Il data mining CRM (Customer Relationship Management) si riferisce al processo di ricerca nei database delle relazioni con i clienti e all’analisi dei dati raccolti sul comportamento dei clienti. Questi dati aiutano i professionisti del marketing a focalizzare meglio le loro campagne, il che porta a un aumento della fidelizzazione e delle vendite dei clienti. Il data mining CRM è anche noto come esplorazione dei dati e scoperta della conoscenza. Esistono due categorie principali associate al data mining: analisi descrittiva e modellazione predittiva.
L’analisi descrittiva utilizza la segmentazione e il clustering per analizzare meglio un determinato modello di comportamento tra un particolare gruppo di clienti. I clienti possono essere raggruppati in base a sesso, età, razza e altre categorie. L’obiettivo principale di un segmento è fornire al marketer un gruppo di clienti simili al fine di estrarre in modo più efficace i dati per approfondimenti utili.
Il clustering aggrega i gruppi di segmenti. Ogni cluster si esclude a vicenda ed è caratterizzato da un insieme di caratteristiche predeterminate. Ad esempio, un cluster potrebbe includere donne di età compresa tra 18 e 25 anni che hanno acquistato un determinato smalto per unghie durante le ultime due settimane di dicembre 2010. Questo è un esempio di data mining CRM con metodo qualitativo.
Nei segmenti non esclusivi, un’altra forma di analisi descrittiva, un particolare insieme di comportamenti del cliente porta a un insieme di comportamenti completamente nuovo. Ad esempio, un gruppo di clienti potrebbe spendere una quantità significativa di denaro in servizi termali, ma non spendere molti soldi in servizi correlati come la cura dei capelli e del salone. Questo tipo di data mining CRM richiede un’analisi statistica più avanzata rispetto alla segmentazione di base.
La modellazione predittiva è la più popolare delle due categorie di data mining CRM. Misura il grado di correlazione tra due fattori di comportamento del cliente e l’affidabilità statistica di tale correlazione. Il modello predittivo viene costruito utilizzando un’applicazione di data mining che assegna punteggi a ciascun cliente, indicando la probabilità che il cliente si comporti allo stesso modo in futuro. Ad esempio, il modello può aiutare un esperto di marketing a determinare la probabilità che un cliente maschio sposato di età compresa tra 31 e 42 anni con figli acquisti una particolare marca di tosaerba entro i prossimi sei mesi.
La specificità è molto importante nel data mining CRM utilizzando modelli predittivi. Esistono diversi tipi di metodi utilizzati per questo scopo. Un modello univariato confronta una singola variabile con diverse altre variabili per determinare la relazione con la correlazione più alta. I modelli di analisi di rilevamento dell’interazione automatica chi-quadrato (CHAID) e di alberi di classificazione e regressione (CART) mostrano alberi decisionali, in cui una variabile causa l’istanza di una o più variabili. Un modello di regressione multivariata mette alla prova diverse variabili l’una contro l’altra per valutare possibili correlazioni.