合理运用客户关系管理是企业成功的关键因素之一。而分析型客户关系管理是以客户关系管理为核心,通过运用信息技术手段对企业的日常业务数据进行操作,进而帮助企业做出更好的决策。分析型客户关系管理具有多个方面,本文从最重要的客户细分和客户识别两个方面展开研究。在客户细分中,已有不少研究在传统RFM分析模型中进行聚类操作,但RFM模型中特征较少,并不能从整体去衡量客户。因此本文针对该问题,从实际业务需求出发,在RFM分析模型基础上提出了多指标的客户分析模型,并使用熵值法进行特征权重的调整,使得客户的特征提取更加有效。根据聚类结果发现多指标分析模型与RFM模型相比,聚簇样本间聚集程度更加紧密,对客户等级的划分更加合理。在客户识别中,其核心是建立预测模型。目前研究大多使用传统的数据挖掘算法构建模型,虽然取得了一定的效果,但因为这些算法大多属于浅层学习,仅有极少的非线性转换层,可能会产生欠拟合现象,导致预测结果准确率低。因此本文从深度学习进行研究,通过够造复杂的层次结构,改善欠拟合现象,提高预测效果,其中重点研究深度学习中的DNN和CNN算法,建立预测模型。DNN预测模型通过实验设置不同的隐藏层个数,从而确定层间结构;针对梯度消失现象首先使用两种的激活函数进行实验对比,然后找出表现较好的函数进行该现象的改善;并采用dropout方法避免全连接中的过拟合现象实现模型优化。CNN预测模型通过对卷积层、池化层和卷积核的调整设计出四种模型结构,调参中分别使用权重初始化方法,并将其与随机梯度下降法和动量方法相结合,实现模型优化。最后将得到的两个最佳预测模型应用到某业务系统中实现客户识别的功能,发现基于深度学习构建的预测模型表现均高于传统数据挖掘算法构建的模型,其中经过CNN调参优化后的预测模型表现最好,根据实验结果该系统可以进行客户的有效识别。