近年来,电子商务得到了迅猛发展,越来越重要的客户资源已变成企业取得并保持竞争优势的重要因素。企业的工作重心逐渐转移到客户上面,资源也投入到发展和维持客户上,采用差异化的营销手段来提升客户满意度,而实现精准营销的前提就是有效的客户细分。而客户细分的有效性取决于使用的模型和方法,传统过于简单和粗糙的模型和方法必然难以满足日渐多样化的企业要求和客户需求,而数据挖掘技术可以高准确度、高效率地处理复杂的模型和数据,从而对客户群进行精确分类和描述,充分体现各类客户的综合特征,企业营销部门据此可以细致地了解并分析客户的特点,甚至可以实现对顾客的动态追踪,继而提出有效的营销计划,达到最终目标。论文在阐述客户细分理论后,在分析了其细分依据、方式、要求、局限性及在B2C电子商务环境下的变化的基础上,从人口统计属性、心理特征属性、消费行为和客户价值以及网络影响四个方面分析,建立了B2C电子商务客户细分指标体系,其中根据电子商务交易的特性,在一些基本属性的基础上,添加了保持水平、支付方式、平均利润价值和网络影响因素等属性,以供进行聚类分析选择指标时参考。此外,论文选择聚类分析作为进行B2C电子商务客户细分的方法,对聚类分析的原理、特点以及划分做了较为充分的说明和总结,重点介绍了K-means算法、SL层次聚类算法、DBSCAN算法和两步层次聚类算法,分析了两步层次聚类分析算法在原理和思想上的优势及与电子商务客户细分的契合性,最后用仿真实验对几大聚类算法进行了比较,在准确率、算法效率和噪声处理能力方面给出了比较结果,最终确定两步层次聚类算法作为完成B2C电子商务客户细分过程的方法。最后是两步层次聚类算法在B2C电子商务客户细分领域的应用,从网站获取数据后,经过数据清洗和数据变换等数据准备过程,结合建立的指标体系和实际情况,确定最终参与聚类分析的客户指标,使用IBM的Clementine软件完成用两步层次聚类算法对数据的聚类过程,对聚类结果进行信息统计和结果分析,并给出了一定的建议。本文在客户细分理论和聚类分析理论的基础上,探讨了聚类分析在B2C电子商务客户细分领域中应用的问题,提出了自己的一些观点。