La minería de datos de gestión de relaciones con los clientes (CRM) se refiere al proceso de buscar en las bases de datos de relaciones con los clientes y analizar los datos recopilados sobre el comportamiento de los clientes. Estos datos ayudan a los especialistas en marketing a enfocar mejor sus campañas, lo que conduce a una mayor retención de clientes y ventas. La minería de datos de CRM también se conoce como exploración de datos y descubrimiento de conocimientos. Hay dos categorías principales asociadas con la minería de datos: análisis descriptivo y modelado predictivo.
El análisis descriptivo utiliza la segmentación y la agrupación para analizar mejor un patrón establecido de comportamiento entre un grupo particular de clientes. Los clientes se pueden agrupar por sexo, edad, raza y otras categorías. El objetivo principal de un segmento es proporcionar al especialista en marketing un grupo de clientes similares con el fin de extraer los datos de forma más eficaz para obtener información útil.
Agrupación de grupos de segmentos de agregados. Cada grupo es mutuamente excluyente y se caracteriza por un conjunto de características predeterminadas. Por ejemplo, un grupo podría incluir mujeres de entre 18 y 25 años que compraron un determinado esmalte de uñas durante las últimas dos semanas de diciembre de 2010. Este es un ejemplo del método cualitativo de extracción de datos CRM.
En los segmentos no excluyentes, otra forma de análisis descriptivo, un conjunto particular de comportamiento del cliente conduce a un conjunto de comportamientos completamente nuevo. Por ejemplo, un grupo de clientes podría gastar una cantidad significativa de dinero en servicios de spa, pero no gastar mucho dinero en servicios relacionados, como el cuidado de la peluquería y el salón. Este tipo de minería de datos CRM requiere un análisis estadístico más avanzado que la segmentación básica.
El modelado predictivo es la más popular de las dos categorías de minería de datos de CRM. Mide el grado de correlación entre dos factores de comportamiento del cliente y la confiabilidad estadística de esa correlación. El modelo predictivo se construye utilizando una aplicación de minería de datos que asigna puntajes a cada cliente, lo que indica la probabilidad de que el cliente se comporte de la misma manera en el futuro. Por ejemplo, el modelo puede ayudar a un comercializador a determinar la probabilidad de que un cliente masculino casado de entre 31 y 42 años con hijos compre una marca particular de cortadora de césped en los próximos seis meses.
La especificidad es muy importante en la minería de datos de CRM utilizando modelos predictivos. Hay varios tipos de métodos que se utilizan para este propósito. Un modelo univariado compara una sola variable con varias otras variables para determinar la relación con la correlación más alta. Los modelos de análisis de detección de interacción automática chi-cuadrado (CHAID) y árboles de clasificación y regresión (CART) muestran árboles de decisión, donde una variable causa la instancia de una o más variables. Un modelo de regresión multivariante prueba varias variables entre sí para evaluar posibles correlaciones.