客户关系管理中，数据挖掘的技术为市场营销业者提供了非常有力的数据分析工具。随着电子商务的日渐盛行，客户关系管理向科研以及商业实践人员提出了新的问题与挑战。以客户为中心与导向，成为企业致胜的关键因素。本文在市场营销对客户的不同细分层次上，探讨企业与客户的互动对客户需求的影响，利用数据挖掘以及机器学习的知识与算法建立客户需求预测模型，并在推荐系统中实现对客户个性化需求的识别，从而更好地维持并发展企业与客户间的关系。对客户与市场进行细分是市场营销领域对客户需求进行识别与管理的重要方法，依据细分程度不同，营销活动可以分为集合营销，细分市场营销，以及一对一营销。本文探讨这三个层次中，不同的数据挖掘方法如何被应用在需求预测与识别中。在集合营销层次上的销售预测对于大型零售企业的生产与物流规划非常重要，尤其在电子商务环境之下，相比于传统零售渠道，业务量更大，配送渠道更多，准确的销售预测可以避免供给不足导致的客户流失。与此同时，客户轮廓信息与行为记录数据也更加丰富，这为运用数据挖掘的预测分析提供更准确的客户需求预测带来了新的动机。本文中探讨了如何通过人工神经网络模型与支持向量机模型，充分利用销售历史数据中的特征属性作为输入向量，在不同特点的营销环境中发现客户需求的内在模式，从而提高销售预测准确性。集合营销对于企业方的预测与决策是重要的，然而完善长久的客户关系还需要企业更深入地了解客户，细分市场营销是被企业广泛应用并认可的客户管理方法。然而针对集合营销、细分市场营销与一对一营销的优劣势，很少有模拟性实验的验证比较。本文将针对这三种营销方式，利用不同聚类方法实现客户细分，并在不同客户细分层次上，建立预测分析模型，通过实验验证个性化营销对于预测与识别客户需求的优势。个性化营销，将成为企业在日趋激烈的市场竞争中，深度挖掘客户需求与潜能的核心思想。推荐系统将是个性化营销在电子商务环境下越来越重要的工具。然而与单纯的推荐平台不同，企业在为客户提供个性化推荐的同时，需要考虑企业与客户的互动对客户选择的影响，以更好地规划商业活动。因此本文充分探讨了时效因素在推荐系统中的作用，并提出了一个综合长期与短期时效因素的模型框架，用以追踪客户自身偏好随时间的变化，以及客户在与推荐系统互动的当下受外界因素的影响情况。另外，由于企业通过推荐系统实现个性化营销的最终目的是提高客户终身价值，最大化企业盈利，因此本文最后会讨论考虑企业盈利的推荐系统应用。