Penelitian ini mengimplementasikan pipeline analitik dua tahap pada dataset Olist Brazilian E-Commerce Public, mengintegrasikan K-Means Clustering berbasis RFM (Recency, Frequency, Monetary) dengan Market Basket Analysis menggunakan algoritma FP-Growth dalam kerangka kerja CRISP-DM. Sebanyak 92.424 pelanggan unik dari 96.478 pesanan berstatus delivered dianalisis. K-Means Clustering dengan K=4 (Silhouette Score = 0,46) menghasilkan empat segmen pelanggan yang terbedakan secara perilaku: Potential Loyalists (47.963 pelanggan, kontribusi revenue 39,9%), At-Risk/Lost (35.455 pelanggan, 29,7%), Loyal Customers (6.272 pelanggan, 24,9%), dan Champions (2.734 pelanggan, 5,4%). Analisis FP-Growth yang dijalankan khusus pada transaksi multi-item per segmen mengungkap bahwa lebih dari 91% transaksi Olist merupakan pembelian satu item—karakteristik struktural yang membatasi pembentukan association rules. Meski demikian, rules bermakna tetap ditemukan: segmen Loyal Customers menghasilkan lift sebesar 16,05 untuk pasangan produk bebes → cool_stuff, sementara segmen At-Risk/Lost dan Champions menunjukkan asosiasi konsisten antara cama_mesa_banho dan casa_conforto (lift 4,12–4,30). Integrasi kedua metode membuktikan bahwa segmentasi KMeans memperkaya analisis FP-Growth dengan memungkinkan analisis asosiasi yang kontekstual per segmen, menghasilkan rekomendasi cross-selling yang lebih tepat sasaran dibandingkan analisis global.