与此同时，客户消费心理日趋成熟，出现了理性化、个性化的消费趋势。在这种情况下，实施客户关系管理（Customer Relationship Management，CRM）的效果与企业的预期相差甚远。
CRM的成功除了需要一个合理的组织结构外，还需要一个合理的信息结构，传统的CRM虽然记录了企业与客户交往过程中形成的大量客户数据，但并没有将这些数据用于有效地理解客户。
在激烈的竞争环境下，企业对有限数目客户的争夺日趋白热化。如果不能及时了解客户的需求、掌握客户的消费模式，预测客户的行为动向，企业失去竞争的能力，而CRM仅仅局限于事务处理，没有充分地将客户及其知识转化为企业的持续竞争力。
针对CRM的不足，近年来关于客户知识管理（Customer Knowledge Management，CKM）的研究获得了普遍的关注和重视。CKM的出现是全球电子商务大潮对传统商业模式的改变，它要求企业以全新的思维看待未来的客户，以客户需求为心设计和实现信息技术驱动的商务活动。
从而给企业带来长久利益。企业期望通过CKM建立一个客户需求导向的销售、营销、服务和支持应用的自动化价值链，以便加强企业与客户的关系，提高客户的满意度和忠诚度，增强企业的竞争优势。
目前，CKM主要的应用领域集中在制造业、公共事业、电信业、零售业和金融服务业等行业，许多新兴的企业如Amazon、Cisco等已率先成为CKM的使用者和受益者。
CKM的核心是潜在客户知识的发现，包括与客户有关的各种概念、规则、模式、规律和约束，通常都是隐含在客户数据中的深层信息内容。尽管客户数据是形成潜在客户知识的源泉，但从数据中提取知识并不容易。
这主要在于，首先，企业所积累的客户数据往往数量非常庞大，且在企业的发展过程中客户数据会不断地增加与更新；
其次，客户数据的结构复杂，可以是结构化的，如存储在关系数据库中的数据，也可以是半结构化的。如文本、图形和图像数据，甚至是分布在网络上的异构型数据；
再次，许多客户数据是零散的、断续的、冗杂的和动态的。从某种意义上说。潜在客户知识的发现是一种高级的人类智力活动。但是人脑对于处理如此大量繁复的数据并不擅长。
因此，人的经验和技巧必须与自动化知识处理工具结合起来才能达到从海量数据中获取知识的目的。
显然，潜在客户知识发现需要的不是常规的数据录入、查询和统计工具，而是能够归纳数据特征、分析数据内部关联、推断数据发展趋势的高效、智能化工具。
因此，潜在客户知识发现与管理是一项以智能信息处理技术为支撑的多学科交叉融合的前沿研究领域。
数据挖掘是指从大量不完全的、有噪声的、模糊的和随机的数据中，提取隐含的、未知的且潜在有用的知识和模式的过程。它综合运用计算机科学、人工智能、统计学、信息管理、认知科学等领域的先进理论与技术，研究如何从海量信息资源中快速准确地获取潜在的知识，是一种信息资源深层开发的新型信息处理技术，不仅具有很高的理论研究价值。
而且对于企业和国家信息化的跨越发展乃至整个社会经济建设与发展都具有极为重要的意义。当前，众多发达国家企业纷纷开展以数据挖掘技术为基础的知识资源管理和工商企业的智能化管理，具有代表性的应用领域有科学研究、Web智能、商务智能、风险投资、制造业、银行、国土安全、气象、医学、通讯等，将数据挖掘合理地融入CKM过程之中，能够有助于实现从“客户数据矿山”中挖掘“客户知识金矿”的目的。
