随着中国经济的快速发展和壮大,银行业的经营环境发生了巨大的变化,竞争日益激烈,商业银行逐步以客户为中心,运用客户关系管理、客户知识管理等相关理论、方法和工具来管理客户、服务客户。考虑到银行客户的庞大及客户之间的差别,有必要对客户进行分类研究,使得银行能够准确把握现有客户的状况,并针对不同类别的客户采取不同的营销政策。鉴于客户分类在银行CRM中的重要作用,本文采用了理论和应用相结合的研究方法,对银行的客户信贷数据进行预处理操作,使用数据挖掘中非常流行的决策树分类算法来构建基于银行CRM的客户分类挖掘模型。本文首先使用C4.5算法(release 8)构建了银行CRM客户分类模型,在对该模型的分类预测结果进行评估之后,发现预测效果并不理想。然后,通过对银行客户数据的特点进行分析,发现C4.5算法的不足并提出一种改进算法IC4.5。IC4.5算法主要在以下方面进行改进:结合Fayyad的边界点判定定理提出一种连续属性离散化的改进方案;提出一种改进的离散属性分裂技术,该技术所生成的决策树是二叉的,能够从一定程度上降低决策树的复杂度;研究并实现了两种后剪枝技术REP和EBP。最后,将IC4.5算法应用于银行CRM的客户分类中,通过模型效果比较和评估,证明了IC4.5算法所构建的客户分类模型预测效果非常优秀,可以为银行管理者提供决策支持。本文结合银行业务及数据特点将数据挖掘技术较好地应用到客户分类预测中,可以帮助银行更好地认清客户价值,实施以客户分类为基础的差别化管理,最大限度地优化银行资源配置。