【摘要】：客戶關系管理（Customer Relationship Management）簡稱（CRM）對改善客戶與企業(yè)間的關系，有著至關重要的作用。對龐大客戶信息的高效、精準的分類，是進行有效客戶管理的基礎和重要技術。提高電信企業(yè)競爭力的重點在于，如何將數(shù)據(jù)庫中看似毫無關聯(lián)不具備價值的數(shù)據(jù)通過系統(tǒng)的整合，提煉出有用的數(shù)據(jù)信息，并對此進行分析研究來制定差異化以及個性化的服務。 數(shù)據(jù)挖掘通過數(shù)據(jù)分析，從大量的原始數(shù)據(jù)里發(fā)現(xiàn)其內在規(guī)律。其工作過程一是數(shù)據(jù)準備：從相關數(shù)據(jù)庫中選取數(shù)據(jù)，這些數(shù)據(jù)又會被整合成可以被用于數(shù)據(jù)挖掘的數(shù)據(jù)集合；二是發(fā)現(xiàn)規(guī)律：使用數(shù)據(jù)準備時所得到的數(shù)據(jù)集合，采用某種方法，將這些數(shù)據(jù)集合之間的規(guī)律尋找和總結出來。本文主要針對數(shù)據(jù)挖掘技術中的一個重要領域：聚類分析進行研究分析并將其投入到現(xiàn)實企業(yè)決策中去。聚類挖掘其本質就是要將那些非實體的對象集合分組，使之成為由許多相似對象所形成的對象類的一個過程，其主要工作就是把收集來的那些相似的數(shù)據(jù)進行分類和聚合。 本文參閱了大量的國內與國外的文獻資料，對數(shù)據(jù)挖掘技術、客戶關系管理系統(tǒng)、電信行業(yè)客戶分類模型進行了深入且細致的研究。針對基于聚類挖掘的客戶關系管理系統(tǒng)中的客戶分類，開展了以下幾項研究工作： 1．建立有利于數(shù)據(jù)分析的客戶分類模型�？蛻舴诸惸Ｐ偷慕⒋蟠筇岣唠娦牌髽I(yè)對用戶的分類，把具有某種消費習慣或者消費傾向的用戶歸集起來，本論文主要正對短信高頻使用用戶類，制定有針對性的營銷策略。該客戶分類模型可以將大量具有相似特征的用戶歸集起來，形成某個特定的客戶類別，是企業(yè)能夠量化的對某一用戶類進行分析，制定適合的電信產(chǎn)品和服務。 2．從兩方面入手對原有的K-means算法進行優(yōu)化分析。其一本文對初始聚類中心進行優(yōu)化：更好的劃分效果是通過對原始聚類中心的選擇而得到的。它使得不同聚類中的對象是不相似的，但一個聚類中的對象卻是相似的。同時本文運用數(shù)學幾何定律：“三角形兩條邊的長度必定大于第三條邊”來降低k-means算法的總時間復雜度。以此來盡可能的達到減少迭代次數(shù)，，提高挖掘性能的目的。通過對比發(fā)現(xiàn)，優(yōu)化后的算法比傳統(tǒng)的K-means算法具有更好的性能。 3．確定客戶分類模型中所用到的分類變量和描述變量。消費者由于各種因素之間的差異，本身也呈現(xiàn)出多樣化，對于消費者而言，根本沒有單一的策略可以對應所有客戶的需求，單一的產(chǎn)品選擇都不是一種優(yōu)秀的戰(zhàn)略選擇，而客戶分類在本質上就是為迅速提高一個大型多元化的組織管理水平提供了實際的可能性�？蛻舴诸愐钥蛻粝M行為和客戶價值為研究變量，將客戶人口特征，參考客戶心理消費因子作為參考依據(jù)，從而建立起了一套基于數(shù)據(jù)挖掘的客戶分類模型。 4．將SPSS公司開發(fā)的Clementine7.0作為開發(fā)工具，對上述研究得出的客戶分類模型通過電信客戶數(shù)據(jù)進行驗證，成功得出客戶分類組。同時本文選取了聚類挖掘結果中的短信高頻使用組為分析對象，對其消費習慣和消費傾向進行深入分析并制定出了相應的營銷策略。結果表明：本文的工作將對改善電信行業(yè)的客戶管理，提高用戶滿意度，以及提升電信運營商的市場競爭力，起到一定的支撐作用。
[Abstract]:Customer Relationship Management (CRM) plays an important role in improving the relationship between the customer and the enterprise. The efficient and accurate classification of large customer information is the foundation and important technology for effective customer management. The key point of improving the competitiveness of the telecom enterprise is how to make the data that appear to have no value in the database through the integration of the system, to extract useful data information, and to analyze the research to develop the differentiated and personalized service. Data mining, through data analysis, has found its inside gauge from a large number of raw data law. The process of work is data preparation: data is selected from the relevant database, and the data can be integrated into a collection of data that can be used for data mining; the second is the rule of discovery: the set of data obtained when using the data, and the use of a certain party The method of finding and summarizing the rules between the sets of data. This paper is mainly focused on an important field in data mining technology: the cluster analysis is used to study and analyze and put it into the decision-making of the real enterprise The essence of the clustering mining is to group the objects of the non-entities into a process of the class of objects formed by many similar objects, the main task of which is to classify and gather the similar data collected. In this paper, the author has made a deep and detailed study on the data mining technology, the customer relationship management system and the customer classification model of the telecom industry. The following research is carried out for the customer classification in the customer relationship management system based on the cluster mining. Research work:1. Establish a customer who is in favor of data analysis The establishment of the customer classification model will greatly improve the classification of the telecommunication enterprises to the users, and set the users with a certain consumption habit or the consumption tendency. The customer classification model can set a large number of users with similar features together to form a specific customer category, which can be quantified by the enterprise to analyze a certain user class and formulate a suitable telecommunication system. product and service.2. Start with the original K-means calculation from two aspects In this paper, the initial cluster center is optimized: the better partitioning effect is through the original clustering center It makes the objects in different clusters not similar, but in one cluster The object is similar. At the same time, the paper applies the law of mathematical geometry: the "The length of the two sides of the triangle must be greater than the third edge" to reduce the k-means algorithm the total time complexity can be achieved as much as possible to reduce the number of iterations, increase, The purpose of the mining performance is to compare and find that the optimized algorithm is more than the traditional K-means algorithm. with better performance.3. Determine what is used in the customer classification model Categorical variables and description variables. The difference between a variety of factors is, in itself, a variety. For consumers, there is no single policy at all to correspond to the needs of all customers, and a single product choice is not An excellent strategic choice, and the customer classification is to improve the management level of a large and diversified organization in essence The actual possibility is provided. The customer classification takes the customer's consumption behavior and the customer value as the study variable. The customer's demographic characteristics, reference customer's psychological consumption factors are used as the reference basis, and a set of data based on the data is established. and 4. using the Clementine 7.0 developed by the SPSS, as a development tool, to carry out the test on the customer classification model obtained by the above research through the telecommunication customer data; At the same time, the paper selects the short message high-frequency use group in the cluster mining result group as the analysis object, and analyzes the consumption habit and the consumption tendency. The results show that the work of this paper will improve the customer management in the telecom industry, improve the user's satisfaction, and improve the market competition of the telecom operators.
【學位授予單位】：上海交通大學
【學位級別】：碩士
【學位授予年份】：2013
【分類號】：TP311.13

【相似文獻】

相關期刊論文 前10條

1 黃明,王武龍,梁旭;基于遺傳算法的高效聚類挖掘新算法[J];大連鐵道學院學報;2002年04期

2 雷紅艷;鄒漢斌;;限制隱私泄露的隱私保護聚類算法[J];計算機工程與設計;2010年07期

3 劉振名;趙可新;劉振亮;;多維數(shù)量關聯(lián)規(guī)則聚類挖掘研究[J];煤炭技術;2011年06期

4 鄧云桂;石雅迪;曹三省;;互動業(yè)務用戶行為特征聚類挖掘算法研究[J];電視技術;2009年05期

5 李衛(wèi)東,宋威,楊炳儒;利用數(shù)據(jù)挖掘方法分析客戶生涯價值[J];計算機工程與應用;2005年06期

6 蘇錦旗;吳慧欣;薛惠鋒;;基于人工魚群算法的聚類挖掘[J];計算機仿真;2009年02期

7 茍元琴;;聚類分析在圖書館館藏書目中的挖掘與應用[J];內蒙古科技與經(jīng)濟;2009年13期

8 蘇守寶;郁書好;陳明華;;基于智能計算的聚類挖掘研究進展[J];計算機測量與控制;2006年05期

9 姜華;孟志青;周克江;肖建華;;多粒度時間下的近似周期挖掘研究[J];計算機工程;2010年03期

10 張國榮;印鑒;;分布式環(huán)境下保持隱私的聚類挖掘算法[J];計算機工程與應用;2007年18期

相關會議論文 前10條

1 郭學軍;陳曉云;;粗集方法在數(shù)據(jù)挖掘中的應用[A];第十六屆全國數(shù)據(jù)庫學術會議論文集[C];1999年

2 徐慧;;基于Web的文獻數(shù)據(jù)挖掘[A];第十七屆全國數(shù)據(jù)庫學術會議論文集（技術報告篇）[C];2000年

3 孫迎;;醫(yī)院信息的數(shù)據(jù)挖掘與方法研究[A];中華醫(yī)學會第十次全國醫(yī)學信息學術會議論文匯編[C];2004年

4 薛曉東;李海玲;;數(shù)據(jù)挖掘的客戶關系管理應用[A];科技、工程與經(jīng)濟社會協(xié)調發(fā)展——河南省第四屆青年學術年會論文集（下冊）[C];2004年

5 郭建文;黃燕;印鑒;楊小波;梁兆輝;;建立中風病“陰陽類證”辨證規(guī)范的數(shù)據(jù)挖掘研究[A];中華醫(yī)學會第十三次全國神經(jīng)病學學術會議論文匯編[C];2010年

6 薛魯華;張楠;;聚類分析在Web數(shù)據(jù)挖掘中的應用[A];北京市第十三次統(tǒng)計科學討論會論文選編[C];2006年

7 朱揚勇;黃超;;基于多維模型的交互式數(shù)據(jù)挖掘框架[A];第二十屆全國數(shù)據(jù)庫學術會議論文集（技術報告篇）[C];2003年

8 陳濤;胡學鋼;陳秀美;;基于數(shù)據(jù)挖掘的教學質量評價體系分析[A];全國第21屆計算機技術與應用學術會議（CACIS·2010）暨全國第2屆安全關鍵技術與應用學術會議論文集[C];2010年

9 王星;謝邦昌;戴穩(wěn)勝;;數(shù)據(jù)挖掘在保險業(yè)中的應用[A];北京市第十二次統(tǒng)計科學討論會論文選編[C];2003年

10 郭建文;黃燕;印鑒;楊小波;梁兆輝;;建立中風病陰陽類證辨證規(guī)范的數(shù)據(jù)挖掘研究[A];2010中國醫(yī)師協(xié)會中西醫(yī)結合醫(yī)師大會摘要集[C];2010年

相關重要報紙文章 前10條

1 李開宇　黃建軍 田長春;把“數(shù)據(jù)挖掘”作用發(fā)揮出來[N];中國國防報;2009年

2 華萊士;“數(shù)據(jù)挖掘”讓銀行贏利更多[N];國際金融報;2003年

3 記者　晏燕;數(shù)據(jù)挖掘讓決策者告別“拍腦袋”[N];科技日報;2006年

4 □中國電信股份有限公司北京研究院 張舒博 □北京郵電大學計算機科學與技術學院 牛琨;走出數(shù)據(jù)挖掘的誤區(qū)[N];人民郵電;2006年

5 張立明;數(shù)據(jù)挖掘之道[N];網(wǎng)絡世界;2003年

6 中圣信息技術有限公司 李輝;數(shù)據(jù)挖掘在CRM中的作用[N];中國計算機報;2001年

7 田紅生;數(shù)據(jù)挖掘在CRM中的應用[N];中國經(jīng)濟時報;2002年

8 王廣宇;數(shù)據(jù)挖掘 加速銀行CRM一體化[N];中國計算機報;2004年

9 周蓉蓉;數(shù)據(jù)挖掘需要點想像力[N];計算機世界;2004年

10 張舒博;數(shù)據(jù)挖掘 提升品牌的好幫手[N];首都建設報;2009年

相關博士學位論文 前10條

1 孫麗;工藝知識管理及其若干關鍵技術研究[D];大連交通大學;2005年

2 胡志坤;復雜有色金屬熔煉過程操作模式智能優(yōu)化方法研究[D];中南大學;2005年

3 劉革平;基于數(shù)據(jù)挖掘的遠程學習評價研究[D];西南師范大學;2005年

4 劉寨華;基于臨床數(shù)據(jù)分析的病毒性心肌炎證候演變規(guī)律研究[D];黑龍江中醫(yī)藥大學;2006年

5 王川;基因芯片數(shù)據(jù)管理及數(shù)據(jù)挖掘[D];中國科學院研究生院（上海生命科學研究院）;2004年

6 王濤;挖掘序列模式和結構化模式的精簡集[D];華中科技大學;2006年

7 郭斯羽;動態(tài)數(shù)據(jù)中的數(shù)據(jù)挖掘研究[D];浙江大學;2002年

8 李旭升;貝葉斯網(wǎng)絡分類模型研究及其在信用評估中的應用[D];西南交通大學;2007年

9 劉東升;面向連鎖零售企業(yè)的客戶關系管理模型（R-CRM）研究[D];浙江工商大學;2008年

10 余紅;網(wǎng)絡時政論壇輿論領袖研究[D];華中科技大學;2007年

相關碩士學位論文 前10條

1 廖賽恩;養(yǎng)生方數(shù)據(jù)挖掘分析系統(tǒng)的研制[D];湖南中醫(yī)藥大學;2010年

2 李坤然;數(shù)據(jù)挖掘在股市趨勢預測的應用研究[D];中南林業(yè)科技大學;2008年

3 鄭宏;數(shù)據(jù)挖掘可視化技術的研究與實現(xiàn)[D];西安電子科技大學;2010年

4 杜金剛;數(shù)據(jù)挖掘在電信客戶關系管理及數(shù)據(jù)業(yè)務營銷中的應用[D];北京郵電大學;2010年

5 徐路;基于決策樹的數(shù)據(jù)挖掘算法的研究及其在實際中的應用[D];電子科技大學;2009年

6 梁小鷗;數(shù)據(jù)挖掘在高職教學管理中的應用[D];華南理工大學;2011年

7 王浩;數(shù)據(jù)挖掘在上海市職業(yè)能力考試院招錄考試優(yōu)化管理項目中的運用研究[D];華東理工大學;2012年

8 黎衛(wèi)英;數(shù)據(jù)挖掘在中職幼教課程改革中的應用[D];福建師范大學;2009年

9 張煜輝;數(shù)據(jù)挖掘和SPC在生產(chǎn)過程質量控制中應用研究[D];上海交通大學;2009年

10 劉華敏;數(shù)據(jù)挖掘在高職院校學生成績分析中的應用[D];安徽大學;2011年

本文編號：2439515