在当今信息化时代,对客户的争夺能力已经成为电商企业能否继续生存和发展的决定性因素,客户关系管理（CRM,Customer Relationship Management）业已成为电商企业生存发展的重中之重,而客户细分则是客户关系管理的基础。如何从海量的客户数据中提取出客户行为特征进行客户细分,从而实施差异化营销,是电商企业亟待解决的问题。本文通过对电商客户细分相关文献的研究,详细分析电商客户细分需求,针对电商客户细分问题的痛点和难点,提出了数据分区的OPTICS（Ordering Point To Idenfy the Cluster Structure）算法,并在公开数据集上和三种经典算法进行对比实验,实验结果表明,本文算法有效地提高了聚类精准性。对于电商客户数据量大等问题,搭建了分布式大数据平台,利用Spark计算框架对淘宝某服装店铺进行客户细分,并对细分结果进行细致地分析。论文的主要工作如下:首先,针对电商客户细分领域存在的问题,提出DP-OPTICS（Data PartitionOPTICS）算法。该算法在传统的OPTICS算法基础上引入了K-dist图,将K-dist图与改进的K-means算法相结合进行数据分区;在不同的数据分区内用OPTICS算法进行局部聚类;最后依据各分区数据的聚类结果进行分区合并,以数据分区的方式解决电商行业客户细分中数据密度不均匀的问题。其次,本文在多个公开数据集上使用DP-OPTICS算法与K-Means算法、AP（Affinity Propagatio）算法以及OPTICS算法进行对比实验。实验结果表明,DPOPTICS算法在对密度不均匀的数据进行聚类时,明显缓解了密度聚类算法因采用全局ε值而导致的聚类效果不佳的问题,聚类准确性相较于三种经典算法有显著提高,聚类的结果更接近于数据的实际分布情况。最后,考虑到电商客户数据量巨大,本文提出利用多台PC机搭建分布式集群,建立了一个Yarn+HDFS+Spark的大数据平台,在该平台下使用DP-OPTICS算法完成电商客户细分实验,并对客户细分结果进行深入分析。利用熵权法计算各项指标权重,构建客户价值模型,分析每个类别客户群体的行为特征,并提出相应的营销策略。