客户分析是客户关系管理整个系统的基础。客户细分(也叫客户分类)是客户分析的一项重要任务。客户细分的关键是细分方法。已有的研究提供的方法对客户进行分类时,多是一次性的,确定性的。为了对顾客变化进行迅速的反应,想一次就把顾客分类问题解决显然是不现实的。因为顾客的很多属性是动态多变的,有时甚至可以说是瞬息万变,所以能适时地追踪到顾客这些方面的变化,进而对原来的分类进行改善就成为一个实际而迫切的问题。本文就是针对这一问题,提出一种解决方案。　　 很多研究都提到了考虑加入时间变量,但几乎没有见到这方面的研究成果。大家可能把主要精力都集中在构造更精确的属性时间函数上。本文另辟蹊径,就顾客细分这一具体问题,提出一种考虑了时间因素的改进模型。该模型把之前的细分技术和不太精确的属性时间函数结合了起来。利用这些已知函数来确定哪些顾客在将来一定的时期内有可能改变类别,并将一个类中的这些顾客所组成的集合称为边界。得出边界后,再集中关注边界中的顾客,根据其去向实时调整它们的类别。　　 本文就是在这一思路的指导下,就数据挖掘中各种聚类和分类算法进行分析和改进,使各种细分算法和属性时间函数很好地结合起来。在此基础上,就每种分类算法,我们得出了它的边界描述方式。这也算是在理论上证明了改进方案的可行性。