随着科技的不断发展,网络技术和数据库技术得到广泛的应用,企业存储的数据量也急剧上升。虽然企业拥有着大量的客户数据,但却无法从海量数据中提取蕴藏在其中的商业信息。如何能从数据中找出规律和模式,获取商业信息,帮助企业更好的进行决策支持成了当前研究的热门话题。客户关系管理(CRM)是企业的一种商业策略。而客户细分则是CRM的首要问题,将聚类技术运用到客户细分中,能够为企业进行客户分析提供更多有价值的信息。K-means算法是主要的聚类算法之一,它是一种基于划分的聚类算法。本文在对该算法研究的基础上,试图将该算法进行改进。同时在算法应用方面,将聚类技术应用于客户细分,客户细分是企业能够进行有效客户管理的前提和依据,因此这方面的研究具有实际指导意义。本文的主要研究工作有以下几个方面：本文分析了聚类技术的概念、功能、流程以及常用算法的优缺点,重点探讨了K-means算法的相关理论以及算法的优缺点,同时针对该算法的缺点提出了一种改进的K-means算法。首先针对K-means算法度量函数的单一性引入了度量函数规则,使算法能够针对不同的数据集选择相应的度量函数。其次针对算法对初始聚类中心敏感以及无法确定k值的问题,引入轮廓系数以及最大距离函数的方法来确定k值及初始聚类中心,从而得到了一个稳定的聚类结果。通过仿真实验证明了算法的可行性和有效性。文章最后介绍了客户细分的相关概念和细分方法,并将传统的K-means算法与改进的K-means算法应用到客户细分当中,通过对两种算法的细分结果进行比较分析,验证了改进的K-means算法能有效的增强聚类效果,在实际应用中是可行的。