企业拥有超过800多万的零售户,每个零售户如果只销售一种规格的产品就会产生大量的数据,那么所有零售户销售多种规格的产品所共同产生的数据量是非常庞大的,目前已经达到了TB级别。因此本文使用Hadoop作为大数据处理与分析的平台,提高数据存储能力和处理的效率。对企业而言,掌握了零售户动态便可以很好的了解市场动态,对客户分类处理可以使企业针对性的投入资源,避免不必要的浪费。但是现有的客户分类方法存在着很大的弊端。首先,现有的客户分类方法处理海量数据的分类效果很不理想,而且数据执行效率很低。其次,现有的客户分类算法具有很强的主观性,分类标准较为单一。本文从企业需求出发,以全国800多万的零售户数据来研究零售户的综合价值,创建客观、科学的客户价值分析模型,提高企业对客户关系管理的效率。主要研究内容如下:1)通过市场走访、终端采集、系统录入等多种途径进行数据采集,对采集后的海量数据进行质量分析,采取清洗、加工和规范化等步骤对数据进行处理,运用HDFS的特性构建一个分布式的数据存储模型,使用Hive数据仓库对数据进行加工处理,降维和简化数据。2)本文在分析客户价值的概念以及比较传统的客户分类算法的基础上,从企业需求出发,提出一套科学的客户价值细分模型:选取合适的价值指标并考虑到不同指标在客户价值中的影响程度,分析计算各指标的权重,给出评分细则,建立一套客户价值评分体系。以评分体系为基础,构建客户价值模型:(1)价值分类模型,指导企业对不同价值的客户展开差异化营销策略,实现精准的客户定位和客户关系维护;(2)忠诚度预警模型,计算零售户的忠诚度,指导企业分析零售户的忠诚度变化,预防客户流失。3)使用FCM模糊聚类算法对客户价值进行分类处理,但是因为FCM模糊聚类算法存在容易陷入局部最优和对初始聚类中心敏感的缺点,对此分别使用全局寻优能力较强的灰狼优化算法(GWO)和粒子群优化算法(PSO)对其进行改进,通过实验对比来选取聚类效果最好的一种改进算法,作为最终的客户价值聚类算法。4)企业的数据规模非常庞大,所以使用Map Reduce并行计算框架,对改进后的FCN模糊聚类算法进行并行化处理,提高算法处理海量数据的执行效率。5)将本文提出的客户价值模型投入实际应用,搭建企业的基于大数据平台的客户价值模型分析应用系统,为企业提供可视化的管理平台。