随着我国经济水平的提高,零售业发展迅猛。但由于竞争的加剧,零售业的利润日渐微薄,迫切需要寻找新的利润增长点。对于现在供过于求的零售业来说,如何赢得和保留客户并将客户价值最大化变得尤为重要,也日渐成为企业最为关注的问题之一。客户细分是企业成功实施客户保持的关键,数据挖掘技术的出现更是为客户细分提供了新方法。已有的零售业客户细分研究存在两方面的不足:一是尚未形成完整的适用于零售业的客户细分指标体系;二是客户细分模型准确度偏低。为了弥补以上不足,本研究工作在梳理了客户细分理论和数据挖掘技术基础上,构建了一套基于RFM的客户细分指标体系,利用基于属性加权的K-Means算法建立了客户细分模型。采用某连锁超市的3万多条会员数据和近38万条销售数据进行实证研究,运用以上指标体系和客户细分模型完成了客户细分,最终将客户分为四大类,并针对不同客户群体给出相应的营销策略。实证研究结果表明,该方法在客户行为特征区分能力和聚类紧凑性方面均优于传统基于RFM的细分方法。方法可行、有效,能够更好地解决零售业客户细分问题,提升客户关系管理和营销决策质量。因此,本研究工作丰富了客户细分理论,为后续零售业客户细分的研究提供了有价值的借鉴和参考。实践上,通过实证分析,证明了方法的有效性,为零售业采用该指标体系和模型提升营销活动效果提供了方法和参照。