قوانین همبستگی یکی از موضوعات مهم و ضروری داده کاوی در هوش تجاری بوده که می تواند روابط بین مجموعه اقلام را در پایگاه داده بیابد. امروزه با توجه به رشد زیاد داده ها، الگوریتم های سنتی استخراج قوانین همبستگی در مواجه با داده های کلان با مشکلات زیادی روبرو می شوند. از جمله این مشکلات می توان به صرف زمان زیاد در برخورد با تعداد عظیمی از مجموعه کاندید، جهت دست یابی به مجموعه های مکرر به علت اسکن چندین باره پایگاه داده اشاره کرد. با توجه به مشکلات مطرح شده، الگوریتم های موازی قوانین همبستگی با کارایی بالا، بهترین انتخاب هستند. در این تحقیق هوش تجاری و داده های کلان را بررسی کرده و روابط بین آنها را بیان می کنیم. سپس جهت تحلیل رفتار خرید مشتریان، یکی از الگوریتم های سنتی استخراج قوانین همبستگی به نام aprioritid را با چارچوب موازی و توزیع شده نگاشت کاهش مدل کرده ایم، تا بتوانیم داده های کلان تراکنش های خرید مشتریان را در زمانی مناسب تر تحلیل کنیم. مدل ارائه شده سبب کاهش زمان دست یابی به مجموعه های مکرر و به تبع آن بهبود سرعت تحلیل سبد بازار می شود.