انتخاب مشتری یکی از نظریه‏های بازاریابی است که اولویت‏های مصرف کالا و خدمات را به هزینه‏های مصرف و نهایتا منحنی تقاضای مصرف‏کنندگان مرتبط می‏سازد. پیوند میان اولویت‏های شخصی، مصرف و منحنی تقاضا یکی از روابطی است که در حوزه اقتصاد دقیقاً مورد مطالعه قرار گرفته است. نظریه انتخاب مشتریان شیوه‏ای است برای آنالیز چگونگی دستیابی مشتریان به موازنه میان اولویت‏ها و هزینه‏ها، گرچه بودجه مشتری، سودمندی او را محدود می‏کند اما مشتریان دست‏یابی به موازنه ذکر شده را از طریق حداکثرسازی سودمندی انجام می‏دهند. اولویت‏ها عبارت از خواسته‏های هر فرد برای مصرف کالاها و خدمات هستند که بر مبنای درآمد یا توانایی خریداری کالاها و خدمات و زمان مشتریان مقوله انتخاب را شکل می‏دهند. درمدل‏سازی انتخاب مشتری تلاش می‏شود مدلی ایجاد شود که براساس ویژگی‏های مشتری، محصول و موقعیتی که خرید در آن رخ می‏دهد، محصولی (برند یا خدمت) را که مشتری خریداری خواهد کرد، پیش‏بینی کرد. به زبان یادگیری ماشین یک بردار ویژگی x (مشتری) در درون یکی از کلاس‏ها قرار می‏گیرد و براین اساس مدل انتخاب مشتری را می‏توان به عنوان یک دسته‏بندی‏کننده درنظر گرفت در حالی‏ که بردار ویژگی‏ها توصیف‏کننده مشتری، محصول و موقعیت می‏باشد و کلاس‏ها عبارتند از برندها (محصولات یا خدمات). در این تحقیق هدف ارائه مدلی جهت پیش‏بینی خرید مشتری با استفاده از روش‏آنلاین جمعی است. مدل‏های یادگیری جمعی ترکیبی از روش‏های یادگیری ماشین می‏باشند. نوعی از این ترکیب، ترکیب سریالی خوشه‏بندی و دسته‏بندی‏کننده است. در این روش مجموعه داده پس از خوشه‏بندی‏به گروه‏هایی تقسیم می‏شود. بر روی هریک از گروه‏های (خوشه‏ها) حاصل یک دسته‏بندی‏کننده آموزش می‏بیند و نتایج خوشه‏بندی به مجموعه آموزشی دسته‏بندی‏کننده‏ها تبدیل می‏شود. الگوریتم پیشنهادی خوشه‏بندی برپایه الگوریتم رقابت استعماری است که با تعیین تعداد خوشه‏ها در مجموعه داده‏ کار خوشه‏بندی را انجام می‏دهد. در محیط کسب و کار حجم داده‏ها رو به افزایش است. برای تحلیل و پیش‏‏بینی نمی‏توان منتظر تکمیل مجموعه داده ماند؛ پس لازم است یادگیری و پیش‏بینی در محیط آنلاین صورت پذیرد. ازاین‏رو در اینجا الگوریتم خوشه‏بندی آنلاین برپایه الگوریتم kmeans ارائه شده است. این الگوریتم با محاسبه خطای بدشکلی خوشه‏ها و با استفاده از نتایج خوشه‏بندی مرحله قبل و بدون تحمیل هزینه محاسباتی برای خوشه‏بندی مجدد، مجموعه داده ورودی جدید را خوشه‏بندی می‏کند. سپس خوشه‏ها به دسته‏بندی‏کننده‏ها برای آموزش ارسال می‏شوند و فرآیند پیش‏بینی به‏صورت آنلاین صورت می‏پذیرد. اندازه‏گیری دقت پیش‏بینی حاصل نشان می‏دهد که مدل ارائه شده از عملکرد خوبی برخوردار است.