Miningul de date pentru managementul relațiilor cu clienții (CRM) se referă la procesul de căutare prin bazele de date de relații cu clienții și de analizare a datelor colectate despre comportamentul clienților. Aceste date îi ajută pe marketeri să-și concentreze mai bine campaniile, ceea ce duce la creșterea reținerii clienților și a vânzărilor. Miningul de date CRM este cunoscut și sub numele de explorare a datelor și descoperire de cunoștințe. Există două categorii principale asociate cu data mining: analiza descriptivă și modelarea predictivă.
Analiza descriptivă utilizează segmentarea și gruparea pentru a analiza mai bine un model stabilit de comportament în rândul unui anumit grup de clienți. Clienții pot fi grupați în funcție de sex, vârstă, rasă și alte categorii. Scopul principal al unui segment este de a oferi marketerului un grup de clienți similari pentru a extrage mai eficient datele pentru informații utile.
Clustering agrega grupuri de segmente. Fiecare cluster se exclude reciproc și este caracterizat de un set de caracteristici predeterminate. De exemplu, un grup ar putea include femei cu vârste cuprinse între 18 și 25 de ani care au achiziționat o anumită lac de unghii în ultimele două săptămâni din decembrie 2010. Acesta este un exemplu de metoda calitativă de extragere a datelor CRM.
În segmentele care nu sunt excluse, o altă formă de analiză descriptivă, un anumit set de comportament al clienților duce la un set complet nou de comportamente. De exemplu, un grup de clienți ar putea cheltui o sumă semnificativă de bani pe servicii spa, dar nu cheltui mulți bani pe servicii conexe, cum ar fi îngrijirea de coafură și de salon. Acest tip de extragere a datelor CRM necesită o analiză statistică mai avansată decât segmentarea de bază.
Modelarea predictivă este cea mai populară dintre cele două categorii de data mining CRM. Măsoară gradul de corelare dintre doi factori de comportament al clienților și fiabilitatea statistică a acelei corelații. Modelul predictiv este construit folosind o aplicație de data mining care atribuie scoruri fiecărui client, indicând probabilitatea ca clientul să se comporte în același mod în viitor. De exemplu, modelul poate ajuta un agent de marketing să determine probabilitatea ca un client bărbat căsătorit, cu vârste cuprinse între 31 și 42 de ani, cu copii, să cumpere o anumită marcă de mașină de tuns iarba în următoarele șase luni.
Specificitatea este foarte importantă în extragerea datelor CRM folosind modele predictive. Există mai multe tipuri de metode utilizate în acest scop. Un model univariat compară o singură variabilă cu mai multe alte variabile pentru a determina relația cu cea mai mare corelație. Analiza automată de detectare a interacțiunii chi-pătrat (CHAID) și modelele arborilor de clasificare și regresie (CART) afișează arbori de decizie, în care o variabilă determină instanța uneia sau mai multor variabile. Un model de regresie multivariat testează mai multe variabile unele împotriva altora pentru a evalua posibilele corelații.