近年来,受益于“互联网+”以及经济全球化的影响,大数据、云计算、互联网等高新技术日渐成熟,基建设施趋于完善,信息交流愈发通畅。但网民增速却日益减缓,互联网红利逐步消退。在此背景之下,电商企业面临的市场竞争更加激烈,获客成本快速增长,为了保证企业的可持续发展,对客户的争夺和深度挖掘老客户的价值形成良好的客户关系管理能力,进而保证企业资源配置的合理化和最优化,成为左右企业生存和发展的关键因素。然而,从客户价值角度出发,利用数据挖掘等技术手段,根据客户消费行为习惯等因素将客户细分为不同价值类别,而后根据不同价值类别进行针对性管理无疑是目前最为行之有效的手段,也是此次论文重点探讨的内容。本文将以客户价值理论、客户关系理论和客户细分理论为依据;以中小电商企业经营现状为背景;以R公司线上商城的消费者行为数据为样本;以数据挖掘等相关技术为手段,研究在以“客户为王”的存量市场竞争中,传统电商企业如何高效地进行客户价值细分,合理优化企业资源分配等问题。首先,本文从目前国内电商企业的发展现状及趋势入手,基于传统RFM模型的:R（消费近度:Recency）、F（消费频次:Frequency）、M（消费额度:Monetary）等指标,引入新的指标S（客户满意度:Satisfactions）,构建兼顾企业与客户双重感知价值的RFMS模型,筛选出客户价值评价指标体系;其次,利用层次分析法（AHP）分析确定不同价值维度的指标权重;然后,通过K-means算法对客户进行聚类分层,同时与客户满意度（S:Satisfactions）相结合,分别从企业感知价值程度和客户感知价值程度将客户划分为:核心型客户（高价值客户）、忠实型客户（中等价值客户）、支持型客户（一般价值客户）和风险型客户（低价值客户）;最终,利用各指标的权重分别计算出不同客户的RFMS得分,对细分结果进行交叉验证,证明其准确性与合理性。并通过对不同细分群体的客户属性和行为特征的统计分析,总结出不同价值类别客户的特征并提供相应的决策意见。相对于单从企业感知价值角度进行分析的传统RFM模型,本文提出的RFMS模型兼顾了企业与客户的双重感知价值更具合理性,符合当下电商企业的运营需求;同时,K-means聚类算法较好地解决了传统RFM模型中,通过等距划分再组合的方式进行客户分类的局限性,使分析结果更加精准,同时有利于企业针对性地进行资源分配,极大程度地减缓了企业因客户分类过杂和过多而造成的资源浪费等经营困扰。