One to One营销优化是分析型客户关系管理(CRM)的核心部分，其主要功能是通过更好的理解和影响客户行为，在One to One营销活动中为企业提供最佳营销决策，从而提高客户保持率、忠诚度以及利润率。然而，现有CRM软件采用的商业规则推理方法难以真正确保企业获利最大。若从运筹学角度考虑，对大中型企业而言，One to One营销优化模型复杂且规模庞大，在内存受限环境下，采用传统的线性规划算法无法得到优化结果。为此，本文围绕大规模One to One营销优化模型、大规模One to One营销优化算法、算法实现及应用等三个方面开展研究工作，主要创新性研究成果包括以下五个方面。(1)大规模One to One营销优化建模方法针对One to One营销优化模型的建立具有涉及面广、目标函数存在多样性、约束条件复杂、各系数不容易确定以及存在各种非线性情况等难点，通过深入分析One to One营销机制，结合商业规则和营销经验，考虑营销成本、客户喜好、营销渠道及产品等特点，建立考虑多优化目标和多营销约束的One to One营销优化线性模型。该模型具有较强的通用性，可准确描述One to One营销优化问题。(2)客户行为预测方法针对在One to One营销优化建模过程中，客户回应率无法准确确定问题，提出一种新的客户行为Bayesian网络预测法。它通过分析企业历史营销数据表各属性之间的概率依赖，构建Bayesian信念网络，并对具体预测实例进行推理，计算其联合分布概率，从而准确预测客户回应率。该方法针对One to One营销数据库信息规模庞大的特点，提出复杂度为O(n~4)(其中n为节点数)的Bayesian网络学习算法，避免出现指数型时间复杂度。它与基于朴素Bayesian等现有客户行为分类预测方法相比，考虑了客户、产品及销售渠道各属性之间的条件独立性，能直接计算客户行为发生概率，提高了预测精确性。(3)大规模One to One营销优化算法针对10万及10万以上客户规模情况下，One to One营销优化模型约束条件和优化变量规模庞大的特点，考虑PC机在内存、CPU上的性能限制，提出一种时间复杂度为O(nlogn/ε)(其中n为决策变量数，ε为允许误差)具有超线性收敛性的大规模One to One营销优化算法。它基于预估校正线性规划思想，结合列近似最小度排序、LDL分解以及块高斯消去等大规模稀疏矩阵处理方法，能在短时间内精确求解10万及10万以上客户规模的One to One营销优化问题。(4)大规模LDL分解方法针对在基于预估校正法的大规模One to One优化算法中涉及的高阶线性系统求解问题，提出一种新的LDL分解计算方法。它将LDL分解过程分为非零元素结构预测和数值计算两部分，并根据其分解因子的消去树拓扑排序进行递归计算，从而有效避免多余的内存开销和数值运算，解决大规模线性系统高效求解问题。(5)大规模One to One营销优化算法实现及应用技术结合DLL多线程及内存池管理技术，在内存受限环境下，对大规模One to One营销优化算法进行面向对象的程序实现。通过CRM体系结构分析，研究One to One营销优化在现代企业中的应用途径和方法，开发One to One营销优化决策软件WHCRM。它提供了One to One营销优化自动建模机制，最大求解能力达数十万客户规模。本文通过对大中型企业One to One营销优化问题的研究，提出企业客户、渠道、产品信息的集中管理模式，它有助于促使企业内部沟通，可有效提高企业员工工作效率及工作积极性；其最优化的核心理念能最大限度的帮助企业避免重复或无贡献营销，从而大幅度节约营销成本和资源，有助于节约型社会的建设。