En este documento, se investiga el impacto de los clústeres iniciales en la estabilidad de los métodos de segmentación de clientes basados en K-means. Proponemos un nuevo marco de segmentación de clientes, Gms-Afkmc2, basado en el modelo de mezcla gaussiana y ASSUMPTION-FREE K-MC2, un mejor método de K-means basado en clústeres, para obtener una mayor segmentación de clientes generando mejores clústeres iniciales. En primer lugar, se diseña un método de muestreo de datos basado en el modelo de mezcla gaussiana para generar un conjunto de datos de muestra de tamaño personalizado. En segundo lugar, se presenta un enfoque de agrupamiento de datos basado en ASSUMPTION-FREE K-MC2 para producir clústeres inicializados con el conjunto de datos propuesto. En tercer lugar, se utiliza el mejorado ASSUMPTION-FREE K-MC2 para obtener la segmentación final de clientes en el conjunto de datos original con los clústeres inicializados de la etapa anterior. Además, realizamos una serie de experimentos y los resultados muestran la efectividad de Gms-Afkmc2.