成功的数据挖掘和分析可以提供关于客户的完整情况，并使公司能够根据量性分析作出有效周全的决定。
   
    随着众多公司争先恐后寻求出路增加销售额的同时，人们已渐渐意识到简单地把客户数据存放在一个数据仓库的做法是不够的。人们发现要获得投资回报，他们就必须分析那些数据使之更接近客户，从而获得销售定单。
   
    助理新闻编辑克里斯蒂.M.坎贝尔最近就为何众多公司着迷于数据挖掘和分析同供职于IDC的资深分析员兼客户关系管理分析家丹。维赛特进行了交谈。维赛特认为数据挖掘和分析的过程能使公司从中找寻顾客的购买趋势和倾向性。当然，他认为把这些数据整合进一个数据仓库的工作可能十分具有挑战性。

    人们为何对数据挖掘和分析着迷?

    公司可以利用已经抓取到的数据从中捕捉客户的购买趋势和取向，并据此采取相应行动使之谋取更多利润。所以你就可以从单纯的成本削减和提高效率转变到同时在公司和客户的高低两端提升潜在的价值。

    如何使数据挖掘工具更有效地从客户关系管理软件中提取数据?

    总体来说，数据分析的工作是在进行数据仓库项目的前提下完成的。公司从他们的客户关系管理系统中抽取数据并输入一个数据仓库。他们也可以把外部的人文统计数据加入到内部的客户关系管理数据中去。
   
    然后，这些数据在数据仓库中经过堆积叠加等待进一步分析。通常公司会采用最终用户报告工具或能使最终用户浏览数据的多层分析工具来挖掘并从不同的分析层面分析数据。

    数据挖掘和分析的非常好的应用?

    基于数据挖掘和分析的市场营销的本质，非常好的应用在很大程度上是来自于市场营销方面的。公司可能进行电子邮件发送战或在网上放上旗状标志广告。然后，他们跟踪那些营销战略活动的结果并对数据进行分析。根据分析结果，他们也许会调整下次营削活动计划，以便能观察对上次活动做出反应的特定的潜在客户群。

    这方面的范例?

    象Land’End那样有网上店铺的公司会先进行网上营削战，然后对获取的数据进行分析。根据分析结果，他们将会调整与客户沟通的方式。但是在那种情况下，他们还拥有目录销售业务，所以他们还试图结合从目录销售业务和网上业务获取的数据以便能得到客户情况的完整了解。

    一些阻碍数据挖掘和分析获得成功的因素

    从操作系统中提取数据并放入数据仓库是最具有挑战性的。在输入数据仓库之前确保数据的标准化和进行净化需要付出巨大努力。我们发现75%的数据仓库化的工作都集中在初始的数据整和阶段。这个阶段系统自动化程度不如数据分析的其他部分。
   
    这始终是一个挑战性的工作。你的数据来源越多，就越有挑战性。当然如果你是一个全球性的企业，把从不同附属机构或业务单位采集来的数据放入一个中心点也绝非易事。这也许是成功实施数据挖掘和分析的最大障碍。而一旦数据进入数据仓库，堆积并呈现给最终用户的工作就相当直接了。

    成功的数据挖掘和分析如何帮助公司获利和取得投资回报?

    成功的数据挖掘和分析会对那些习惯于依赖经理人的商业直觉和从不基于量化分析作出决策的公司有所裨益。如果你对数据进行分析，你就能找出更有价值的客户群并有针对性的采取措施，而非试图面对整个客户群。通常来讲，你的20%的客户能给你带来80%的利润，所以你必须集中注意力在他们身上。你可以通过作出一些分析(诸如他们买了些什么，花了多少钱用于购买你的商品，以及需要付出多少努力进行售后服务)以便找出那20%的客户的具体情况。
   
    如果你从客户关系管理更进一步，你可以对你的产品质量进行分析:比如你分析质量担保信息，那些产品需要最大程度的售后服务以及那些供货商的供货质量有问题。

    需要那些基础设施?

    建立数据挖掘需要几部分基础设施。你需要能生成数据仓库的软件。这包括ETL工具—提取，转移，输入。其次你需要数据仓库管理工具。ORACLE，IBM和MICROSOFT是提供这些工具的最大软件商。而数据生成方面较知名的厂商则是Informaticca和Ardent。在信息接通工具方面，则有Business Objects和Cognos。以上是进行数据分析所需的三块主要软件组成。

    数据挖掘和分析的走向

    在交易处理和分析工具之间将更具自动化，所以基于已经完成的分析和模型化工作，分析结果将被反馈回交易系统。
   
    我认为多种数据来源之间将实现更多整和。随着电子商务的成长，我们将会看到在线主流数据和内部的，线下的客户关系服务数据之间实现更多整合。