国际经济的快速发展，各国贸易对外开放进一步加大，导致国际贸易市场上商品极大的丰富，市场竞争日益激烈，客户看中的不仅仅是商品的品质，商品的售后服务也成为客户关注的重点问题。于是，外贸企业之间的竞争方式逐渐过渡到可客户为中心，客户管理也自然成为企业关注的焦点，客户关系管理（CRM系统）也就应运而生了。

从外贸CRM系统的整体结构来看，其核心是数据挖掘技术。CRM中的数据挖掘指通过高等统计工具等的使用，利用分类、关联性、序列分析、群集分析、机器自我学习及其他统计方法，从数据库中庞大的数据中，收集与顾客相关的数据，对这些数据进行筛选、推演与模型建造等程序，找出隐藏的、未知的、但却对企业经营十分有用的信息，或者说是在数据与模式中的可把原始数据转换成商机并成为决策依据的新知识。从CRM的整体结构来说，数据挖掘是整个CRM的核心，也是构成商业智能的基础。

数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的数据中提取隐含在其中的人们不知道但又潜在有用的信息和知识的过程。它融合了数据库、人工智能、机器学习和统计学等多学科的理论和技术。数据挖掘不是简单的对数据的查询，而是对数据进行更深入的计算、分析、推理，发现数据之间的关系，从而完成从大量业务数据到决策信息的转换。

数据库一般存放着大量的细节数据。有时，用户希望用简洁的描述形式观察汇总的数据集，这种数据特征描述可以提供一类数据的概貌。此外用户可能希望方便、灵活地以不同的粒度和不同的维度描述数据，这种描述性的数据挖掘被称为特征描述。

关联就是数据之间存在的隐含、重要的规律，关联分析试图找出这种规律性并把它转换为知识，为决策提供可靠的支持。关联分析可以分为简单关联、时序关联、因果关联等。

聚类是将物理或抽象对象的集合分组成为由类似的对象组成的多个簇的过程。由此而生成的簇是一组对象的集合，同一个簇中对象彼此相似，不同的簇中对象之间相差较多。目前较流行的几中技术是：划分方法、层次方法、基于密度的方法、基于网格的方法和基于模型的方法等。整个过程属于无指导的学习过程。

分类的过程可以分为两步：第一步首先是建立训练数据集其每个记录都带有一定的类别属性，然后运用一定的分类算法对训练数据集进行分析并构造分类器（分类规则）。第二步是利用已经建立的分类器对类别属性未知的记录进行预测。整个过程属于有指导的学习过程。

CRM系统从客户所得到的数据日益增长，积累了大量的客户和产品销售数据，这些海量的数据己使得原来的查询和分析工具往往不能返回更好的信息，不能提供营销策略的支持。
       根据数据挖掘所能完成的任务，数据挖掘技术应用到以客户为中心的企业决策分析和管理的各个不同领域和阶段，在客户关系管理中，数据挖掘技术可以帮助企业确定客户的特点，从而可以为客户提供有针对性的服务。通过数据挖掘可以发现使用某一业务的客户特征，从而可以向那些也同样具有这些特征却没有使用该业务的客户进行有目的推销。还可以找到流失的客户特征，在那些具有相似特征的客户还未流失之前，采取针对性的措施。目前，数据挖掘技术在CRM中的应用有以下几个方面：

目前，数据挖掘技术在分析型CRM中的应用有以下几个方面功能：保持住现有有价值的客户、新客户的识别与获取、市场趋势的了解等。分析型CRM需要各种新技术，其中包括数据仓库技术、数据挖掘技术、决策支持技术等技术支持。在我国国内软件市场上，以开亚软件、森亚软件等CRM软件为主。这些CRM软件可以把较大容量的销售、服务、业务以及市场的相关数据进行整合、计算，将可靠的、系统的数据转化成有用的、完整的、准确的信息，再将这些信息转化成为知识，共外贸企业管理者在对企业做出相关决策时给予准确的依据。

CRM理论中有一个经典的8/2原则，即80%的利润来自20%的客户。住可能流失的客户，尤其是优质客户这对于企业来说显得非常的重要。因为企业随着新增客户成本的逐年增加，老客户也大大流失，而保留一个老客户的成本是新增一个新客户的1/5。这就需要通过数据挖掘中的分类分析算法对客户消费行为、盈利能力进行分析，从而将客户进行分类。

在知识型客户关系管理过程中，客户生命周期对企业来说非常重要，因为它直接关系到企业的客户收益和客户利润，它不仅提供了客户信息来源，也使得企业明确了为满足客户需求应注重的方面。

客户生命周期为数据挖掘在客户关系管理中的应用提供了基础，数据挖掘是建立在数据仓库之上的，通过各种先进的信息技术和数理统计方法挖掘数据仓库中的潜在的有价值的客户信息，通过运用数据挖掘，企业能把大量的客户记录变成系统的客户信息，提供给决策者，这样不仅解决了企业进行决策时遇到的信息匮乏问题，也充分发挥了企业实施CRM的效用。

CRM系统主要是面向客户，因此对客户数据的分析是极为重要的，通过对客户数据的分析，发现客户需求，调整企业战略并实施相应的措施。

客户分析主要有几个方面：购买频率通过对客户购买频率的分析，企业实施相应的营销活动，可以利用促销等手段来刺激消费者的消费欲望；近期消费，通过对客户最近消费时间的分析，可以及时发现客户流失的原因，从而采取相应的措施；客户忠诚度分析，通过对客户交易资料的记录和分析，可以采用序列模式来预测消费者的忠诚度，并据此来调整企业的生产和提供的服务，提高客户的忠诚度并吸引新客户；客户分类，不同的消费者对产品和服务的要求不同也为企业创造不同的收益，企业根据数据挖掘技术的信息处理分析，对客户采用聚类的方法进行分类，挖掘客户群的需求特征和需求趋势，并发现最有价值和最有盈利潜力的客户群，对这些客户实施“一对一”的市场营销，取得最大的收益；客户购买相关性分析，通过销售记录的信息挖掘，可以发现客户购买相关性，这也是发现客户消费偏好、消费特点的重要方法据此企业可以积极采用各种手段帮助消费者选择商品，增加企业的收益；营销合理化分析，通过分析营销活动的有效性，有助于改善营销效率，多维分析可以实现这方面分析的要求。

企业在对客户数据进行分析时，有可能发现异常数据或者无法解释的现象发生，企业应对此高度关注，一般的做法是通过使用数据挖掘的各种先进技术来及时分析这些异常情况，

使企业能做出快速的反应，并针对处理的结果及时调整企业的营销决策。

数据挖掘的工具为客户需求趋势预测提供了有效的手段，常用的工具是时间序列分析、系统力学和神经网络。这些工具能为企业提供科学、有效的趋势分析，并用于企业的生产和营销决策。

具体内容包括：评价产品销售状况，企业通过分析客户数据库中记录的每一位消费者的交易信息，可以针对不同的产品、不同的区域采取不同的销售策略，实现盈利最大化；预测销售状况，通过准确的预测，发现隐藏的信息，把握市场动向，满足客户需求，调整生产结构和营销方法，从而使企业在激烈的市场竞争中立于不败之地。

客户服务是CRM中的重要组成部分， 包括客户信息和服务信息，这些数据既有结构化的也有非结构化的，结构化的数据比较容易分析和整理。对结构化数据挖掘的主要过程是 根据相应数据的特点来选择规则模板，对数据进行选取和转换，并应用归纳学习法、决策树、最邻近法等来进行数据挖掘，挖掘得到的结果可以存入数据库，帮助企业决策。

非结构化数据由于在的形式和性质难以进行标准化分析，但是非结构化所隐藏的价值可以通过两种途径来进行挖掘：一是建立全新的数据挖掘算法，直接对非结构化数据进行挖掘 但是由于非结构化的自身特点使得这样的全新数据挖掘非常复杂，而且难以评估数据挖掘结果的可靠性；二是通过将非结构化数据结构化，而后采用结构化的数据挖掘技术对其进行挖掘，这就需要建立非结构化数据转换技术，而且也是非常复杂。总的来说，结构化数据挖掘技术已经成熟，但是非结构化的数据挖掘尚需要进一步发展。

销售管理自动化是客户关系管理成长最快的部分，销售人员与潜在客户的互动行为、将潜在的客户发展成真正客户并提高其忠诚度是使企业盈利的核心因素。在此环节中，数据挖掘可以对多种市场活动的有效性进行实时跟踪和分析，数据挖掘不仅使销售人员及时把握销售机遇，提高工作效率，而且企业管理层也可以随时掌握市场动态。

数据挖掘技术能帮助企业比以往更好地发现客户信息中的隐性知识，但是这也增加了客户隐私被企业侵犯的风险。一方面客户信息挖掘有助于客户与企业之间建立起亲密的关系，另一方面客户信息如果被企业不正当地利用，则会给客户本身带来不利影响。

客户隐私按其本质来说，更是一个道德问题而非技术问题，关键是处理好企业数据挖掘与客户个人信息保护之间的平衡问题。总之，企业在实施客户关系管理的同时，必须注重对客户隐私的保护，这样才能给消费者以安全的感觉，才会让客户真正地与企业进行交流 才能充分发挥数据挖掘在客户关系管理中的作用。

    数据挖掘技术是外贸CRM系统的基础与核心，通过数据挖掘，能够为外贸企业提供有用的客户信息、营销信息、服务决策支持，随着数据挖掘技术的不断发展，外贸CRM系统会有一个更远大的前景和更广阔的市场。