随着中国经济的发展，银行间的产品及服务透明度越来越高，差异性越来越小，传统的以金融产品为中心的市场战略，正逐渐被以客户为中心、以服务为目标的市场战略所取代。银行必须了解自己的客户群，开发适合不同客户不同需求的新产品，为客户提供更为个性化的服务。　　 本选题正是针对银行业的现状，利用数据挖掘技术实现对银行客户关系的有效管理，帮助银行寻找自己的目标客户，进行准确的市场定位，使有限的银行资源效益最大化。CRM(Customer Relationship Management)即客户关系管理，作为一种全新的商业运营机制，能够为银行提供全方位的管理视角，赋予银行更完善的客户交流能力。运用数据挖掘的相关技术，对大量的银行客户数据进行科学的分析处理，发现数据中存在的关联关系及业务规律，使银行能够真正了解客户的行为及潜在需求。　　 本文针对银行CRM中的难点问题，从理论及应用的角度展开数据挖掘相关技术的研究。利用聚类分析、贝叶斯网络及关联规则挖掘技术对银行客户分类，预测信用卡客户的价值，从而优化银行的营销方式。　　 论文基于数据挖掘技术在银行CRM中的应用研究，进行了如下方面的工作：　　 首先，对我国银行业CRM的现状以及数据挖掘技术在银行业的应用状况做出系统的分析，为数据挖掘技术在银行CRM中的应用提供研究背景。通过总结CRM的内容及功能，归纳数据挖掘的原理及方法，为数据挖掘技术在银行CRM中的应用提供理论依据。　　 其次，采用模糊C-均值聚类算法对银行客户进行划分，有效地帮助银行分析人员从客户信息库中发现不同的客户群，并刻画客户群特征。分析结果表明，聚类分析方法可以对同样的数据根据不同的关键值尝试多次聚类，以发现相同数据可能揭示的不同结果。　　 再次，基于贝叶斯网络的特点、结构、学习模型及推理机制，采用K2算法进行贝叶斯网络的结构学习，利用联合树推理方法作为推理机，对银行信用卡客户的价值进行预测。本文在样本数据测试集上的推理结果表明，贝叶斯网络模型预测的准确率为84.2％，覆盖率为79％，较好地预测出下季度信用卡客户的潜在价值。　　 最后，针对银行客户的个人信息及交易信息，利用Apriori算法分析客户与银行业务之间的相关规则，发现银行客户的消费偏好及趋势，帮助银行在市场营销中争取主动，向客户提供个性化服务。　　 综上所述，本文利用数据挖掘功能中的特征化描述、分类与预测，以及关联分析，采用模糊C-均值聚类算法、贝叶斯网络及Apriori算法，有效地从大量银行客户数据中发现有用的信息及知识，并根据现有的数据预测未来的可能发展趋势，对客户的潜在价值及需求作出客观判断，从而提升客户关系管理的质量，达到提高银行竞争力的目的，使银行在激烈地市场竞争中生存下来并赢得发展。　　 论文所选课题是国内外数据挖掘技术应用研究的焦点，结合现实信息，针对国内银行业这一特定行业领域存在的问题，提供行之有效的解决方案及决策服务工具，具有重要的现实意义。