客户关系管理 (Customer relationship management, CRM)，对每个公司来说，都是非常重要的。客户关系管理大致可以分为四个维度：
客户识别
吸引客户
客户维系
客户拓展
什么是客户识别呢？客户识别也称客户获取，它的目的是定向出那些最有可能成为客户或者给公司带来利润最多的客户。客户识别主要包含定向客户分析和客户分群。定向客户分析根据分析客户的潜在特性来寻找带来利润最大的客户分群，而客户分群是将整个客户群体分成若干个小的群体，使得每个小群体内部相似度较大，同时各个小群体之间具有一定的区别。
辨识了客户，接下来就需要吸引客户，进而使得客户给公司带来利润。一种吸引客户的方式就是直销。直销就是通过多种渠道激励客户，进而促成订单的促销过程。
吸引了客户，如果客户对商品不满意，那么商家就需要想办法了解客户哪不满意，进而采取相应的对策，以挽留客户。挽留客户是客户关系管理中非常重要的组成部分。能否挽留客户，关键在于客户的满意度如何。要知道客户的满意度，就需要分析，检测，或者预测客户行为的变化，进而采取恰当的营销活动。为了挽留客户，完善的客户画像，精准的推荐系统，恰当的留存分析都可以起到一定的作用。
只做到上述三点还不够，真正实现更多的利润，需要拓展更多的客户，尽量挖掘潜在客户，并对其营销。要拓展客户，需要客户生命周期价值分析，增销以及交叉营销等。客户生命周期价值就是值某个客户在某商家留存期间给商家带来的利润分析。增量和交叉销售主要依赖于捆绑销售，发现商品之间的关联性，然后推荐相关商品，增加销售量，获得更多利润。
这四个维度并不相互独立，而是相互关联，比如利用数据挖掘技术可以识别客户别，发现客户中潜在的一些特征，有利于发展新的客户。识别出了即将流失的客户，有利于作出相应对策，进而挽留客户。数据挖掘方法可以实现以下一种或多种数据模型：
1 关联模型
2 分类模型
3 聚类模型
4 预测模型
5 回归模型
6 序列发现
7 可视化
关联模型旨在发现商品之间的关联，交叉销售通常需要基于关联模型来实现。常用的关联模型工具就是统计和先验算法。
分类模型是数据挖掘中最常用的学习模型之一。这种模型就是基于客户的历史数据来预测客户将来的行为，对客户将来可能会有的行为进行预测。常用的分类算法是神经网络，决策树，支持向量机等。
聚类模型即为将一个大的群体分割成若干个小的群体的过程。跟聚类不同之处在于，分类模型是有监督的模型，需要事先知道样本的类别，而聚类是无监督的，无需事先知道样本的类别。常用的聚类方法有k-means以及神经网络等。
预测模型的输出是连续型的，跟分类模型不同点在于分类模型的输出是离散的。商品的需求量预测就是一个典型的预测模型。常用的预测模型有神经网络以及生存分析等模型。
回归模型是一种统计估计方法，基于样本数据给出乡音的预测。应用场景主要有曲线拟合，预测等。常用回归模型有线性回归和逻辑回归等。
序列发现模型即为发现模式关联，其目的在于对产生序列的过程状态进行建模。常用的序列发现算法是基于统计和集合论的。
可视化是指展现数据，方便用户查看复杂模式。这种模型通常跟其他数据挖掘模型相结合，进而更清晰地展示挖掘所得模式或关系。
下面再列举一些常用的数据挖掘算法
1 关联规则
2 决策树
3 遗传算法
4 神经网络
5 k-近邻
6 线性回归或逻辑回归
7 支持向量机
8 深度学习
9 聚类算法
10 马尔科夫链模型