پس از ورود جدی بانک های خصوصی و موسسات مالی و اعتباری به عرصه بانکداری، رقابت بین موسسات و بانک ها به منظور شناسایی، جذب و حفظ مشتریان از اهمیت بالایی برخودار شده است. تحلیل رفتار مشتریان در سازمان های فعال در این حوزه که با تعداد کثیری از مشتریان در نقاط پراکنده با ویژگی های متفاوت سر و کار دارند، باعث موفقیت آنها در بازار رقابتی و مدیریت ارتباط موثر با مشتریان می شود. بخش بندی مشتریان، از رویکردهای داده کاوی که منجر به کشف گروه های مشابه از مشتریان می شود، اغلب بر اساس مدل ""تاخر خرید، بسامد خرید، و ارزش مالی آن"" ( RFM ) انجام می گردد. در این مقاله، الگوی جدید بخش بندی مشتریان بر پایه مدل توسعه یافته RFM به وسیله افزودن متغیر توالی روزهای انجام تراکنش (C) ارائه شده است. مشتریان بانک بر اساس مدل RFM و مدل پیشنهادی این پژوهش ( RFMC ) و با استفاده از الگوریتم خوشه بندی دو مرحله ای و بکارگیری گام های متدلوژی GRISP-DM بخش بندی شده اند. این پژوهش نشان می دهد، دقت مدل RFMC نسبت به مدل RFM در بخش بندی مشتریان این صنعت به مقدار 5.5% بیشتر است. پس از انجام فرایند خوشه بندی با استفاده از مدل پیشنهادی، مشتریان یکی از بانک های خصوصی کشور به 5 خوشه تقسیم شده اند. ضمن تحلیل رفتار مشتریان هر خوشه، مدلی مبتنی بر شبکه عصبی پیش خوراند برای پیش بینی شماره خوشه مشتریان بر مبنای ویژگی های رفتاری و جمعیت شناختی آنها توسعه داده شده است.