当今世界经济快速发展,互联网行业迅速普及,客户的消费行为也发生了翻天覆地的变化。企业为了能够在竞争激烈的市场经济中占据优势,开始转变现有的经营模式,将企业的核心经营模式从“以产品为中心”转移到“以客户为中心”,同时将竞争重心也转移到客户数量上。目前对于客户消费行为的研究相对较少且内容单一,同时客户的消费行为已经趋于多元化和层次化,传统的分析方法已经适应不了当今客户消费行为的变化。本文分析客户消费行为相关算法的优缺点,选择K-MEANS聚类算法对客户进行细分,将细分之后的结果与客户行为变量RFM相结合得到客户价值矩阵,通过分析不同价值的客户在不同时期消费行为模式的变化情况,结合关联规则来预测客户的消费行为,并对相关算法进行深入研究分析存在的问题,分别进行改进。本文的主要研究工作分为以下几点:(1)深入分析客户消费行为的特点。本文详细介绍客户消费行为研究的基本流程,并且分析比较客户消费行为研究的相关算法,针对目前研究技术存在的问题,本文提出了先聚类然后再通过基于客户消费行为模式变化的关联规则来分析客户的消费行为。(2)根据客户消费行为多样性和不稳定性的特点对客户进行细分分析。传统的K-MEANS算法进行聚类分析时准确率和执行时间都存在一定问题,针对上述问题,本文采用结合有效性函数的方法来确定最佳聚类数K,然后通过贪心算法与构造类内类间距离的平衡函数得到稳定的初始聚类中心。利用改进后的K-MEANS算法对客户进行细分研究,并通过离线实验来验证改进后聚类算法的有效性。(3)分析客户消费行为模式的变化情况建立预测模型并评估。针对传统预测模型只能分析规则结果部分含有单一属性的问题,本文重新设计方法来计算不同时期规则之间的相似性和突发性,增加了规则结果部分多个属性的属性匹配程度的计算,并结合关联规则建立预测模型,从而预测未来一段时间内客户消费行为模式变化的具体情况。最后通过对比改进前后模型的平均相对误差和均方根误差来评估模型的有效性。