对于企业而言，“以客户为中心”的最终目的是企业自身利润的最大化。因此，企业还需进一步对真正的客户的价值进行挖掘。客户的价值挖掘工作要求企业通过数据分析，掌握客户的行为规律，运用于企业决策中。随着数据仓库、数据挖掘技术的发展和成熟，客户的价值挖掘工作得到了必要的技术支持。
1 数据挖掘技术
数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，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。数据挖掘常用的分析方法包括分类和预测、聚类分析、关联规则、序列模式、孤立点分析等。本文分别从关联算法、粗糙集方法和聚类等角度阐述数据挖掘技术在客户价值管理中的应用。
2 数据挖掘技术在客户价值管理中的应用
2.1 发现新客户
2.1.1 数据挖掘应用需求
“以客户为中心”的CRM，客户是企业的生命，不断获取新客户是企业生存和发展的必要条件。发展新客户的目的是将潜在的客户转变成消费企业的产品或服务的现实客户。针对不同的消费者需要采用不同的策略才能有效的获取到需要的新客户。另外，客户也分优劣，选择优质客户进行获取是企业获取新客户的先决条件。采用数据挖掘可以辅助新客户开发活动。
2.1.2 Apriori算法
APr1ori算法是最著名的关联算法。此算法利用一种逐层搜索的迭代方法：k项集用于探索（k+1）项集。具体方法是：首先找出频繁1-项集，记为L1；然后利用L1来挖掘L2，即频繁2-项集；不断循环下去直到无法发现更多的频繁K-项集为止。
Apriori算法利用了两个重要性质。
性质1：k维数据项目集x是频繁项集的必要条件是它的所有k-1维子集均是频繁项集。
性质2：若k维数据项目集x的任一k-1维子集不是频繁项集，则x不是频繁项集。
对于新客户的发展而言，得到了新客户的市场反馈并收集之后，就可以使用Apriori算法对客户数据提取特征。
2.2 客户保留
2.2.1 数据挖掘应用需求
随着市场竞争的日益激烈，大部分市场己趋于饱和状态。获得一个新客户的成本越来越高，因此，保留原有客户的价值也显得越来越重要了。对于客户保留，企业可通过数据挖掘对客户数据库中大量的客户信息作针对性研究，根据分析结果制定使潜在离开者留下来计划和方案，改善客户关系，争取保持客户并提高收益。
2.2.2 粗糙集算法
粗糙集是由波兰学者Z.Pawlak在1982年提出的一种研究不精确、不确定性问题的数学工具，其基本思想是，将数据库中的属性划分为条件属性和结论属性，把数据库中的元组根据各个属性不同的属性值分成相应的子集，然后根据条件属性划分的子集和结论属性划分的子集之间的上下近似关系生成判定规则。其中下近似是指所有对象都一定被包含，上近似是指所有对象可能被包含。
设{X1，X2，X3，…}是基于条件属性的划分，{Y1，Y2，Y3，…}是基于结论属性的划分，则有：
定义1：Yj最小包含（下近似）X，是指等价类X，中的所有元素都包含在Yj中；
定义2：Yj最大包含（上近似）X，是指等价类X，中的所有元素可能包含在Yj中。
2.3 客户分类
聚类已经被广泛地应用于许多领域，聚类分析根据在数据中发现的描述对象及其关系的信息，将数据划分成有意义或有用的簇（也可以称为组）。其目标是，簇内的对象之间是相似的（相关的），而不同簇中的对象是不同的（不相关的）。簇内的相似性（同质性）越大，聚类就越好。
K-均值算法是一种迭代算法，也是一种最古老的、最广泛使用的聚类算法。
利用K-均值聚类算法所得到的组，组内成员间的相似程度很高，同时不同组中成员的相异度也很高。给定组K={t1，t2，…，tm}，则其均值定义为：
M=（t1，t2，…，tm）/m。
其基本算法如下：
（1）选择K个点作为初始均值，K是用户指定的参数，即所期望簇的个数；
（2）repeat；
（3）将每个点指派到最近的均值，形成K个组；
（4）重新计算每个组的均值；
（5）until均值不发生变化。
3 结语
客户关系管理是企业保持市场竞争力的重要手段和不可缺少的重要环节。数据挖掘作为一种先进的数据分析的方法，是实现对客户数据进行深入分析的有效工具。对于管理人员来说，掌握这方面的知识是必要的，可以为公司管理客户提供有价值的信息。
