基于数据挖掘技术的客户关系管理系统，就是一个组织以数据挖掘技术为平台，将管理资源、业务流程与专业技术进行有效整合，构建的服务消费者的集合，它可以使得组织以更低成本、更高效率地满足客户的需求。
一、客户关系管理的定义
客户关系管理的概念可以从以下三个层次来表述：它是一种现代的经营管理理念，这是宏观概念；它包含一整套的解决方案，这是中观概念；它意味着一套应用软件系统，这是微观概念。
客户关系管理作为一种管理理念，起源于西方的市场营销理论，产生和发展在美国。它理念的核心就是以客户为中心，不断的去分析和研究客户的需求，适时地为客户提供产品和服务。要做到这一点，需要整合客户各方面的信息，同时要有一系列的技术手段作为支持。近年来，信息技术的长足发展为客户关系理念的普及和应用开辟了广阔的空间。
客户关系管理作为解决方案，指的就是支持客户关系管理理念的各种技术手段，包括：Internet和电子商务、多媒体技术、数据仓库和数据挖掘、专家系统和人工智能、呼叫中心以及相应的硬件环境。Internet和呼叫中心得到客户的各种相关信息；数据仓库和数据挖掘技术对这些信息进行加工和处理，多媒体技术则可以用一种更直观、具体的方式把这些信息展示出来，从而更好地分析客户的需求，做出相关的决策。
对于企业来说，实施客户关系管理的目的是通过一系列的技术手段了解客户目前的需求和潜在客户的需求，然后整合各方面的信息，使得企业对客户信息的了解达到完整和一致。这样企业就可以对客户的行为进行分析，然后把分析的结果反馈给相关部门，从而进行一对—个性化服务。
二、数据挖掘的内涵
所谓数据挖掘就是从随机的、有噪声的、不完全的、大量的、模糊的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。
在数据仓库和数据挖掘应用中，分类是一种非常重要的方法。目前，分类的主要算法有贝叶斯算法、决策树算法(如ID3、C4.5等)、规则推导、人工神经网络、最近邻算法、支持向量机等等。这些算法在许多现实数据集合上具有较好的预测精度。
在数据仓库和数据挖掘应用中，聚类也是一种非常重要的方法，广泛地应用于商务、市场分析、生物学、WEB文档分类等领域中。聚类分析是一种数据划分或分组处理的重要手段和方法，也是数据挖掘中的一个重要研究领域。在客户关系管理系统中，分类和聚类同样重要。分类模型可随时监控客户流失的可能性，聚类可以使得企业针对不同的用户群体提供不同的服务。
三、数据挖掘技术在客户关系管理中的应用
当前，电信行业已经积累了大量的运营数据和客户的信息，所面临的主要问题就是如何利用数据挖掘等分析技术对现有的数据进行分析，以得出客户的信息，并利用这些信息改善自己现有的业务，提供可以满足客户需求的新业务。所以说，电信行业在实施客户关系管理时，有其不可比拟的优势。
因此，本文以电信业为例，研究基于数据挖掘技术的客户关系管理系统的构建问题。
(一)数据挖掘技术在客户关系管理中的应用流程
开发数据挖掘项目时，要在问题和数据的理解上，即项目的需求和采用哪种技术都要作深人和透彻的分析。例如，确定应用领域，定位数据挖掘问题类型；选择与解决问题类型相配的数据挖掘技术。将这些关键点分析综合并确定后，再进行阶段任务分配和过程实例的开发。根据数据挖掘任务的构成，数据挖掘模型一般由功能、数据和方法三部分组成，功能部分既在目标中体现又在结果中体现。根据数据挖掘技术特点在电信行业客户关系管理系统中的应用流程。见图1所示。
图1 数据挖掘技术在客户关系管理中应用流程图
1．确定挖掘目标
明确数据挖掘的业务目标是数据挖掘的第一步。挖掘对象的确定要充分了解电信领域的有关情况，熟悉电信企业客户背景知识。在客户关系管理中，客户流失管理就是要把流失客户的特征通过预测模型(分类模型)从大量的数据中挖掘出来，同时对于非流失客户要将具有较高相似度的客户聚类管理，从而针对不同类型的客户制定出相应的营销、服务措施。
2．数据准备
在数据挖掘过程中，数据准备是非常重要的一个阶段，数据挖掘的效率和准确度以及最终挖掘模式的有效性都受到数据准备的影响。在电信客户关系管理中，由于企业长期对于客户资料管理不够重视以及我国企业的数据仓库的建设大都处于起步阶段等原因造成企业的原始数据并不利于数据挖掘方案的实施，数据准备工作就显得尤为重要，数据集成、数据选择、数据预处理和数据转换是数据准备阶段的4个步骤。
3．数据挖掘模型的构造与应用
基于数据挖掘的电信客户关系管理系统设计，数据挖掘模型的选择是数据挖掘任务的应用开发基础环节。数据挖掘任务有大有小，问题及其要达到的目标各异，数据挖掘算法对数据集规模的要求，结果表现和应用形式也不尽相同，所以一定要结合特定的业务需求，设计有效实用的客户关系管理模型，有针对性的进行挖掘和分析，才能取得好的效果。
4．数据挖掘结果的应用和评价
数据挖掘模型投入使用后，本阶段的主要任务就是根据最终用户的决策目的，对提取的知识进行分析，把最有价值的信息区分出来并提交给用户。同时，在应用和评价阶段，不仅要把知识以能被人理解的方式表达出来，还要对其有效性进行评价，如果不能满足用户要求，则应重复上述数据挖掘过程。
