一、引言
随着计算机技术、网络技术、通讯技术的发展以及各行各业业务操作流程的自动化，企业内产生了以几十或上百GB计的大量业务数据，这些数据和由此产生的信息是企业的财富，它如实地记录着企业运作的本质状况。但是面对如此海量的数据，迫使人们不断寻找新的工具，来对企业的运营规律进行探索，为商业决策提供有价值的知识，使企业获得利润。能满足企业这一迫切需求的强有力的工具就是数据挖掘（Data Mining，DM）。
二、数据挖掘技术概述
数据挖掘是一种知识发现的过程，它主要基于统计学、人工智能、机器学习等技术，高度自动化地分析数据，做出归纳性的推理，从中挖掘出潜在的模式，并对未来情况进行预测，以辅助决策者评估风险，做出正确的决策。数据到知识的演化过程，如图1。
对于企业而言，数据挖掘有助于发现业务的趋势，揭示已知的事实，预测未知的结果。从这个意义上讲，知识是力量，数据挖掘是财富。在实际应用中，数据挖掘主要采用以下几种方法进行模式的发现。
（1）相关分析和回归分析。相关分析主要分析变量之间联系的密切程度，而回归分析主要基于观测数据建立变量之间适当的依赖关系，相关分析是回归分析的基础。
（2）时间序列分析。与相关分析类似，目的也是为了挖掘出数据之间的联系，但时间序列分析更加侧重于数据在时间先后上的因果关系。
（3）分类分析。分类分析首先为每一个观测赋予一个标记，然后检查这些被标记的观测，描述出这些观测的特征。这种描述可以是一个数学公式或者模型，利用它可以分类新的观测。常用的几种典型的分类模型有线性回归模型、决策树模型、基于规则模型和神经网络模型等。
（4）聚类分析。与分类分析不同，聚类分析的输入是一组未标定的记录，目的是根据一定的规则，合理地划分记录集合。聚类分析和分类分析是一组互逆的过程，因此在很多分类分析中适用的算法也同样适用于聚类分析。
三、数据挖掘在CRM中的应用
在客户关系管理（Customers Relation Management, CRM）中,数据挖掘的前提是必须建立企业级的客户信息数据仓库，能够把不同联机事务处理系统（On-Line Transaction Processing, OLTP）的客户数据聚集在一起，提供一个正确、完整和单一的客户数据环境。
1. 数据仓库的建立
数据仓库作为数据挖掘的基础，不同于传统的联机事务处理系统，它具有面向主题的、集成的、不可更新以及随时间变化的`特性，各个联机事务处理系统作为数据仓库的原始数据源，以文件方式提供客户基本资料、客户清单、客户账单、客户联系历史记录等数据，数据仓库通过ETL过程（抽取、转换和加载）处理这些接口文件，并且按不同的主题域组织、存储和管理这些客户数据，通过数据仓库接口，对数据仓库中的客户数据进行联机分析和数据挖掘。数据仓库的体系结构主要由数据源、企业级数据仓库和决策支持3个部分组成。
2. 数据挖掘的主题定义
在建立完成企业级的客户信息数据仓库之后，可以基于这个数据仓库平台进行数据挖掘工作，应用到以客户为中心的企业决策分析和管理的各个不同领域和阶段，在客户关系管理（CRM）中，它可以应用在以下几个方面。
（1）客户群体分类分析。近年来，一对一营销正在被众多的企业所青睐。一对一营销是指了解每一个客户，并同其建立起持久的关系。数据挖掘可以把大量的客户分成不同的类，在每一个类里的客户具有相似的属性，而不同类里的客户的属性也不同。通过数据挖掘可以了解不同客户的爱好，提供有针对性的产品和服务，来提高不同类客户对企业和产品的满意度。
