消费，通常指满足需要的行为，是人们在物质资料和劳务的生产与生活中，对物质产品和劳动力的消耗过程。广义的消费包括生产消费和生活消费。生产消费指在生产过程中，原料、动力、机器、设备的消费，消费的结果是生产出新产品。生活消费是指人们为了满足生活需要而消费物质和精神产品，或者耗费劳动服务的行为。从市场需求的角度考察，消费者指那些对某种商品或服务有现实或潜在需求的个人或团体。在本研究中，消费专指个人生活消费，即，最终消费。消费者指所有从事物质产品和劳务等消费活动的个人。消费者行为则指消费者在消费心理的支配下，对商品、服务等消费对象加以选择、评价、购买和使用的一系列行为活动。消费者行为研究是消费经济学的理论基础,是一个具有多角度规定性的范畴。消费者行为研究领域是跨学科的，它由许多来自不同领域的研究者组成，这些研究者对人与市场如何相互作用有着共同的兴趣。西方早期的研究者都致力于有关消费者行为的综合性理论模型的研究，其隐含的假设就是消费者行为能够用一个综合性的理论模型加以描述和解释。然而，随着这一领域研究的发展，研究者们意识到消费者行为非常复杂，不可能完全包含于某一个理论模型之中，因为，毕竟消费心理涉及人类心理的大多数要素。传统的宏观经济研究领域中，对消费者行为的定量研究主要是消费总量研究。消费者行为的定量分析方法主要体现为消费函数。消费函数是指消费与收入的函数关系，它表述了个人消费与收入的关系及个人消费行为方式。自从凯恩斯首创消费函数理论以来，消费函数就成为经济学家们持久关注和研究的一个专门领域，也是宏观经济学的一个基本命题。计量经济模型具有检验与发展理论的功能。在某一种理论假说的基础上建立计量经济模型，用样本数据来估计和检验模型，从而推断这种理论假说在多大程度上正确或不正确；对于未能通过检验的理论，则要修正，在这一过程中可能催生新的理论。消费函数理论，从绝对收入假说到相对收入假说、生命周期假说、理性预期假说，就是经历了这样的发展过程。消费者行为是一种消费心理和消费需求不断满足的过程，也是人们多种心理因素作用的结果和反映。消费心理规定着消费者行为的方向性和目的<WP=147>性。消费者行为是消费者决策与消费者态度的表现。一个完整的消费心理与行为过程包括从唤起消费需求、消费动机到消费态度形成与改变直至购买行为，是要经过一个由心理到行为的转换过程。从消费者心理学角度讲就是消费者购买决策的过程。在营销者眼里的消费行为更多的是指消费者在广告认知、信息沟通、购买决策等方面表现出的消费行为。在信息时代，所有企业面临的一个共同问题是：企业数据量非常大，而其中真正有价值的信息却很少。因此从大量的数据中经过深层分析，获得有利于商业运作、提高竞争力的信息，就像从矿石中淘金一样，数据挖掘也因此而得名。数据挖掘与传统的数据分析(如查询、报表、联机应用分析)的本质区别是数据挖掘是在没有明确假设的前提下去挖掘信息、发现知识。数据挖掘的目标是从数据库中发现隐含的、有意义的知识。数据挖掘主要具有数据总结和概念描述、分类与预测、聚类、关联分析等功能。这些功能的实现为研究个体消费者行为提供了技术基础。商家在掌握了消费者行为信息和知识的基础上就能够实现个性化营销以及关系营销，从而有效地满足消费者的需求，获得更高的利润回报。在本研究中，作者提出的运用数据挖掘方法研究消费者行为的基本步骤是：明确研究主题；收集数据并对数据进行预处理；选择挖掘技术或算法；建立并评估模型；解释挖掘结果。数据挖掘是揭示存在于数据中的模式及数据间关系的综合技术，它强调对大量观测到的数据的处理。数据挖掘涉及到传统统计方法、数据库管理、人工智能、机器学习等技术。从本质上讲，数据挖掘是通过计算机对大量的复杂数据集的自动探索性分析。数据挖掘常用技术的原理或算法包括：聚类、决策树、人工神经网络、模糊逻辑、遗传算法和关联规则。聚类是在不知道数据应该分成几类的情况下，按照数据内在的差异性大小，将数据合理地划分成几类，并确定每个数据所属类别。在统计方法中,聚类是多元数据分析的三大方法之一(其它两种是回归分析和判别分析)。在机器学习中，聚类被称作无监督学习,类别是由聚类学习算法来自动确定的。决策树是一种数据分析和预测方法，主要用于对数据进行归类和预测。决策树方法的最大优点是直观，容易解释。缺点是随着数据复杂性的提高，树的分枝数目也会增多，处理起来会很困难。人工神经网络是人脑的抽象计算模型。神经网络是由许多参数来建立一个模型，这个模型接受一组输入值来预测出一个连续值或分类值。神经网络近来越来越受到人们的关注，因为它为解决高度复杂问题提供了一种相对有效的简单方法。在大多数的真实世界中，人们不可能获得所有精确的值，总会有一些不确定性。模糊集合论主要处理没有（或很难）精确定义的实事。模糊规则和模糊推理过程是基于模糊集理论最重要的建模工具。在许多真实世界环境下，模糊特性更接近于人类的思维习惯。 <WP=148>遗传算法是