随着企业竞争的日渐激烈,如何更好的保持现有的客户并且尽可能地发展更多的潜在客户,是每个企业决策者面临的问题。根据已有客户的购买记录对客户细分,并借助于多维关联规则挖掘技术对每一类客户的购买行为进行分析,有助于决策者制定精确营销策略。因此,客户细分、多维关联规则挖掘等技术受到了越来越广泛的关注。本文主要结合了客户细分和多维关联规则挖掘两种技术,对不同类别的客户行为进行分析。首先通过现有的数据对客户进行细分,再将细分后的每一类客户作为一个维度与其它属性相结合构建多维数据模型,并以多维关联规则挖掘技术为基础,对每一类客户的购买行为进行挖掘。在客户细分过程中,综合采用了RFM模型与K-means聚类算法两种技术,以新近度R、购买频率F以及购买金额M三个属性作为客户价值评价指标。在数据处理过程中,放弃了传统的对R,F,M指标做分级处理的做法,而采用LOF算法对进行离群点检验处理,一方面可以更完整地保留数据信息,另一方面可以使得聚类结果更精确。最后,通过簇内紧凑度、簇间分离度两个指标对各类别内的相似度及类别间的差异度进行度量,并将最优的聚类结果用于多维关联规则挖掘。在多维关联规则挖掘过程中,传统的挖掘方法通常以规则出现的频率来判定规则的有效性。然而这种挖掘方法只考虑规则间的统计相关性,忽略了规则自身的语义重要性,即规则能够为商家带来的期望效益。因此本文在多维关联规则挖掘过程中,引入效用函数作为统计相关性与语义重要性的综合度量指标。效用函数主要从潜在机会、购买概率、期望效益三个方面来度量规则的有效性,购买概率表示统计相关性,潜在机会与期望效益表示语义重要性。结果表明,以效用函数作为度量挖掘出的规则既符合客观上要求的较高频率,又具有主观上期望的较高效益,具有更强的实用性。