通过对客户相关属性数据进行分析,挖掘出客户群的共性行为特征,企业依据这些特征,采取对应的措施,为客户提供差异化的主动服务,改变传统“被动”式的服务模式,为客户创造更多的价值。这样可以帮助企业有效地赢得客户,提升企业的业绩,提高在市场上的竞争力。通过数据挖掘深入了解客户行为信息,并将这种信息转化为知识,为客户提供有针对性的主动服务,提高客户满意度,保持现有客户,发展潜在顾客,已经成为电信业、保险业等行业以及众多学者所关注的问题。本文始终围绕客户群共性特征知识发现这一主题展开研究,综合运用人工智能、数据挖掘、知识发现和客户管理等IT技术和管理理论与方法,分别探讨了客户群的划分理论、群体间相似性度量方法,以及客户群共性特征挖掘的具体思路。对一些薄弱的、存在不足的环节进行了改进,使得客户特征知识发现更加有效和合理。本文的主要内容如下：首先,较全面地查阅了国内外相关的文献,对数据预处理、粗糙集理论及算法、基于粗糙集的客户知识发现和基于数据挖掘的客户关系管理四个领域的研究现状进行了分析。其次,对客户群体间相似性度量算法进行了研究。度量客户群体之间的相似性,有助于判断客户群划分是否有效,以及可以帮助分析人员从宏观上把握客户群之间的关系。本文对传统的相似性度量算法进行了比较分析,基于已有算法的不足,提出适用于多属性客户群之间相似性的度量算法。再次,对客户群共性特征知识发现的四个关键环节,即连续型数值离散化过程中离散边界的选取、条件属性的选取、确定关联规则过滤的条件和决策规则的表达,分别进行了探讨,并提出相应的解决策略。利用云模型理论,进行概念的泛化,将连续性数据离散化,实现属性值软划分；利用Spearman等级相分析对已离散化后的各项属性值进行相关性分析,剔除具有显著性相关性的属性,然后运用一种基于遗传算法的属性约简算法对属性进行约简；设置可信度和支持度两个指标值,用它们对挖掘出的决策规则进行了过滤；采用决策树方法,来将这些决策规则更加直观地表达出来。最后,运用实例数据对挖掘客户群共性特征知识的过程进行了模拟和验证。