本文以顾客细分为研究内容，以结构方程模型分类为基本方法，以提高基于结构方程模型的顾客分类、描述和预测效果为目标，进行了以下研究工作：1.回顾顾客细分理论的发展历程，总结根据不同特征的三类细分方式：根据人口统计特征的细分、根据顾客行为的细分和根据顾客心理的细分，并简要介绍了市场细分中简单易行的聚类方法和交互检测方法。通过对比聚类方法、交互检测方法和结构方程模型之间的优劣，得出结构方程是最有研究和应用前景的结论，并对现有的为数不多的结构方程分类方法做了细致的研究和对比。2.通过对比现有的结构方程分类方法，作者发现REBUS-PLS方法善于找到行为特征、心理特征同质的顾客群体而苦于无法用特征信息描述和预测，PATHMOX则恰好相反，过多利用特征信息分类而无法保证类内成员的同质性。作者以此为切入点，尝试找到一种既能分类又能预测的方法，以REBUS-PLS为基础，改进了REBUS-PLS中“距离”的概念，把人口统计信息也纳入到距离的计算，在分类时考虑了类的内部和外部的综合特征。为了防止特征信息在分类过程中的作用超过内部特征，为人口统计信息设置了一个小于1的可调整的权重。3.由于结构方程模型在顾客满意度中的应用非常成功，因此选择经典的顾客满意度案例作为新方法在实际应用的开始。根据2008年西班牙金融机构的顾客满意度调查结果构建顾客满意度模型，通过信效度和稳定性分析进一步确认该结构方程模型有效性。在此基础上用新方法对顾客分类，与REBUS-PLS方法分类结果对比，发现新方法确实达到了合理分类且预测的目的。新方法在分类过程中遇到了种种问题，作者如实一一列出作，以作为今后研究的参考。