伴随着数据库和信息技术的发展，产生了大规模的海量数据，数据挖掘技术能够自动地、快速地、智能地把历史数据归纳成为有指导意义的信息。随着3G 技术普及，各个运营商之间的竞争非常激烈，各个运营商为了增加客户，留住不断换网的用户，因此对客户关系管理的研究十分重视。本文将使用数据挖掘技术对客户关系管理（简称：CRM）进行探索和研究。
1 数据挖掘技术概述
数据挖掘技术是一门融合了统计学、人工智能、机器学习、数据库多方面知识的综合性学科，人工智能处理、数据库技术和数理统计是它的基础。数据挖掘的主要任务是“知识发现”，它要从不完全的、大量的、有噪声的、随机的、模糊的实际历史数据中发掘出人们事先未知的、规律性的，但又是潜在有用的，并且最终可以理解的知识和信息。
2 数据挖掘技术在移动CRM中的应用
2.1 移动CRM体系结构
移动客户关系管理的体系结构主要分为合作型CRM、分析型CRM 和操作型CRM 三个部分，其结构如图1所示。
图1 移动CRM 体系结构图
合作型CRM主要用于合作服务项目，它包括的内容有呼叫中心、电子邮件、电子社区等交流手段。分析型CRM 主要分析在操作层次的数据，把操作层的数据和客户销售连接起来。操作型CRM 能够实现销售与客户服务业务的自动化。
2.2 数据挖掘处理移动CRM的流程
移动CRM 的数据挖掘流程如图2所示。
图2 移动CRM的数据挖掘流程图
2.3 数据挖掘处理移动CRM的算法实现
为了使移动公司给客户提供全方位的服务，通过客户话单数据，采用迭代自组织数据分析算法对客户群体进行了聚类分析，其算法实现流程如下：
步骤1：获得所有样品的特征；
步骤2：输入阈值T，方差E，类中心数目C，最大迭代次数I（计算数据样品之间的距离、方差的最小和最大值）；
步骤3：任意选取前N个样品当做临时的聚类中心M(i)；
步骤4：求所得到的各个样品到已选定的临时聚类中心的距离，将所得的样品归入选定的最近的类中心M(i) ；
步骤5：根据已经聚类的结果，重新计算各个聚类中心的特征中心；
步骤6：根据新的类中心，重新计算各聚类域中暂时已经聚类的样品到新类中心间的距离，并且计算每一类样品到聚类中心的平均距离；
步骤7：迭代计算出所有聚类域中各个样品的平均距离，再计算出其总平均距离；
步骤8：根据所得平均距离值和阈值的大小，判断聚类域的分裂、合并和迭代；
步骤9：合并操作，计算全部数据的聚类中心的距离值；
步骤10：分裂操作，求出所有数据的聚类中心所拥有的标准差向量，找出所有聚类域的具有中心标准差最大值的聚类域。
步骤11：如果是最后一次迭代运算则结束循环。否则循环继续步骤4，迭代次数加1。
实验结果表明移动用户分为高消费组、中高消费组、中等消费组和低消费组四类用户。
