分析了目前数据挖掘的常用技术,以及数据挖掘技术在CRM中的应用,深入研究了经典关联规则挖掘算法Apriori算法。Apriori算法的主要问题是常常会产生巨大数量的项集和规则,以至于一般用户很难从中挖掘出真正有用的规则。其次是多次扫描事务数据库,过多的进行I/O操作。对每次k循环,候选项目集Ck中的每个元素都必须通过扫描一次数据库来验证其是否加入Lk。针对经典Apriori算法的不足,从减少数据库的扫描次数入手,提出了一种改进的Apriori算法-快速Apriori算法,快速Apriori算法在查找最大的频繁项集的过程中,只需要扫描数据库一次来完成分离和统计整个数据库。当扫描完整个数据库并计数后,系统将会从所有的业务数据集{C 1 ,C2,…,Ck}中得出候选项集。然后根据最小支持度和置信度对候选项集进行剪枝,从1到k项集中确定出频繁项集。和Apriori算法相比,快速Apriori算法大幅度的减少了扫描数据库的次数,并且不需要进行合并和修剪操作。扫描完数据库后,就能根据最小支持度和频繁项集的特性来确定所有的频繁项集{L 1 ,L2,…, Li ,(i= 1,2,…,k)},并能通过剪枝后的频繁项集表得出最大的频繁项集。根据最大频繁项集和置信度可以确定数据间的强关联规则。改进后的算法使得数据挖掘的效率和挖掘质量都得以提高,而且也大大减少了系统资源的占用。分析了关联规则技术在CRM的具体应用,并通过一个实例详细分析了快速Apriori算法在CRM客户分类中的具体实现。