数据挖掘怎样挖？
在CRM中，必不可少的要素是将海量的、复杂的客户行为数据集中起来的，形成整合的、结构化的数据仓库（Data Wearhouse），这是数据挖掘的基础。在此基础上，就需要借助大量的知识和方法，把表面的、无序的信息整合，揭示出潜在的关联性和规律，从而用于指导决策。
横向关联  
是挖掘表面看似独立的事件间的相互关系，例如“90%的顾客在一次购买活动中购买商品A的同时购买商品B”之类的知识。比如经典的“尿布和啤酒”的故事，就是利用这种方法，发现二者之间有很高的相关系数，引起重视，然后深入分析后才找出内在原因的。
次序关联  
这种分析的侧重点在于分析事件的前后序列关系，发现诸如“在购买A商品后，一段时间里顾客会接着购买商品B，而后购买商品C”的知识，形成一个客户行为的“A→B→C”模式。可以想见的是，一个顾客在买了电脑之后，就很有可能购买打印机、扫描仪等配件。不过，要是通过数据挖掘找出“刮胡刀→抽水马桶→钻石戒指”这样的模式，估计企业客户服务部门就要忙乎一阵搞明白其中潜在的联系了。
分类  
分类分析就是通过分析样本客户数据库中的数据，为每个类别作出准确的描述或建立分析模型或挖掘出分类规则，然后用这个分类规则对其它客户的记录进行分类。比如，信用卡公司根据顾客的信用记录，把持卡人分成不同等级，并把等级标记赋与数据库中的每个记录。对于每一等级，找出它们共同点，比如：“年收入在10万元以上，年龄在40～50岁之间的外企白领”总体上信用记录最高。有了这样的挖掘结果，客户服务部门就知道一个新的客户的潜在价值，在客户服务投入上就心中有底。
聚类  
这是分类的逆向方法。聚类把没有分类的记录，在不知道应分成几类的情况下，按照数据内在的差异性大小，合理地划分成几类，并确定每个记录所属类别。它采用的分类规刚是按统计学的聚类分析方法决定的。比如，面对数据库中“消费额”、“购买频率”、“收入水平”等多个评价指标，没有办法按照一个指标去分类，就可以通过聚类按照数据间的自然联系把分散的记录“聚”成几“堆”，然后再对每堆进行深入分析。
数据挖掘融合了数据库、人工智能、机器学习、统计学等多个领域的理论和技术，对数据进行标准化、抽象化、规范化分类、分析，从而淘出所需要的“金”。在技术上，客户关系管理系统采用嵌入数据挖掘系统的方式，可以自动地产生一些所需要的信息。深度的数据挖掘，还需要企业有统计学、决策科学、计算机科学方面的专业人才，制定出相应的挖掘规则，才能发挥出挖掘系统的优势。
注：全球最大的零售商沃尔玛（Walmart）通过对顾客购物的数据分析后发现，很多周末购买尿布的顾客也同时购买啤酒。经过深入研究后发现，美国家庭买尿布的多是爸爸。爸爸们下班后要到超市买尿布，同时要“顺手牵羊”带走啤酒，好在周末看棒球赛的同时过把酒瘾。后来沃尔玛就把尿布和啤酒摆放得很近，从而双双促进了尿布和啤酒的销量。这个故事被公认是商业领域数据挖掘的诞生。