در سال های اخیر، همکاری شرکت ها با مشتریان به طرز چشمگیری تغییر کرده است. سازمانها برای اینکه به تجارت خودشان بپردازند به اطلاعات درستی از مشتریان و نیازمندی هایشان نیاز دارند. مدیریت ارتباط با مشتری به کمک داده کاوی، با کشف دانش پنهان و باارزشی که در پایگاه دادهای سازمان ها وجود دارد شرایط مناسبی را برای مدیریت ارتباط بین مشتریان و سازمان ها بوجود می آورد. یکی از روشهای تشخیص مشتریان خوشه بندی مشتریان است این عملیات هنگامی استفاده می شود که که ما به دنبال یافتن گروهی با داده های مشابه هستیم بدون اینکه شباهت موجوداز قبل پیش بینی شده باشد. در این پژوهش تلاش بر آن شده است تا مدل rfm را با اضافه نمودن دو متغییر جدید (اولین زمان خرید و متوسط زمان خرید) بهبود داده و با استفاده از روش k-means و k-means فازی آن را خوشه بندی کند و بر اساس دو معیار تراکم درون خوشه ای و برون خوشه ای مدل ارائه شده را ارزیابی کند و با rfm معمولی مقایسه نماید. سپس با استفاده از درخت تصمیم گیری خوشه های بهینه را گروه بندی کرده و به چهار گروه تقسیم بندی کند: مشتریان وفادار، مشتریان فعال، مشتریان جدید و مشتریان غیر فعال. همچنین استراتژی هایی مربوط به مدیریت ارتباط با مشتری برای هر گروه ارائه خواهد شد. در پایان، ماشین نرم افزاری با استفاده از شبکه عصبی که الگوریتمی فرا ابتکاری می باشد جهت تحلیل دوره ای مشتریان طراحی گردیده است. با اجرای این مدل، ما می توانیم درصد مشتریان در حال سقوط را کاهش دهیم. این اقدام از طریق تشخیص مشتریانی که ارتباط شان با سازمانها در حال نابودی است انجام می شود. ارائه این مدل شرکت را قادر به خوشه بندی مشتریان بر اساس ارزش میکند.