优点：
1、能够客观反映客户群体内在的特性，基于数据挖掘的分类是一种客观的分类，而不依赖主观的变量和分段的选择。它只与客户群体内在的特性和状态有关。通过了解个数有限的客户组的特点，可对客户群体组成有深刻的了解，并制定针对一个客户组或几个客户组的针对性营销方案。
2、综合反映对客户多方面特征的认识，基于数据挖掘的客户分类是考虑了客户的几十个因素而进行的分类，而非一两个变量的统计分析，所以这样的分类不是只基于客户的一两个侧面，而是基于客户的多方面特性，这样能全面把握客户，使得相应的营销方案具有针对性的效果。
3、有利于营销人员更加深入细致地了解客户价值：通过分析各组人群在ARPU值上的表现，可以更深地了解VIP客户的组成和其行为上的特征，以帮助营销人员针对性地培养和发展优质客户，也可以使客户经理在维护客户时加以参考，工作更加有效。
4、使营销工作有的放矢。由于这种细分方法在客户细分的过程中就对每个客户的多个变量进行了计算，因而，营销工作者既可以方便的得到每一个客户分组中的具体的客户名单，也可以方便地获得每个客户或更小一群客户的各个变量上的具体统计指标。
同时，也非常易于在客户行为细分的基础上基于其他变量对客户进行二次细分或多次细分，不会影响行为细分本身的客观性及有效性。
5、便于实现对客户的动态跟踪和维护。这种客户细分方法不仅可以在某一时点对客户进行细分，而且可以很方便的动态跟踪客户的变化情况。因为移动通信市场是一个变化迅速的市场，因而对市场的动态跟踪显得非常重要。能够及时发现客户的异常变化，从而进行预警分析和跟踪，对于保网工作而言非常有效。
利用数据挖掘技术对客户进行细分，可以产生几个到十几个不同的客户群体，分别表现为：国内、国际长途拨打较多、IP使用量大、短信发送量高、夜间话务量大、业务繁忙、本地繁忙等等，通过详细了解各个客户群体的特征，
既可以避免我们将同一ARPU值的客户需求等同于相似的客户，而且同样可以避免我们将行为相似的客户群体等同于同一贡献度的客户群体。
业务繁忙组与本地繁忙组客户的月平均通话次数大致相等，也就是说这两类客户通话次数都很多，都很繁忙，在客户服务时，他们对时间的要求更高，往往都是易于失去耐心的客户群体。
但是在客户贡献上，两者由于通话结构上的差异决定了两者的ARPU值差异。如果简单以ARPU值决定客户服务水平，那么本地繁忙组的客户极有可能认为客户服务不周而产生不满——而这部分客户又是非常有价值的客户，他们的不满也极有可能影响他人。
但是，如果我们以客户的通话繁忙程度这一单一变量来看客户，那么显然又难以在两者的价值上实现区分，因而有效的营销资源配置就失去方向。
基于客户行为细分基础上，可以实现行为细分与心理细分、行为细分与网龄细分、年龄细分、性别细分等紧密结合的综合细分方法，产生明确的目标客户列表，指导制定营销方案，实行精确营销。
扩展资料：
发展趋势
当前已出现的商业化数据挖掘软件进一步推动了数据挖掘技术的普及和发展，但在实际应用中仍存在不少问题和需要继续研究改进之处，当前主要的研究方向和发展趋势包括以下几个方面：
（1）增强可视化和交互性。一个具有良好的可视化和交互功能的数据挖掘系统可以使用户直观地看和理解数据挖掘任务的定义和执行过程，减少用户挖掘知识的盲目性和挖掘过程中大量无关模式的产生，提高系统的挖掘效率及用户对挖掘结果的满意度和可信度。
（2）提高可可扩展性。由于用户的应用环境是不断变化的，因此可扩展性对于数据挖掘系统来说非常重要，系统应该支持多种数据源的挖掘以及挖掘算法的可扩展性，允许用户根据需要加入新的算法。
（3）与特定行业应用相结合。随着应用环境的发展，通用的数据挖掘系统已越来越不能满足用户的需要，用户如果不了解挖掘算法的特性就很难得出好的模型，因此数据挖掘系统应该和特定的应用紧密结合起来，为该应用领域提供一个完整的解决方案。
（4）遵循统一标准。尽管目前数据挖掘还没有形成一套完整的业界标准，但已出现了一些标准，如数据挖掘过程标准CRISPDM、预言模型交换标准PMML和Microsoft的OLEDBforDM。遵循统一标准的数据挖掘系统间可以方便地实现挖掘算法和模型的共享。
（5）支持移动环境。目前将数据挖掘和移动计算相结合是一个新的研究领域，因此能够挖掘移动系统、嵌入式系统和普遍存在的计算设备所产生数据的数据挖掘系统是未来的一个新的发展趋势。
参考资料：