從工業營銷中的客戶細分觀點出發，在數據挖掘、客戶關係管理等理論基礎上，採用統計學、運籌學和數據挖掘技術，對客戶細分的數據挖掘方法進行了研究，建立了基於決策樹的客戶細分模型，是一種效率很高的管理工具。
1理論研究
1.1客戶關係管理
客戶關係管理的目標是依靠高效優質的服務吸引客戶，同時通過對業務流程的全面優化和管理，控制企業運行成本。客戶關係管理是一種管理理念，將企業客戶視作企業發展最重要的企業資源，採用企業服務優化等手段來管理客戶關係。客戶關係管理並不是單純的信息技術或者管理技術，而是一種企業生物戰略，通過對企業客戶的分段充足，強化客戶滿意的行爲，優化企業可盈利性，將客戶處理工作上升到企業級別，不同部門負責與客戶進行交互，但是整個企業都需要向客戶負責，在信息技術的支持下實現企業和客戶連接環節的自動化管理。
1.2客戶細分
客戶細分由美國學者溫德爾•史密斯在20世紀50年代提出，認爲客戶細分是根據客戶屬性將客戶分成集合。現代營銷學中的客戶細分是按照客戶特徵和共性將客戶羣分爲不同等級或者子羣體，尋找相同要素，對不同類別客戶心理與需求急性研究和評估，從而指導進行企業服務資源的分配，是企業獲得客戶價值的一種理論與方法。因此我們注意到，客戶細分其實是一個分類問題，但是卻有着顯著的特點。
1.2.1客戶細分是動態的企業不斷髮展變化，用戶數據不斷積累，市場因素的變化，都會造成客戶細分的變化。所以客戶細分工作需要根據客戶情況的`變化進行動態調整，
減少錯誤分類，提高多次細分中至少有一次是正確分類的可能性。
1.2.2受衆多因素影響
隨着時間的推移，客戶行爲和心理會發生變化，所以不同時間的數據會反映出不同的規律，客戶細分方法需要在變化過程中準確掌握客戶行爲的規律性。
1.2.3客戶細分有不同的分類標準
一般分類問題強調準確性，客戶關係管理則強調有用性，講求在特定限制條件下實現特定目標。
1.3數據挖掘
數據挖掘就是從大型數據庫數據中提取有價值的、隱含的、事前未知的潛在有用信息。數據挖掘技術不斷髮展，挖掘對象不再是單一數據庫，已經逐漸發展到文件系統、數據集合以及數據倉庫的挖掘分析。
2客戶細分的數據挖掘
2.1邏輯模型
客戶數據中有着若干離散客戶屬性和連續客戶屬性，每個客戶屬性爲一個維度，客戶作爲空間點，全部客戶都能夠形成多爲空間，作爲客戶的屬性空間，假設A={A1，A2,…Am}是一組客戶屬性，屬性可以是連續的，也可以離散型，這些屬性就形成了客戶m維屬性空間。同時設g是一個描述客戶屬性的一個指標，f(g)是符合該指標的客戶集合，即爲概率外延，則任一確定時刻都是n個互不相交集合。在客戶價值概念維度上，可分爲“有價值客戶”“潛在價值客戶”“無價值客戶”三種類型，定義RB如下：(1)顯然RB是一個等價關係，經RB可分類屬性空間爲若干等價類，每個等價類都是一個概念類，建立客戶細分，就是客戶屬性空間和概念空間映射關係的建立過程。
2.2客戶細分數據挖掘實施
通過數據庫已知概念類客戶數據進行樣本學習和數據挖掘，進行客戶屬性空間與概念空間映射的自動歸納。首先確定一組概念類已知客戶集合。首先確定一個映射：p：C→L，使，如果，則。，求p(c)確定所屬概念類。數據部分有客戶數據存儲和概念維數據構成，客戶數據存儲有企業全部內在屬性、外在屬性以及行爲屬性等數據，方法則主要有關聯規則分析、深井網絡分類、決策樹、實例學習等數據挖掘方法，通過對客戶數據存儲數據學習算法來建立客戶數據和概念維之間的映射關係。
2.3客戶細分數據分析
建立客戶動態行爲描述模型，滿足客戶行爲非確定性和非一致性要求，客戶中心的管理體制下，客戶細分影響企業戰術和戰略級別決策的生成，所以數據挖掘要能夠彌補傳統數據分析方法在可靠性方面的缺陷。
2.3.1客戶外在屬性
外在屬性有客戶地理分佈、客戶組織歸屬情況和客戶產品擁有情況等。客戶的組織歸屬是客戶社會組織類型，客戶產品擁有情況是客戶是否擁有或者擁有哪些與其他企業或者其他企業相關產品。
2.3.2內在屬性
內在屬性有人口因素和心理因素等，人口因素是消費者市場細分的重要變量。相比其他變量，人口因素更加容易測量。心理因素則主要有客戶愛好、性格、信用情況以及價值取向等因素。
2.3.3消費行爲
消費行爲屬性則重點關注客戶購買前對產品的瞭解情況，是客戶細分中最客觀和重要的因素。
2.4數據挖掘算法
2.4.1聚類算法
按照客戶價值標記聚類結果，通過分類功能，建立客戶特徵模型，準確描述高價值客戶的一些特有特徵，使得企業在之後的市場活動中能夠迅速發現並抓住類似的高價值客戶，全面提高客戶的整體價值水平。通常都採用中心算法進行客戶的聚類分析，分析涉及的字段主要有客戶的基本信息以及與客戶相關業務信息，企業採用中心算法，按照企業自身的行業性質以及商務環境，選擇不同的聚類分析策略，有主屬性聚類分析和全屬性聚類分析兩類。主屬性聚類分析是企業根據在企業標度變量中選擇主要弧形作爲聚類分析變量。通常區間標度變量選用的度量單位會對聚類分析結果產生很大影響，選擇的度量單位越小，就會獲得越大的可能值域，對聚類結果的影響也就越大。
2.4.2客戶分析預測
行業競爭愈加激烈，新客戶的獲得成本越來越高，在保持原有工作價值的同時，客戶的流失也受到了企業的重視。爲了控制客戶流失，就需要對流失客戶的數據進行認真分析，找尋流失客戶的根本原因，防止客戶的持續流失。數據挖掘聚類功能同樣能夠利用在客戶流失數據分析工作中，建立基於流失客戶數據樣本庫的分類函數以及分類模式，通過模型分析客戶流失因素，能夠獲得一個最有可能流失的客戶羣體，同時編制一個有針對性的挽留方案。之後對數據進行分析並利用各種數據挖掘技術和方法在多個可供選擇的模型中找出最佳模型。初始階段，模型的擬合程度可能不理想，但是隨着模型的不斷更換和優化，最終就有可能找出合適的模型進行數據描述並挖掘出流失數據規律。通常模擬模型都通過數據分析專業和業務專家協作完成，採用決策樹、貝葉斯網絡、神經網絡等流失分析模型，實現客戶行爲的預測分析。
