客户关系管理(CRM)有助于提高公司与顾客之间交流的效益并且同时使其变得更加友好，然而，如果没有一种科学方法，很难去处理大量的客户信息和日益复杂的与客户的交流。因此如何充分利用这些数据并发挥效益就成为工作的重点。
要使CRM产生效益首要任务就是数据采集。所谓数据采集即对大量数据中的新奇、隐含和可控的知识进行重要提取并且可利用其做出准确的预测，找到好的顾客，提出合适的附加产品等。一般数据采集包含以下六步：企业定义→数据储存→数据选择→数据建模→数据评估→部署，如图1所示。
图1 数据采集步骤
企业定义
数据采集本身就是解决实际的业务问题。首先数据采集的目标应该根据公司的商业需求以及对原始数据和实际操作的分析来定义。企业必须清楚自己的目的才能最好的利用数据采集。例如，根据“提高反应速度”或“增加反应价值”的特定目标，企业就需要建立一个截然不同的模型以加强服务中心的反应。
数据采集在客户关系管理中通常应用于以下四个领域：保留客户;客户服务与支持;市场研究;提高客户忠诚度。
数据储存与选择
在数据储存阶段的主要任务是收集数据，同时应该注意：数据不可以储存在数据库管理系统中，而是储存在xml文件和excel里。
为了CRM的应用，数据通常通过客户、产品、市场来收集。客户的资料通常包含名字、年龄、性别、收入、工作、信用等级、是否结婚、是否有孩子等等。
数据选择是数据采集六步骤中最重要的阶段之一。前一个阶段收集的数据当然不是全部有效的，它可能包含噪声数据、不一致的数据和模棱两可的数据。如果要得到精确的结果，数据选择是必须的。它通常由下列三个步骤组成：数据提取、数据处理、数据集成和转换。
数据提取。解决一个具体的业务问题，我们不需要所有的数据。应该保留相关数据并且剔除无用数据。例如，为了增加服务中心的反应速度，客户的性别应该被提取。
数据处理 。在数据处理阶段，应该用平均值填充噪声数据，改正不一致的数据，并且除去模棱两可的数据等等。
数据集成和转换。收集的数据通常存放于不同类型的数据库管理系统或文件中，这就需要将其输出到统一的数据集中，这也就是数据集成和转换的重要任务。
数据建模
数据建模是一个重复的过程。我们需要探究许多模型从而找到一个最适当的模型来解决实际存在的业务问题。在搜索模型时，有时需要重新对先前的数据进行改动。在决定所做预测的类型(例如分类、聚类、联合规则、回归)以后，必须选择一种模型类型(例如决策树、神经网络、所有法或旧式备用的逻辑回归)做预测。
在建立模型之前，应将收集的数据分成两组。一组用于建立和训练模型，另一组用于评估之后建立的模型。目前已经存在许多成熟的模型。但是要应用CRM软件解决业务问题，究竟哪种模型最适用于解决具体的业务问题呢?主要有以下三种：
分类和聚类。根据客户不同的购买模式和个人资料(譬如社会经济地位、性别、年龄、生活方式、家庭背景等等)，可对客户进行分组。对客户进行分类在CRM中发挥着重要作用，特别是当实施营销战略或决定价格灵敏度时。对客户分类可以将目标市场定义为片段的集合，每段具有不同的特征。我们采取不同的策略来满足每个片段的不同需要从而保持与各户的有利可图的长期关系。决策树是用于该领域的最有代表性的算法。
回归分析。回归分析主要用于分析市场趋势。市场分析包括新产品趋势分析，通过趋势分析从而提出紧密联系市场和不同地区不同需求的反映季节趋势的产品。决策树也是该领域的算法。k-mean是用于该领域的最有代表性的算法。
联合规则。联合规则主要用于分析顾客的购买模式从而使公司对于目标营销做出更好的决策，更加有效地规划库存和组合，生产出可以创造更多利润的产品。Apriori是用于该领域的最有代表性的算法。
数据评估及部署
建立模型以后，要评估和验证结果。因为所收集的数据分为两组，一组用于建立和训练模型，而另一组则用来评估建立模型的有效性。
含混矩阵是数据评估最有用的方法之一，如表1所示。
表1总结了对水果农场进行数据采集的结果：竖列显示了农场实际售出的水果吨数，横行表示农场将要卖出水果吨数的预测值。因此在本数据采集中，对苹果预测的准确率达到48/54(=48+5+1)，该数据采集的整体准确率达到191/218=0.8761。
但是当误差不同时具有最高准确率的模型并不是最合适的。例如，如果农场依据正确值/错误值一吨苹果可以赚$10/-15，一吨香蕉赚$20/-10和一吨桃子赚$25/-15，详见表2。
农场所获利润是：
48x10+65x20+78x25-11x15-8x10-8x15=3730-365=$3365
现在看另一个数据集，如表3所示。
该数据采集的整体准确率是195/218=0.89450
农场所获利润是：
60x10+67x20+68x25-7x15-8x10-8x15=3640-305=$3335
第二个例子的准确率高于第一个，但从数据采集求得的农场所获利润却少于第一个。因而在评估模型时，应该考虑问题的所有方面从而得到最有价值的模型。
在评估和验证模型之后，我们可以选择最佳的模型并运用其解决具体的业务问题，这就需要对模型进行实际部署工作。
数据采集提供了巨大保障以帮助公司从数据的纯卷积(或大量的数据)中获得有用的信息。建立模型是使数据采集获得成功的关键。一旦模型被建立并投入实施，将对企业数据收集和利用产生重要的作用。但世界每天都在变化，我们需要间隔性地对模型进行核对。唯有如此，通过建立适当的模型企业才能获得更多有用的信息。