随着信息技术的飞速发展,超市零售业面临来自电商行业的巨大压力。目前超市几乎都建立了自己的商品进存销管理系统,积累了海量的顾客消费数据。这些庞大的消费数据中隐含很多有价值的信息,进一步分析就能辅助经营者做出正确的商业决策。但单凭人工在海量的消费记录中提取出有潜在使用价值的信息需要花费大量的时间和精力,因此应用人工智能领域的某些算法从海量的消费记录中分析和挖掘出有价值的信息成为近些年来人们研究的热点。本文为能够利用海量的消费数据,拟对具有购物潜力的顾客进行预测,构建了潜力顾客预测模型。首先,通过分析顾客消费数据得出影响购物潜力的特征,然后根据样本点距最佳分隔超平面的几何距离选取训练样本;其次,应用改进权重更新方式的Adaboost算法组合SVM弱分类器形成组合算法AdaboostSVM。随后,基于选择的样本和组合算法,提出一种基于AdaboostSVM算法的模型;并实现根据顾客的消费特征信息挖掘出具有购物潜力的顾客。最后,采用某超市的真实顾客消费数据进行测试。实验结果表明,相比于传统的分类算法,本文提出的模型具有较高的分类精度和较少的训练时间。最后,在超市进销存系统中,基于Hadoop的云平台,将本文提出的模型应用于预测具有购物潜力的顾客,辅助超市经营者制定有针对性的营销策略。