进入信息时代后,信息技术的高速发展和市场竞争的加剧促使客户关系管理这个概念的产生。客户关系管理的最终目标是提高企业的盈利能力,其直接目标是提高客户的满意度、改善企业与客户的关系。其应用主要包括客户的获取、交叉营销和客户的保持等方面。数据挖掘技术是在大量的数据中发现未知知识的数据分析技术。通过利用数据挖掘技术,分析客户数据,发现其中的规律,从而为客户关系管理提供决策依据。本文分析了客户关系管理系统的应用和发展现状,指出目前的客户关系管理系统普遍缺乏客户关系模型的建立,对客户数据停留在统计分析的层面上缺乏有效的数据分析技术对客户进行深入的了解,也就是数据挖掘技术应用不足。本文就这两方面展开研究,首先结合技术转移中心提出了一个客户关系指数模型,有了客户关系指数的数学模型就可以根据客户关系指数的高低划分客户群,可以使用数据挖掘技术分析客户群特征,从而有针对性的制定客户营销策略。本文对经典关联规则挖掘算法进行了研究,并对关联规则挖掘算法在客户关系管理系统中交叉营销和客户获取两方面的应用展开探讨。本文详细分析了Apriori算法的不足和性能瓶颈,并以此作为突破点改进了Apriori算法,以用于对技术成果成交记录进行关联规则挖掘。改进后的算法结合具体应用,扩展了布尔型关联规则挖掘算法,在现有的关系表上进行关联规则挖掘,而无需将关系表转化为水平的数据组织方式,使挖掘操作更简单方便。在产生频繁项集的过程中,改进算法省去了传统算法中创建候选集的步骤,避免了Apriori算法中为了产生频繁项集,需要生成大量候选集的缺点。通过对目前关联规则评价标准局限性的分析,改进算法引入了影响度度量方法,采用“支持度-置信度-影响度”框架作为评价关联规则的标准。影响度的增加使我们只需考虑规则后件与前件同时发生的百分比和规则后件随机发生的百分比有显著不同的规则,使随机关联关系从有用的关联关系中分离出来,并避免了高置信度的误导规则的出现。最后结合Apriori算法在技术转移中心CRM系统中交叉营销方面的应用对技术成果成交数据进行了分析,发掘数据模型。