客群细分的市场意义是基于数据分析，建立不同的客户子类别，用以定位目标市场，设计创新产品，优化营销策略，打造个性化服务。
客群细分的最大问题是，客户维度也许有十几、二十个，对应的产品偏好也各有不同。一般大数据技术通常采用聚类技术来进行客户细分。常用的聚类算法有 K-means、两步聚类、Kohonen网络等。但一般企业中的营销人员很难快速掌握这种建模分析。
而在Dynamics 365中，非专业人员五分钟就可以掌握对这种矩阵的分析并发现有价值的线索。市场人员的优势是基于自身的经验先验性地建立分析的基准参数，并使用Dynamics 365中的多维度分析工具（segmentation)，对用户数据进行有意义的切割，典型客群画像是这样几组有意义的维度组合，比如：有ABCD四种典型人群，其总和占比超过60%。其中：A（收入24万以上，性别男，爱好汽车、运动、音乐，偏好新鲜产品），B(年龄20-30岁，偏好读书，使用过三次电子礼品券，偏好主打产品X），C（本地市民，微信点单每周1次以上，偏好微咸口味），D（学历本，偏好捆绑消费，消费频次5次/月）。其中B类会员占比30%。
当前很多品牌的CRM，宣称可以做客群细分，其实只是增加了一些自定义的静态客户信息字段，并且根据这些字段来进行粗略的统计，应该说是一个不折不扣的概念偷换：单纯地统计哪些特征比例最高，因为重叠性的因素可能毫无意义，比如上例中，可能只会建立这样总体上的人群描述："性别男，学历本，本地市民，偏爱微信下单，消费频次5次/月，消费X产品最多"，而不能发掘到“本地市民偏好微咸口味“这个消费偏好人群，更发现不了“主力消费人群对电子礼品券感兴趣”至关重要的这个激励机制。关于多维度报表分析，国内的CRM中仅有用友的CRM插件可以实现对新增字段的分析。