1. 能够统计大量的客户信息并支持对客户进行多维的特质分析
在某些行业中，如金融、保险、电信、传媒、零售等行业的客户数据量是庞大的。要对这些客户数据进行分析，要求分析工具必须能够处理大量的客户信息，每个客户属性描述将包括客户名、性别、证件号码、收入、职业等多个字段，系统必须能够支持对这样多维的组合性的分析，客户快速给出符合分析条件的客户名单和数量。在分析型CRM中，速度已成为重要的衡量指标，在对海量的数据进行分析的时候，速度的要求几乎是第一位的。
2. 能够处理复杂的数据并支持对客户进行行为分析
这要求CRM中的分析工具可以从多个数据库中抓取并形成复杂的data cube，在此基础上，可以分析某类客户的消费行为。行为分析是比特征分析更为复杂的分析，因为它涉及行业知识和分析模型的结合。
3. 具有自定义的建模方式和参数调整的功能
除了特征分析和行为分析，在详细了解了消费行为在分析之后，需要对数据的参数进行调整，如价格的变化、初期投入应当在什么范围内？客户发消费点临近什么值开始成为“正利润”客户？其生命周期至少要在多长时间内才具有成为“忠实客户”的潜力？现有的模型分析很大程度上是为企业的市场研究和分析人员提供的，以帮助他们更理性地定制市场细分策略。
4. 能够融合人工智能的数据挖掘
独立的、单个的数据的意义并不大，更重要的是信息和知识。现有的数据挖掘方法已经能够支持安装内置逻辑语言进行归纳和演绎。例如：根据模型数据，系统建议以达成最高利润为目标进行的价格优化政策。输入抽样调查的测试数据，可以根据呼出电话的反馈率、直邮的反馈率、电视广告反馈率、巡展的反馈率等数据确定最佳的市场活动模式，以最低的成本获得最好的市场活动效果。