在管理思想更新、管理实践需求及信息技术发展的推动下,客户关系管理正在成为21世纪全球企业界最关心的管理议题和发展方向之一。客户细分是客户关系管理系统的核心功能之一,可以对客户获取、客户保持及客户增值等客户关系管理过程提供全面支持,其结果对客户关系管理有着十分重要的影响。目前,大型连锁商业企业借助于网络和信息技术迅速扩张并向国际化经营方向发展,商品经营已演变为“信息经营”。大量分布的连锁分店、配送中心与总店间通过网络互连,形成了分布型的商业共享数据环境。在这个分布型数据环境中,每个节点积集了大量的经济运行数据,形成了规模庞大的分布商业数据金矿。传统的客户细分方法已经无法满足日益增长的数据量以及日益复杂的分析需求,而基于分布式数据挖掘技术的分类方法,为进行更深入的客户细分提供了新的实现手段。本文在国内外研究基础上,以连锁零售业的消费者为研究对象,建立了基于分布式关联分类的连锁零售业客户细分模型(CustomerSegmentation Model Based on Distributed Associative Classification,简称DCSM)。主要研究内容包括:第一,对传统的客户细分相关理论和关联分类算法进行了深入的研究与分析,尤其是关联分类经典算法CBA、CMAR,以期取其之长运用到连锁零售业客户细分问题中来。第二,针对目前数据分布环境下连锁零售业客户细分方法存在的不足,提出了基于分布式关联分类的连锁零售业客户细分模型DCSM。该模型以连锁零售业各分布结点的客户数据为数据源,以具有移动Agent功能的Bee-gent系统为框架,以基于改进型FP-树的分布式关联分类算法为关键技术,从分布的商业数据库中训练得到全局的关联分类器,利用全局的关联分类器实现对客户的细分。第三,本文提出了基于改进型FP-树的分布式关联分类算法。首先,在各局部站点分别生成改进后的频繁模式树,再通过各站点间传送条件模式树形成全局条件模式树;其次,引入显著度概念挖掘全局条件模式树,得到初始的全局显著分类规则;最后,通过剪枝策略选择一个小规则集构造全局的关联分类器。该算法能够有效地减小网络通信量,提高挖掘效率,同时保证规则的统计显著性,提高了对隐含规则的发现能力。第四,在上述研究工作的基础上,本文设计了一个面向连锁零售业客户细分的数据挖掘原型系统。该系统初步实现了数据的导入、预处理、模型建立和模型使用等功能。最后结合一个具体商业应用,通过对客户个人特征、客户消费行为、客户价值等多个维度的挖掘,得出客户的细分结果,从而为提高连锁零售业的经营分析、决策支持和商品管理等水平提供有力支持。