无论是在金融的领域,还是通信的行业,都存在激烈的竞争,这些竞争让企业很快的意识到用户,对他们而言是一种宝贵的资产。这些企业把怎么样保留现有客户和如何发展新客户作为主要任务和工作,普通的大众化的营销方式已经满足不了企业的要求了,于是差异化的、一对一的营销方法就应运而生了。这样既能让用户满意,又能使企业更好的发展,达到双赢。若要成功的使用这样的营销方式,关键就是要有行之有效的客户细分。客户细分问题的重中之重就是要找出客户之间的特征,用相关的统计分析方法,发掘出隐藏在数据之中的信息,根据得出的信息,把用户进行合理的分类。一般情况下,用户细分常常是依据用户的一维属性来执行的。但是,人们迫切的需要一种新的分类方式,以求可以实现:客观的反映用户群体之内的的独特特征,全面反映用户多角度的特征。这种新的分类方法可以帮助营销人员更好地了解用户特征,有利于动态追踪用户的行为变化。这需要对具有数十个或数百个变量的用户数据进行更加精确细致的描述,并在这个基础上进行更详细的用户细分。所以,为了适应这种变量多、数据量大的用户细分数据,基于数据挖掘技术的新方法就出现了。聚类分析经常是用户细分的常用方法之一,在这之中,K-Means算法因其在能够处理较大的数据量和能获得比较好的结果这两方面具有很大的优势,所以,在实际使用中,经常把K-Means方法选为我们要进行的数据挖掘方法之一。怎么样根据常见的数据挖掘技术方法把K-Means针对性地应用在用户的数据建模之中这个问题一直围绕着我们,这些问题的研究在国内很少见。所以,从数据挖掘的角度出发,使用K-Means聚类算法对用户的分类问题进行研究,有很大的现实意义。本课题以数据挖掘为基础,利用K-Means聚类方法对用户进行细分分类并且依据这种聚类方式,构建了用户的分类模型。综合利用主成分分析、聚类算法、方差分析和多分类的逻辑回归,对移动通信用户分群并进行个性化推荐,从而为企业营销提供理论与技术支持。