客户分类管理也即运用分类技术进行数据挖掘，将客户分为不同的类别，再根据不同类别的客户采取相应的营销策略。
正确、合理地进行客户分类是企业有效实施市场策略的第一步，也是成功管理客户关系的基石。在客户关系管理(CRM)实施中，客户分类是实现CRM的主要手段和方法，科学、准确的客户分类方法是今天CRM研究中的一个核心问题。
据有关统计数据表明，现代企业57%的销售额来自12%的重要客户，而其余88%中的大部分客户使企业获利甚微，有的不仅无利可图，甚至还会给企业带来亏损。数据还告诉我们，开发一个新客户的成本是留住一个老客户的5倍，而流失一个有价值客户所带来的损失，就是争取到10个新客户也无法弥补。可见，企业要想获得最大程度的利润，就必须对客户进行分类，对不同类型的客户采取不同的策略。
对企业的客户进行分类管理，一般包括以下几个步骤：首先，搜集整理客户的相关信息，根据企业经营特点选择分类指标，对所有客户进行分类;其次，筛选客户，确定有价值客户并制定相应的CRM策略;最后，监督管理CRM的实施过程，确保“最有价值客户”质的不断提高，量的持续增加。如果仅用客户利润率和客户忠诚度来标定客户，则客户分类管理的目标应该是“最有价值客户”储量的不断膨胀，如图1所示。
客户分类管理也即运用分类技术进行数据挖掘，将客户分为不同的类别，再根据不同类别的客户采取相应的营销策略。目前已经采用的客户分类的指标中，利用满意度和信用度、客户价值、客户购买行为等组合来划分客户较为常见。
基于客户满意度的分类
客户满意度是客户满意现状的量化数据，反映的是客户满意水平，以此建立能够使企业在客户关系管理方面领先的经营结构。较早对客户满意度进行研究的是Reichheld & Frederick，其研究表明客户满意度的提高会增加客户的再次购买倾向，拥有更高客户满意度的企业会拥有更高的利润。此项研究指出了客户满意度与企业利润之间的联系，但并没有说明满意度的内涵。Antreas D. Athanassopoulos对希腊金融市场客户满意度进行了调查。主要研究了两个方面的内容。一是确定决定客户满意度的因素;二是基于客户满意度对客户进行分类，并研究了客户满意度与客户流失之间的关系。该研究的欠缺之处在于他们对客户满意度的评价需要调查客户对产品各个方面的感性认识，得出的结果也是定性的，会跟实际有很大误差，不利于基于满意度的客户分类的深入研究，不利于分类模型的推广、应用。因此需要研究定量化的客户满意度评价模型。
Oliver最早开始了客户满意度的量化计算研究，他指出客户的不满是由于服务质量和客户的预期之间的差距造成的，定量模型就是要将客户的满意度与一些可量化的指标结合。早期的研究者只是研究了客户满意度某一方面指标的量化模型，还不能全面地计算客户满意度。Roland T. Rust在前人的研究基础上，提出了一种数学评估模型，以全面地计算客户满意度值。这个模型能够让管理者了解对客户满意度影响最大的因素，及为了提高客户满意度需要多大的资金投入。这个模型的应用将会使客户满意度的研究量化，方便计算。因此也方便基于客户满意度分类研究的进行。
基于客户满意度的分类模型如图2所示，从图2中可以看出，这种分类模型归根结底要依据客户对产品的感知、认可程度，而这些数据需要对客户进行调查才可获取。但有些数据可能涉及客户的个人隐私而无法获取，因此基于客户满意度的分类模型在实际应用中还会遇到一些困难。
基于客户终身价值的分类
客户终身价值理论模型认为，一个客户的贡献价值不仅包括其过去的价值和现在的价值，还包括其未来的价值;不仅包括其经济价值，还包括非经济价值。客户对企业的价值应该是客户在其整个生命周期内为企业创造的所有价值总和，即客户的终身价值。
目前，国内外对客户价值的评价，主要是沿用弗雷德里克·莱希赫尔德的净现值评价体系，并在此评价体系的基础上进行扩展和完善。利用净现值评价体系评价客户价值，能充分地反映客户现在和将来所能带给企业的利润的净现值，但这一体系只考虑了客户的购买价值和交易价值，没有考虑到客户带给企业的无形贡献。针对净现值评价体系的不足，国内的齐佳音等人在净现值评价体系的基础上提出了充分价值评价体系，该体系强调了销售量与客户带给企业发展潜力的贡献两项指标的重要性，使客户价值的评价更加完善。黄亦潇等又考察了上述两个指标体系的评价因素以及各自的优缺点，结合客户生命周期理论，提出从客户生命周期价值和客户发展潜力两个方面来评价客户价值，并提出客户价值评价体系。
黄亦潇等的评价体系能较全面地说明客户终身价值，但是他提出的客户发展潜力指标太抽象，没有具体指出客户发展潜力内涵和衡量客户发展潜力的指标及计算依据。Hyunseok Hwang用cross-selling可能性来表征客户的潜在价值，用公式①解决了计算潜在价值的问题。
n—企业的全部产品数，pij—客户i购买产品j的可能性，uij—当客户购买产品时企业所获得的收益，Fi—客户i的潜在价值
此外，Peter C. Verhoef也提出了具体计算客户潜在价值的方法，这种方法较Hyunseok Hwang的方法更能准确反应客户潜在价值。Peter C. Verhoef通过计算客户潜在价值与当前价值，将客户分为四类，如图3所示。
图3中，Ⅰ类客户对公司是没有吸引力的，因为它的客户当前和潜在价值都很低;Ⅱ类客户有很高的潜在价值，但公司并没有利用好客户的潜在价值，因为这类客户的当前价值低;Ⅲ类客户当前价值高，而潜在价值低;Ⅳ类客户是最具价值的客户，这类客户具有很高的当前价值，同时又具有很高的潜在价值。如果丢失这类客户将会对公司造成重大的影响，因此公司应将主要的人力，物力投入到Ⅳ类客户的保持上来。
为了更全面地反映客户的终身价值，Su-Yeon Kim在Peter C. Verhoef等的价值模型中加入了客户忠诚度这一指标，(客户忠诚度可用公式②表示)并建立了如图4的客户分类模型。
该分类模型以客户当前价值、潜在价值、客户忠诚度来评价客户终身价值，能较全面地反应客户的终身价值。Su-Yeon Kim将这种模型应用于一个无线通讯公司客户分类后，提出了每类客户相对应的营销策略。
基于客户购买行为的分类
客户购买行为指客户在与企业发生交易时留下的购买痕迹，一般用购买产品目录、购买量、购买频率等数据来表示。这些数据较职业、收入、婚姻状况等数据更容易获取且不会与实际发生偏差。因此基于客户购买行为的客户分类更准确。
C.-Y. Tsai提出了一种基于购买行为的客户分类方法。这种方法基于客户购买产品目录和客户所消费的金额等与产品及客户购买行为有关的变量作为客户分类依据。但是，C.-Y. Tsai用购买的产品目录和购买的金额表征客户的购买行为，显然不全面。
Wouter Buckinx等在观察了大量的客户购买行为及其它客户信息的基础上，总结了61种客户分类指标。在这61种指标中，近度 (R：Recency)、频度 (F：Frequency)、值度 (M：Monentary)是最常用的预测指标。RFM数据是客户的交易数据，能全面地说明客户的购买行为，不涉及客户的个人隐私、容易获得且准确度高。
E.H. Suh以RFM为分类指标，运用数据挖掘技术将客户分为同质的几类，分类过程见图5。E.H. Suh的研究选用RFM为分类指标，能比较全面地反应客户的购买行为。在E.H. Suh 的研究中，F和M分别表示一段时间内的客户购买频率和购买金额，但是“一段时间”究竟是多长，E.H. Suh并没有给出说明。如果随意选取“一段时间”研究，会导致不准确的客户分类。例如，某一客户在过去的10个月内购买频率和购买金额都很高，我们根据客户过去10个月的客户行为来评价，那么该客户就被看作是高价值客户。但假设该客户在其中连续的2个月内没有和企业发生交易，即购买频率和购买金额都为零。若以这两个月的客户行为来评价客户，那么这个客户就会被认为是无价值客户而抛弃，从而会错过有价值客户，所以“一段时间”不能太短。但是也不是越长越好，因为现在的市场变化很快，如果时间间隔太长，这样的信息不能准确反应现在的客户状态，也就不能对未来做出精确的预测。因此如何选择合适的“一段时间”来研究客户购买频率和购买金额，是能否实现合理客户分类的关键。Jedid-Jah Jonker在这方面进行了一些探讨，他提出了一种动态的RFM分类方法，给出了5个分类指标：R、F1(2年内的购买频率)、F2(10年内的购买频率)、M1(2年内的购买金额)、M2(10年内的购买金额)，然后再根据这5个分类指标将客户分为同质的几类，并用马尔可夫链模型确定对每类客户采取的最佳策略，以取得最佳利润。Jedid-Jah Jonker分别选用2年和10年的客户购买频率和购买金额作分类指标，这样可以尽量减少由于 “时间段”的问题而造成的客户分类误差。
基于客户购买行为的分类方法，直接分析客户与企业发生交易时的近度、频度、值度等数据，通过对这些数据的挖掘，将客户分为具有不同价值的类别，为企业的营销决策提供依据。这种分类方法不需要涉及有关客户隐私或者较难获取的客户统计资料，较其它分类方法更容易获取数据且准确度更高，因此是客户分类方法今后研究的重点。