客户细分,就是企业在收集和整理客户信息资料的基础上,依据客户(包括消费者和分销商)的需求特点、购买行为、购买习惯、信誊状况等方面的明显差异,把某一产品的客户整体划分为若干个客户群的客户分类过程。聚类分析是客户细分的主要方法之一。聚类分析是一种用数学方法定量地确定样品的亲疏关系,从而客观地分型划类的多元分析方法,但传统的聚类分析是一种硬划分,它把每个待辨识的对象严格地划分到某个类中,具有非此即彼的性质,因此这种分类的类别界限是分明的。而实际上大多数客户对象并没有严格的属性,它们在性态和类属方面存在着中介性,适合进行软划分。而模糊集理论为这种软划分提供了有力的分析工具。因此,本文将模糊C-均值聚类算法引入客户细分中,并用MATLAB编程来实现算法。模糊C-均值聚类算法的聚类结果受初始聚类中心的影响,容易陷入局部最小值,而遗传算法具有全局寻优的能力,因此本文将遗传算法与FCM聚类算法结合起来,利用遗传算法来初始化FCM算法的初始聚类中心,这样可以减少FCM算法对初始值的敏感,并使得FCM达到全局最优聚类。另外,FCM算法要事先给定聚类数目C,然而在大量的数据面前,人们往往无法分辨数据的离散情况,更不要说可能划分的类数,所以给定聚类数目有可能得到错误的聚类,使聚类没有合理性,因此本文利用模糊聚类有效性指标求得最佳聚类数目C。本文基于某个银行的客户资料,利用模糊C-均值算法及基于遗传算法的模糊C-均值算法对客户进行细分,并比较两种算法。