客户细分在商业活动中有广泛的应用，如个性化营销和目标产品开发。为了实现客户细分，通常使用聚类方法。然而，现代客户细分面临着高维度和混合型变量（即连续变量和分类变量的混合）的挑战。这对客户细分带来了巨大的难题，因为大多数现有的聚类方法仅设计用于单一类型变量的数据。此外，噪声变量的存在凸显了同时进行变量选择和数据聚类的必要性。基于这些问题，我们开发了一种基于戴维斯-鲍丁指数的稀疏聚类（DBI-SC）方法，用于处理高维混合型数据的客户细分。在该方法中，我们分别为连续变量和分类变量定义了不相似度度量。然后，设计了一个调整后的DBI标准，用以衡量每个变量对聚类的贡献。对于变量选择，我们应用稀疏聚类框架，并为混合型变量引入不同的惩罚参数。DBI-SC方法的筛选一致性性质也得到了研究。大量的模拟研究表明，DBI-SC方法在聚类和变量选择方面均表现出令人满意的性能。最后，使用所提方法对指定的驾驶服务数据集进行了客户细分分析。