当今,国内外金融企业为了取得更大的竞争优势,正在将市场营销理念从“产品导向”转变为“客户导向”。交叉营销可通过向客户提供一整套产品或者服务的解决方案,达到降低营销成本、扩大销售业绩、增加企业利润、增强客户的忠诚度的目的,因此成为近年来国内外很多学者研究的热点之一。但是,由于金融领域的数据分析具有量大、不确定性因素多等特点,导致当前的交叉营销大多是在缺乏对客户和产品的科学分析的情况下开展的,制定的交叉营销方案假设条件较多,没有针对性,效率比较低,实际应用价值不高。作者认为要进行有效的交叉营销,客户细分和产品关联分析是两个重要的环节。通过对客户的科学分类,可以分析各种类型客户的消费特点,形成针对客户群的营销策略,奠定交叉营销的基础;通过产品关联分析,可以明确各类产品的潜在联系,结合客户的历史交易记录,可以形成产品组合交叉营销方案。进一步将客户聚类分析和产品关联分析相结合,可以形成个性化的、实用高效的交叉营销方案。本文首先介绍了数据挖掘技术的理论基础,并阐述了该技术在金融领域中的研究和应用的现状,分析了存在的不足之处;在比较多种常用算法的基础上,选择K-means算法建立了客户细分模型,选择优化的关联规则Apriori算法建立了产品关联模型。为了保障客户细分模型产生的聚类结果的稳定性、合理性以及提高算法本身的执行效率,采用了Dan Pelleg和Andrew Moore对K-means算法的改进方法;接着将两个模型有效结合,构建了一个支持交叉营销的数据挖掘模型,提出了支持金融产品交叉营销的总体思路和技术解决方案;最后基于提出的数据挖掘模型和技术方案,设计了支持金融企业实施交叉营销的决策支持系统原型,并进行了模拟应用。