数据库营销
数据库营销的一种形式直销使用数据库的客户或潜在客户生成个性化的通信，以促进产品或服务销售的目的。沟通的方法可以是任何可寻址的媒介，例如直接营销。
直接营销与数据库营销之间的区别主要源于对数据分析的关注。数据库营销强调使用统计技术来开发客户行为模型，然后将其用于选择要进行交流的客户。结果，数据库营销人员也往往是数据仓库的重度用户，因为拥有大量有关客户的数据会增加建立更准确的模型的可能性。
1）消费者数据库和
2）商业数据库。消费者数据库主要面向向消费者销售产品的公司，通常简称为BtoC。商业营销数据库在提供的信息方面通常要先进得多。这主要是因为业务数据库不受与消费者数据库相同的隐私法的限制。
“数据库”通常是内部销售或交付系统的名称，地址和交易历史记录的详细信息，或者是来自其他组织的已购买的已编译“列表”，该组织已从其客户那里捕获了该信息。编译列表的典型来源是慈善捐赠表格，任何免费产品或竞赛的申请表格，产品保修卡，订购表格和信贷申请表格。
如果收件人不希望通过数据库营销生成的通信被描述为垃圾邮件或垃圾邮件。另一方面，直接和数据库营销组织认为，针对客户的定向信函或电子邮件（希望与客户联系以讨论可能引起客户兴趣的产品）对客户和营销人员均有利。
一些国家和组织坚持认为，个人可以阻止进入或删除其数据库营销列表中的姓名和地址详细信息。
营销背景
数据库营销是1980年代出现的一种新的，改进的直接营销形式。在此期间，传统的“列表代理”面临着现代化的压力，因为它离线且基于磁带，并且列表倾向于保存有限的数据。同时，随着新技术能够记录客户的响应，直接响应营销方兴未艾，目的是与客户进行双向交流或对话。
Robert D.“ Bob”和Kate Kestnbaum开发了用于直接营销的新指标，例如客户生命周期价值，并将财务模型和计量经济学应用于营销策略。1967年，他们成立了咨询公司Kestnbaum＆Co，该公司聘用了一些著名的数据库营销人员，例如Robert Blattberg，Rick Courtheaux和Robert Shaw。Bob Kestnbaum于2002年10月入选DMA名人堂。
Kestnbaum在1980年代与Shaw合作开发了多个在线营销数据库，分别为BT（2000万客户），BA（1000万）和Barclays（1300万）提供服务。肖将新功能纳入了Kestnbaum方法，包括电话和现场销售渠道自动化，联系策略优化，活动管理和协调，营销资源管理，营销责任和营销分析。这些系统的设计随后被广泛复制，并在1990年代及以后的版本中并入CRM和MRM软件包。
最早的数据库营销定义记录是在1988年的同名书中（Shaw and Stone 1988数据库营销）：
- “数据库营销是一种交互式的营销方法，它使用可单独寻址的营销媒体和渠道（例如电子邮件、电话和销售人员）：将帮助扩展到公司的目标受众；刺激他们的需求；并保持紧密联系通过记录和保留客户，潜在客户和所有商业联系的电子数据库来帮助他们，以帮助改善以后的所有联系并确保所有营销活动更加现实。”
成长与进化
数据库营销的增长是由许多环境问题驱动的。Fletcher，Wheeler和Wright（1991）将这些问题分为四个主要类别：
- 直销角色的变化
- 向关系营销转移以获取竞争优势。
- 传统媒体效力的下降。
- 现有销售渠道的人满为患和近视。
- 不断变化的成本结构
- 电子加工成本下降。
- 营销成本的增加。
- 不断变化的技术
- 新的购物和支付方式的出现。
- 区分客户交流的经济方法的发展。
- 不断变化的市场状况
- 衡量营销活动影响的愿望。
- 消费者和商业市场的分散。
Shaw and Stone（1988）指出，公司在开发数据库营销系统时经历了发展阶段。他们将数据库开发分为四个阶段：
- 神秘名单；
- 买方数据库；
- 协调客户沟通；
- 整合营销。
数据来源
尽管任何规模的组织都可以采用数据库营销，但是它特别适合拥有大量客户的公司。这是因为大量的人口提供了更大的机会来寻找可以以定制方式进行沟通的客户或潜在客户。在较小（且更同类）的数据库中，将很难从经济角度证明区分消息所需的投资。结果，数据库营销在诸如金融服务，电信和零售等领域蓬勃发展，所有这些领域都具有为数百万客户生成大量交易数据的能力。
数据库营销应用程序可以在逻辑上划分给那些影响现有客户的营销程序和那些针对潜在客户的营销程序。
分析和建模
具有大量客户信息数据库的公司可能会面临“数据丰富而信息匮乏”的风险。结果，相当多的注意力集中在数据分析上。例如，公司经常基于对客户行为，需求或态度差异的分析来细分客户。行为细分的一种常见方法是RFM（客户价值），其中根据过往购买的新近度，频率和货币价值将客户划分为子细分。Van den Poel（2003）概述了通常在数据库营销建模中使用的一大类变量的预测性能。
他们还可能开发预测模型，以预测客户以某些方式行事的倾向。例如，营销人员可以建立一个模型，根据顾客对促销做出响应的可能性对顾客进行排名。这种模型的常用统计技术包括逻辑回归和神经网络。