Asiakassuhteen hallinnan (CRM) tiedon louhinta viittaa prosessiin, jossa haetaan asiakassuhdetietokannoista ja kerätään asiakkaiden käyttäytymistä koskevia tietoja. Nämä tiedot auttavat markkinoijia keskittymään paremmin kampanjoihinsa, mikä lisää asiakkaiden säilyttämistä ja myyntiä. CRM -tiedonlouhinta tunnetaan myös tietojen etsinnänä ja tiedon löytämisenä. Tietojen louhintaan liittyy kaksi pääluokkaa: kuvaava analyysi ja ennustava mallinnus.
Kuvaava analyysi hyödyntää segmentointia ja klusterointia analysoidakseen paremmin tietyn asiakasryhmän käyttäytymismallia. Asiakkaat voidaan ryhmitellä sukupuolen, iän, rodun ja muiden luokkien mukaan. Segmentin päätavoitteena on tarjota markkinoijalle joukko samanlaisia asiakkaita, jotta dataa voidaan hyödyntää tehokkaammin hyödyllisten oivallusten saamiseksi.
Ryhmitteleminen yhdistää segmenttiryhmiä. Jokainen klusteri sulkee toisensa pois ja niille on ominaista joukko ennalta määrättyjä ominaisuuksia. Esimerkiksi klusteri voi sisältää 18–25 -vuotiaita naisia, jotka ostivat tietyn kynsilakan joulukuun 2010 kahden viimeisen viikon aikana. Tämä on esimerkki laadullisesta CRM -tiedonlouhintamenetelmästä.
Ei-poissulkevissa segmenteissä toinen kuvaavan analyysin muoto, tietty asiakaskäyttäytyminen johtaa täysin uuteen käyttäytymiseen. Esimerkiksi asiakasryhmä voisi käyttää huomattavan määrän rahaa kylpyläpalveluihin, mutta ei paljon rahaa liittyviin palveluihin, kuten hiustenhoitoon ja salonkihoitoon. Tämäntyyppinen CRM -tiedonlouhinta vaatii kehittyneemmän tilastollisen analyysin kuin perussegmentointi.
Ennustava mallinnus on suosituin kahdesta CRM -tiedonlouhintaluokasta. Se mittaa kahden asiakkaan käyttäytymistekijän välisen korrelaation asteen ja korrelaation tilastollisen luotettavuuden. Ennakoiva malli on rakennettu käyttämällä tiedonlouhinta -sovellusta, joka jakaa pisteet jokaiselle asiakkaalle ja osoittaa todennäköisyyden, että asiakas käyttäytyy samalla tavalla tulevaisuudessa. Malli voi esimerkiksi auttaa markkinoijaa määrittämään todennäköisyyden, että naimisissa oleva 31–42 -vuotias miesasiakas, jolla on lapsia, ostaa tietyn merkkisen ruohonleikkurin seuraavan kuuden kuukauden aikana.
Spesifisyys on erittäin tärkeää CRM -tiedon louhinnassa käyttämällä ennustavia malleja. Tähän tarkoitukseen käytetään useita erilaisia menetelmiä. Yksimuuttujainen malli vertaa yksittäistä muuttujaa useisiin muihin muuttujiin määrittääkseen suhteen korkeimman korrelaation kanssa. Chi-Squared automaattinen vuorovaikutuksen havaitsemisanalyysi (CHAID) sekä luokitus- ja regressiopuut (CART) näyttävät päätöspuita, joissa yksi muuttuja aiheuttaa yhden tai useamman muuttujan esiintymän. Monimuuttujainen regressiomalli testaa useita muuttujia toisiaan vastaan arvioidakseen mahdolliset korrelaatiot.