大数据时代已经来临，海量数据已经对传统企业经营模式，营销方式提出了新的要求。在信息时代，如果企业只是拥有庞大的数据信息但不对这些数据进行专业化处理，将其转化为有价值的商业信息并作为企业进一步发展的决策依据是没有意义的。因此，商务智能诞生了，它的意义便是通过智能的使用企业的数据财产来制定更好的商务决策。面向商务智能的数据挖掘在客户关系管理中的应用是以市场营销学的市场细分原理为基础，通过从数据库中筛选、下载涉及消费者消费行为的大量信息，对消费群体进行细分或通过个体的消费行为推断消费者的消费需求，进而推断出某一类消费群体或个体下一步的消费行为。　　本文便是基于这一目的的一篇面向营销分析和客户关系管理的数据挖掘及其应用的论文。本文涉及的数据挖掘模型主要有客户生存分析模型、客户忠诚度模型、客户分层模型及其应用，并分析比较了不同促销模式对日销售额的影响以及由不同促销模式产生的客户购买行为的差别。在生存建模与客户分层模型分析中，通过比较不同聚类分析方法，将客户划分为不同层次，总结不同层次客户群的特征，在聚类分析中本文首先尝试了快速聚类法和Ward’s方法将客户进行分层，通过从聚类效果与执行效率两方面对两种方法进行比较评估，最终选择了快速聚类法，并将数据分为了6组。最后用Multinomial线性回归法比较不同类客户的差别，并给出了相应商业推荐。在ConAgra厂商促销模型与Pop Secret品牌产品的促销模型分别对日销售量的影响的模型分析中，采用了多元线性回归、固定效应、Stepwise逐步回归分析方法判断影响日销售额的变量的显著性，并计算出各个显著变量对日销售额影响的大小。最后分析比较了ConAgra和Pop Secret不同促销模型对客户的购买行为产生的影响，对比客户的招新能力，存活率和客户在同一品牌内的流动性。　　本文的快速聚类分析将传统营销学中RFM客户分层分析加以改进，提出更加直观、快速的客户分层分析方法，该方法有效地剔除了极值，使各层次客户特征更为突出，为进一步客户层次分析提供良好基础。此外，stepwise逐步回归模型提高了各因素对日销售额影响的准确性，减少了因自变量之间的相互关系导致的对因变量影响的偏差。