2、重点客户发现
CRM理论经典的2/8原则，即80%利润来自20%客户，重点客户发现主要应考虑以下方面：潜在客户（有价值的新客户）；交叉销售（交叉销售指企业向老客户提供新产品、新服务的营销过程）；增量销售（更多地使用同一种产品或服务）；客户保持（保持客户的忠诚度）。
假设你是一个银行的市场经理，想向现有的客户推销房屋抵押贷款和信用金卡这两个新产品以进行交叉销售。CRM进行交叉销售时，需要进行三个步骤：
数据收集：从数据仓库中收集与客户有关的所有信息。包括客户个人信息（年龄、收入）、交易记录（最近的收支情况、消费次数和信用等级）……
进行建模：用数据挖掘的一些算法（如统计回归、逻辑回归、决策数、神经网络等）对数据进行分析，产生一些数学公式，用来对客户将来的行为进行预测分析。
对数据进行评分：评分过程就是计算数学模型的结果。
3、效能评估根据客户行为分析，企业可以更准确地制定市场策略和策划市场活动。然而，这些市场活动能否达到预定的目标是改进市场策略和评价客户行为分组性能的重要指标。因此，CRM必须对行为分析和市场策略进行评估。这些效能评估都是以客户所提供的市场反馈为基础的。针对每个市场目标设计一系列评估模板，从而使企业能够及时跟踪市场的变化。同时在这些报告中，给出一些统计指标来度量市场活动的效率，这些报告应该按月份更新，并根据市场活动而改变。在一定的时间范围内（3～6个月）给出行为分组的报告。
精确锁定目标客户
某集团应用SAS的数据挖掘方法（SEMMA）、工具（SAS/EM）及采用人工神经网络模型来分析和决策客户对是否愿意购买某一个产品的调查表的响应。在SAS/EM的窗口下，只需Drag-and-Drop即可迅速地实现该项目的挖掘过程的搭建，包括创建数据源、数据取样、数据分割、变量转换、数据探索及预处理、人工神经网络建模、模型评估和决策及展示等。
当企业不进行任何建模分析时，盲目将调查表发出，其响应率约为23.9%。这样既浪费了人力、财力和时间，又不便于对调查者进行分析，我们并不知道具有什么特征的客户喜欢这个产品并将调查表提交。
但是神经网络能够根据数据集的分布特征自动的发现规律，并以权值表示之。这些权值实际上表征并隐藏着客户的特征，如年龄在30-45岁之间的大多数客户喜欢该产品并乐意将调查表提交。结果表明：如果企业将调查表减少为原来的30%，并按神经网络权值隐含的规则散发调查表，其响应率可望达到33%；如果企业将调查表减少为原来的10%，并按神经网络权值隐含的规则散发调查表，其响应率可望达到51%。
这样，既节约了成本，又对客户的特征进行了分析，为企业的决策提供了支持，通过数据挖掘，可以发现购买某一商品的客户特征，从而可以向同样具有这些特征却没有购买的客户推销这个商品；若找到流失的客户特征，就可以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。