搜索
基于聚类技术的客户细分研究与应用作者：毛晓晨学位授予单位：南京邮电大学相似文献(10条)1.学位论文唐佳妮聚类技术及其在银行客户细分中的应用研究2009聚类作为数据挖掘的一个重要领域，近年来倍受人们的关注。它能够作为一个独立的分析工具获得数据的分布情况，观察每一类数据的特征，集中对特定的聚类集合作进一步地分析。聚类技术还可以作为其它算法（如分类和定性归纳算法）的预处理步骤。因此研究如何提高聚类算法的牲能具有重要的意义。K-均值聚类算法是目前用来解决聚类问题的非监督学习算法之一。相比其它的聚类算法，它的主要优点是计算速度快，并且可以得到较紧密的簇，尤其是对于球状簇。但是该算法也存在如下缺点：难以比较聚类结果的优劣；固定的簇数使得很难事先对K值做出预测，只能保证目标函数收敛到局部最优，许多研究工作者都在努力对它进行改善。本文采用理论与实践相结合的研究方式，在学习了聚类技术基本理论的基础上，针对K-均值算法迭代选取聚类中心的问题，对经典算法进行了改进。并选取了UCI数据库中专用的聚类测试数据集作为测试对象，进行实验分析和对比，验证改进后的算法提高了聚类分析的效率和结果的正确性。最后，本文以某商业银行客户信息数据为研究对象，利用改进后的K-均值算法，展开对银行客户细分问题的应用研究。通过分析银行的业务特点和客户的行为特征，选出能达到业务目标的细分变量。从提供的客户信息数据中抽取5500个样本记录作为数据源，导入原始数据后进行预处理，对它们进行数据清理和集成。使用统计分析软件SPSS13．0进行聚类分析，并采用判别分析方法对聚类结果进行验证和评估，从而得出最优的聚类结果。最后对结果进行解释，根据不同客户群的行为特征提出相应的营销策略作为参考。2.学位论文万志华聚类技术在客户关系管理中的应用研究2004客户关系管理(CRM)是最近几年兴起的一个概念,可以从三个层面来理解CRM,它是一种现代的经营管理理念,也是一整套解决方案,同时又是一套应用软件系统.CRM从功能上可以分为三类:运营型CRM、分析型CRM和协作型CRM.其中分析型CRM是CRM的核心,而实现分析型CRM的核心技术是数据挖掘和数据仓库技术.数据挖掘,简单地说,就是从大量数据中提取或挖掘知识.数据挖掘是一门交叉学科,涉及到许多学科,它从一开始就是面向应用的,CRM是数据挖掘的一个重要研究与应用领域.数据仓库是一个面向主题的、集成的、时变的、非易失的数据集合,支持管理部门的决策过程.数据仓库是实施CRM的基础.数据挖掘和数据仓库是融合与互动发展的,它们的应用可以大大提升CRM的效率,给企业带来更多利润.聚类分析是数据挖掘的一个重要分支,本文着重于划分算法和高属性维稀疏聚类算法的研究,并研究其在连锁超市CRM中的应用.为了数据挖掘的需要,本文首先构建了一个数据仓库,这也是数据预处理的一部分.接着研究了划分算法,针对划分算法对输入顺序和初始值敏感等缺陷,提出了一种动态的聚类算法(Partition-basedDynamicClusteringAlgorithm,缩写为PDCA):根据数据对象的密度大小排序,选取相隔较远的数据对象作为初始值,并根据给定的参数,在聚类的过程中动态地调整聚类个数,从而使聚类结果更加稳定、合理.然后将PDCA算法应用于客户细分,进行客户价值分析.本文还对基于稀疏特征向量的聚类算法(ClusteringAlgorithmBasedOnSparseFeatureVector,缩写为CABOSFV)进行了研究,发现其对输入顺序敏感、算法很不稳定、聚类质量不高等不足之处,因此,本文提出了集合的相似属性的概念,并且扩展了差异度的计算方法.最后将改进算法应用于客户购物模式分析,实践表明改进算法能够发现更好的知识.3.学位论文朵春红聚类分析在客户细分领域中的研究与应用2007本文分析了数据挖掘中的聚类技术以及聚类技术在客户细分领域中的研究现状。深入研究和分析了基于划分的K—means算法和基于密度的DBSCAN算法，结合两种算法的优点和不足给出了一种改进的算法——DBSK算法。该算法由于划分了数据集，降低了对主存的要求；算法中给出了计算各局部数据集参数的方法；对于分布不均匀的数据集，由于各个局部采用不同的参数值，使得算法对全局参数的依赖性降低，聚类质量更好。进行了仿真计算，仿真结果证明了算法的可行性和有效性。文章最后介绍了客户细分的相关概念和细分方法，并详细阐述了基于聚类技术的客户细分系统的设计以及实现。4.期刊论文朱秀丽.徐东.杨秋菊.ZHUXiuli.XUDong.YANGQiuju休闲服客户细分方法及客户关系管理-纺织学报2008,29(6)以国内某知名大型休闲服企业为实证研究案例,在构建加盟商客户价值评价体系的基础上,分别运用客户价值ABC金字塔分类法与客户价值聚类技术和矩阵模型分类法,对休闲服加盟商进行了客户细分的研究.研究结果表明,对于休闲服加盟商客户,采用聚类技术和矩阵模型分类法,可更加科学、全面、合理地细分客户.进一步提出了客户差异化管理策略,制定了进行客户关系管理的差异化管理策略模板,可有效提升服装企业对加盟商客户关系管理的客观性、合理性.5.学位论文杨志勇银行卡数据挖掘案例分析2004银行卡业务在我国的发展方兴未艾,竞争也日益激烈.商业银行正在转变着经营和服务的方式,这种转变需要准确了解客户的行为特征.数据挖掘技术能够从海量的银行卡业务数据中发现一些未知的、有价值的规律,无疑将会为银行的这种转变提供强有力的支持.本文的重点研究以客户为中心的、能够很好应用数据挖掘技术的银行卡业务系统的数据特征,进而在此基础上利用真实银行卡交易数据,根据银行的实际需要进行案例分析.本文的主要内容如下:(1)分析了适应新竞争形势需要的银行卡业务系统应具备的数据特征.介绍了系统设计思想、系统结构、系统数据的处理和存储,以及构造银行卡数据集市等内容.(2)以一段时间内的账户日均余额、账户交易次数和累计交易金额为度量值,利用聚类技术对银行卡客户进行细分,并且根据每个客户划分的交易行为特征对其进行了定性描述.(3)以账户余额流失的绝对量和百分比为度量值,利用聚类技术建立余额流失模型,对存在余额流失的账户进行划分来寻找真正的余额流失者,并且量化流失标准.(4)在前人理论公式的基础上,通过调研确定了各项数据,定量计算了客户价值.6.学位论文尹波聚类分析及其在移动通信企业数据挖掘分析中的应用研究2008数据挖掘是指从数据库中发现隐含的、新颖的、有用的信息的过程，已经在许多领域得到了广泛的应用。聚类分析是数据挖掘的主要技术手段之一，至今已在理论和方法上取得了丰硕的研究成果。随着近年来数据密集型企业数据仓库等决策支持系统的建设以及企业对商业智能的需求，数据挖掘面临新的应用，聚类分析研究也面临更多新的内容和挑战。移动通信企业是典型的数据密集型企业，随着电信市场竞争的不断加剧，如何对客户进行细分和分类、并针对不同的客户群实施差异化营销和服务，已成为当前电信企业的迫切需求。本文针对移动通信企业的客户细分需求以及数据特性，研究和提出一种针对混合属性数据的聚类算法，并将其应用于移动通信企业的客户细分，在此基础上提出了基于客户细分的市场营销方法。所做工作归纳如下：1.介绍了数据挖掘技术，详细论述了数据挖掘中的聚类分析，总结了聚类分析的方法、特点和分类，重点讨论了混合属性数据聚类，具体研究了模糊K-Prototypes(FKP)算法，并指出了它的优缺点。2.针对模糊K-Prototypes算法对初始值敏感、容易陷入局部极小值的问题，提出了一种基于粒子群优化(ParticleSwarmOptimization，PSO)算法和FKP算法有机结合的混合聚类算法。该算法首先利用PSO算法确定FKP的初始聚类中心，再将PSO聚类结果作为后续FKP算法的初始值。实验结果显示，新算法具有良好的收敛性和稳定性，聚类效果优于单一使用FKP算法。另外考虑到样本矢量中各维特征对模式分类的不同影响，采用了ReliefF算法对特征进行加权选择。3.研究了聚类技术在移动通信企业客户细分领域的应用。论述了客户细分的基本理论、方法和步骤，建立了基于客户行为特征/消费心理的细分模型，在对湖南移动经营分析系统的客户信息原始数据进行商业理解之后，聚类技术实现了客户群的一种细分，并将该细分模型成功地应用于市场营销过程中的决策支撑。7.学位论文张建辉K-means聚类算法研究及应用2007聚类分析是数据挖掘中的一个重要研究领域，是一种数据划分或分组处理的重要手段和方法。聚类无论在商务领域，还是在生物学、Web文档分类、图像处理等其他领域都得到了有效的应用。目前聚类算法大体上分为基于划分的方法、基于层次的方法、基于密度的方法、基于网格的方法、基于模型的方法以及模糊聚类。k-means算法是聚类算法中主要算法之一，它是一种基于划分的聚类算法。本文在该算法的研究基础上，试图将该算法进行改进。同时在算法应用方面，将聚类技术用于客户细分方面，客户细分是企业能够进行有效客户管理的前提和依据，因此这方面的研究具有实际指导意义。本文第一部分，主要阐述所研究对象的背景资料以及本文所要达到的目的，并说明研究的思路和整体内容。第二部分，主要介绍聚类分析的基础知识和聚类分析的基本方法，分析现有的不同算法，相互比较得出各个算法的优缺点。分析了基于划分的典型算法K-means算法，对其优点和缺点进行了详细的分析。第三部分为本文的应用部分，将聚类技术应用于客户细分，通过层次分析法建立客户的价值体系，量化客户价值；在此基础上应用聚类技术，将客户划分成不同的类，由此来有效的开展客户管理，具有一定的实际意义。目前己经有一些客户价值评价体系，但度量模型不够成熟。衡量指标一般是客户对于企业的直接利润贡献，定量上也存在一定的难度。本文运用数据挖掘的方法，从企业的实际情况出发，通过一系列可操作的客户价值评价指标，建立适合企业发展的客户价值评价模型，并由此来度量客户价值、细分客户，建立客户价值管理的决策支持系统。第四部分为本文的核心章节。主要对k-means算法进行了改进。改进的算法A有效的解决了算法对初始值K的依赖，能够自动生成类数K；同时该算法对初始中心点选取比较严格，各中心点的距离较远，这样避免了初始聚类中心会选到一个类上，一定程度上克服了算法限入局部最优状态。为能进一步提高算法的计算效率，提出了改进算法B，该算法结合了抽样技术和层次凝聚算法对原算法进行了改进，得到的新算法B更有效。最后，叙述了论文的主要工作，并指出进一步的研究方向。8.学位论文郑鹏数据挖掘技术在证券客户关系管理中的应用2009随着证券市场的竞争加剧，证券行业的利润空间越来越小，各券商也在不停地寻求经纪券商生存之道。经过多年的不懈探索，各大券商已经普遍认识到：证券业的核心是客户，完善、及时、准确的客户服务才能真正吸引客户、留住客户。因此，券商纷纷将证券业务的中心转移到客户服务上。客户关系管理是由Gartnergroup提出的先进的管理理念，它是一种旨在改善企业与客户之间关系的新型管理机制，认为可以通过提供优质服务吸引和保持更多的客户，其应用在国外已有一定的成效，并逐渐成为主流。本文借鉴CRM理念，认为对客户细分的有效应用是建立企业核心竞争力的关键。针对证券公司常用的散户、大客户的粗糙客户类别划分，以国内某证券公司客户数据为基础，采用聚类技术对客户细分及其应用进行了研究。数据挖掘(DataMining)就是从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们未知的、但又是潜在有用的信息和知识的过程。本文介绍了CRM这种“以客户为中心”的先进的经营管理念。并详细介绍了其应用现状，结合应用现状，提出客户关系管理必须与数据挖掘紧密结合应用的问题。由于证券公司客户数据庞大而且复杂，较适合用划分聚类法。本文采用经典的K-means算法细分客户。首先运用数据仓库技术建立了客户交易行为数据仓库，接着运用聚类技术完成了基于证券公司客户交易行为数据仓库的证券公司客户细分。对不同客户细分类型根据其交易