两个的数据挖掘模型中最常见的应用是用于行为细分和分类。在行为细分，聚类模型来分析客户的行为模式，并确定可操作的分组与差异化的特点。分类模型，用于预测事件的发生（如客户流失，购买附加产品等），并估计事件的倾向。分类（或倾向）模型通常用于优化直接营销活动保留（流失预防）和扩展（交叉/深/卖出了），与客户的关系。

适当的数据设置为不同的每个上述申请概述如下：

行为细分模型是基于仅在最近的顾客的视图，并且需要该视图的简单的快照，如图中下一个数字。然而，由于目的是确定建立在一致的，而不是随机的行为模式分割的解决方案，包括数据应包括至少6个月的足够时间段。另一方面分类模型，所需要的建模数据集的分裂在不同的时间段。以识别与事件的发生相关联的数据模式，该模型应当分析该事件发生之前的客户简档。因此，分析师应注重过去的时刻，并分析购买的附加 ​​产品或搅动到竞争对手之前，在客户面前视图。让我们考虑例如一个典型的流失模型。在模型训练阶段，模型数据集应分别涵盖以下几个时期：

1. 历史时期：用于建立客户视图在过去的一段时间内，该事件发生之前。它指的是遥远的过去，只有预测（输入属性）用于建立客户视图。
2. 潜伏期：它被留作考虑到需要收集所有必要的信息，以取得新的情况下，预测未来的流失者和执行相关活动的时间。
3. 事件结果期：用于记录事件的结果，例如此期间还是不中翻腾着。它遵循历史和潜伏期，它是用于限定监督模型的输出字段。

数据挖掘模型通过关联的历史时期与记录在事件结局时期特定事件结果的输入数据模式的培训。通常，在验证阶段，数据挖掘模型的预测性能是在一个不相交的数据集涵盖不同的时间段进行评估。在部署阶段新病例根据其本视图得分，具体地，根据本前右的期间观测到的输入数据的模式。事件结果是未知的，它的未来价值进行了预测。