随着Internet技术和快递物流的发展,网上购物逐渐成为我国人们新的购物习惯,我国网购市场规模变得空前巨大。企业在吸引越来越多的客户进入网购平台的同时,也面临着如何利用宝贵且有限的服务资源对客户提供优质服务的难题。只有对庞大的客户群体进行有效划分,将企业有限的服务资源集中在优质客户身上,才能实现企业利益的最大化。企业自身数据库中所积累的大量客户数据为客户分类进而服务优质客户提供了有利的前提条件。以RFM(Recency,Frequency,Monetary)为代表的客户价值分析模型以及聚类算法,是当前应用较为广泛的客户分类技术,但是,仍存在着模型指标过于单一、类别划分过于细化、受困于异常值、聚类结果不稳定等问题。针对传统客户分类模型存在的指标单一、客户分类过于细化的问题,本文提出了CCL客户分类模型,即包含C(Customers,客户属性)、C(Contribution,客户贡献度)、L(Loyalty,客户忠诚度)三个指标的模型。模型中的三个指标不再是只选取单一维度的属性,而是涵盖了客户的静态属性和动态属性。首先根据每个指标的意义,分别选取客户数据中多个维度的属性,从而避免指标单一的问题;其次,各指标依次通过不同的划分与量化标准、特征值构造、加权计算综合评分值等方式,得到模型的综合评价指标;最后,将CCL模型与聚类算法相结合,可以更有效地对客户进行类别划分。K-Means聚类算法由于受限于K值选取和初始簇心,且待聚类样本点中存在异常值将会导致聚类结果产生巨大偏差,导致聚类结果极其不稳定。针对存在的问题本文将融合粒子群算法,提出了一种基于K-Medoids的改进粒子群聚类算法。本文采用的K-Medoids聚类算法解决了K-Means受困于异常值的问题,并在改进的粒子群算法中引入反向学习策略,通过在更大搜索空间中的反复迭代和不断调整,得到全局最优的聚类中心。最后,本文将CCL客户分类模型和基于K-Medoids的改进粒子群算法进行融合,形成一种基于CCL模型的改进粒子群聚类(K-OD-PSO)算法。不仅CCL分类模型的指标具有综合性和代表性,K-OD-PSO算法更是解决了传统算法受困于异常值、易落入局部范围中的最优解、收敛过快等问题,具有良好的客户分类效果。本文在设计的实验环境下,对提出的基于CCL模型的改进粒子群聚类算法进行测试,评估聚类算法的聚类稳定性、分类性能以及分类效率。反复的实验证明,本文提出的基于CCL模型的改进粒子群聚类算法具有优异的稳定性和分类性能,满足算法设计的初衷。