随着企业的经营模式从以产品为中心向以客户为中心转变,如何利用数据挖掘技术对客户进行细分成为了当前企业界和学术界共同关注的话题。企业不仅要了解客户共同的、普遍的需求,更重要的是需要了解不同客户的个性化需求,以获得或保持其在该行业的竞争优势。与此同时,企业在经营过程中产生大量的客户消费数据,随着时间的推移不断地增长。大数据时代的到来,为企业提供了使用数据分析和挖掘技术的机会,通过这些海量数据对客户进行细分,帮助企业实现有限资源的合理分配,改善企业与客户关系,从而提高企业决策质量。本文针对客户细分过程中存在的特征较为稀疏、细分效果不好的问题,基于现有的客户细分方法和指标体系,提出了一种多指标客户细分的模型,旨在让企业更深入地了解消费者的行为和偏好,帮助企业制定决策和发展客户关系。一方面,从宏观和微观角度,对传统细分指标进行更新和优化,构建RFMPA（Recency,Frequency,Monetary,Periodicity,Amount）多指标客户体系,增加客户购买行为的周期性和购买数量指标,目的是更好的反映客户忠诚度和购买力。另一方面,在多指标客户细分体系的基础上,构建了客户细分模型。模型首先根据各个指标的信息贡献度进行熵值法客观赋权。其次,考虑到客户细分时间复杂度问题,采用因子分析法进行数据降维。最后,利用改进的K-means算法,在聚类数目的确定和初始点的选取上进行优化,完成客户细分。利用某大型连锁超市客户消费数据进行实证研究,对比数据实验结果,可以得出本文模型在特征划分能力和聚类紧凑性方面优于传统的客户细分方法,能够更好的解决客户细分问题,帮助企业提高客户关系管理和决策质量。