本文就分析型CRM中客户细分的数据分类模型进行研究，主要工作与创新点如下： 　　首先，详尽研究了客户细分的主要方法，包括基于客户的统计学特征(如公司规模、经营业绩与公司信誉等)、基于客户的购买行为特征(如购买数量、购买的产品类型结构、购买频率等)和基于客户份额等对客户信息进行细分的传统方法，以及目前业界认可的基于客户价值的客户细分方法，并分别从客户和企业两个角度阐述客户价值评估模型。 　　其次，考虑到实际的CRM应用中，客户细分主要表现为对客户信息的分类和预测，因而论文结合数据挖掘的分类模型，着重研究了基于决策树分类模型的客户细分和基于神经网络分类模型的客户细分。 　　在基于决策树分类模型的客户细分中，介绍了决策树分类的概念、通用生成树算法和评价标准，总结分析了六种经典的决策树算法，并针对其中的决策树分裂标准和剪枝方法等技术要点进行详尽的阐述；在充分分析算法思想及流程的基础上，构建了运用决策树分类模型进行客户细分的应用实例。结果表明，应用决策树可以很好地进行客户细分，得到有价值的分类规则，对市场决策有较强的指导作用。 　　针对遗传算法和BP神经网络各自的优缺点，采用遗传算法训练BP的权重再和BP相结合的方法，构建了遗传BP分类模型，并将其应用于客户细分，得到了很高的分类准确率。 实践表明，将数据挖掘的分类模型用于客户细分是可行的，而且随着数据分类模型的不断完善、单个分类模型不断改进和多个分类模型互相结合，可以预测客户细分与数据挖掘的结合有着广阔的发展空间。 最后，对全文研究工作进行了总结，并对今后的研究趋势进行了展望。