掘技术，对客户细分的数据挖掘方法进行了研究，建立了基于决策树的客户细分模型，是一种效率很高的管理工具。
