【摘要】：隨著互聯(lián)網(wǎng)的廣泛應(yīng)用,淘寶、京東等電子商務(wù)平臺(tái)的蓬勃、快速發(fā)展,導(dǎo)致如今市場(chǎng)競(jìng)爭(zhēng)日益激烈,傳統(tǒng)的實(shí)體零售企業(yè)面對(duì)數(shù)量巨大的消費(fèi)者群體,采用原有的大眾化營(yíng)銷方式不僅成本高而且沒(méi)有優(yōu)勢(shì)。對(duì)客戶進(jìn)行分類在實(shí)體零售行業(yè)的關(guān)系管理中發(fā)揮著重要的作用,可以針對(duì)不同用戶群體進(jìn)行精準(zhǔn)的市場(chǎng)營(yíng)銷,能提高企業(yè)營(yíng)銷策略的效率,獲得更好的營(yíng)銷效果。傳統(tǒng)數(shù)據(jù)分析方法難以處理海量的用戶數(shù)據(jù),因此,采用數(shù)據(jù)挖掘技術(shù)中的聚類分析算法實(shí)現(xiàn)企業(yè)客戶的分群。論文首先介紹了數(shù)據(jù)挖掘和聚類分析的相關(guān)技術(shù),包括數(shù)據(jù)挖掘的概念、挖掘的過(guò)程和方法以及聚類分析技術(shù)的定義、評(píng)價(jià)標(biāo)準(zhǔn)等,并列舉了幾種常用的聚類算法。然后簡(jiǎn)要介紹了實(shí)體零售客戶分類的一些相關(guān)概念,說(shuō)明了實(shí)體零售客戶分類的重要性和必要性。文章重點(diǎn)討論了標(biāo)準(zhǔn)的蟻群聚類算法以及它的發(fā)展和存在的問(wèn)題,并試圖從幾方面改進(jìn)蟻群聚類算法:螞蟻聚類過(guò)程中的移動(dòng)方向選擇、算法的收斂速度以及降低算法對(duì)參數(shù)設(shè)置的依賴性。然后提出了一種改進(jìn)的蟻群聚類算法方案,并采用改進(jìn)的蟻群聚類算法對(duì)Iris數(shù)據(jù)集中的全部數(shù)據(jù)進(jìn)行聚類,實(shí)驗(yàn)結(jié)果表明,改進(jìn)后的算法準(zhǔn)確率更高,算法的收斂速度也更快,證明了改進(jìn)后的蟻群聚類算法是有效的。最后,將改進(jìn)后的聚類算法應(yīng)用到某實(shí)體零售企業(yè)的客戶分類中,按照客戶一段時(shí)間內(nèi)的總消費(fèi)金額、總消費(fèi)次數(shù)以及最近消費(fèi)的時(shí)間進(jìn)行分類,根據(jù)用戶的行為數(shù)據(jù)將用戶聚類到不同的簇,得到聚類結(jié)果,并根據(jù)結(jié)果對(duì)各個(gè)類別的特點(diǎn)進(jìn)行分析,對(duì)各簇的客戶進(jìn)行了分析,提出針對(duì)性的營(yíng)銷及決策方案。
【圖文】：

第６章主要是對(duì)本論文的整體內(nèi)容進(jìn)行了概括和總結(jié)，并提出了未來(lái)可以進(jìn)逡逑行優(yōu)化的幾個(gè)方面，然后對(duì)以后的研究方向做出了展望。逡逑本論文主要研宄內(nèi)容的框架如圖１．２所示。逡逑－８邋－逡逑

夠在發(fā)展新客戶的同時(shí)留住老客戶是其能夠持續(xù)發(fā)展的關(guān)鍵之一。目前，各個(gè)商逡逑場(chǎng)都己經(jīng)實(shí)行了會(huì)員制，通過(guò)會(huì)員卡的機(jī)制，企業(yè)積累了大量的客戶數(shù)據(jù)，包括逡逑個(gè)人信息和購(gòu)買信息等，如圖３．１所示。通過(guò)對(duì)這些信息進(jìn)行更氋層次的分析，逡逑就能夠?qū)哂胁煌袨榈目蛻暨M(jìn)行分類，，針對(duì)不同的客戶群提供不同的營(yíng)銷方案逡逑和服務(wù)，發(fā)現(xiàn)并提升客戶價(jià)值，最終達(dá)到提高企業(yè)利潤(rùn)的目的。逡逑－２７－逡逑
【學(xué)位授予單位】：大連海事大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：F274;F724.2

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 董凌艷;徐紅麗;;基于改進(jìn)型蟻群算法的AUV路徑規(guī)劃[J];自動(dòng)化與儀表;2017年03期

2 王東;王理想;范偉;;一種改進(jìn)的CLIQUE高維子空間聚類算法[J];半導(dǎo)體光電;2016年02期

3 胡志剛;鄭文賓;左中利;;基于ANP及K-means聚類的零售終端分類評(píng)價(jià)模型及應(yīng)用[J];現(xiàn)代商業(yè);2015年36期

4 張陽(yáng);何麗;朱顥東;;一種改進(jìn)的K-means動(dòng)態(tài)聚類算法[J];重慶師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2016年01期

5 張欣;高衛(wèi)國(guó);蘇運(yùn);;基于函數(shù)型數(shù)據(jù)分析和k-means算法的電力用戶分類（英文）[J];電網(wǎng)技術(shù);2015年11期

6 張立毅;王迎;費(fèi)騰;周修飛;;混沌擾動(dòng)模擬退火蟻群算法低碳物流路徑優(yōu)化[J];計(jì)算機(jī)工程與應(yīng)用;2017年01期

7 周發(fā)超;王志堅(jiān);葉楓;鄧玲玲;;關(guān)聯(lián)規(guī)則挖掘算法Apriori的研究改進(jìn)[J];計(jì)算機(jī)科學(xué)與探索;2015年09期

8 彭英;萬(wàn)夢(mèng)婷;肖杉杉;馮國(guó)珍;;基于客戶價(jià)值的零售企業(yè)客戶分類評(píng)價(jià)指標(biāo)體系構(gòu)建[J];中國(guó)市場(chǎng);2014年38期

9 林金灼;葉東毅;;基于蟻群聚類算法的優(yōu)化與改進(jìn)[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2013年12期

10 張建偉;王玲艷;姚云磊;;一種基于OPTICS聚類的流量分類算法[J];鄭州輕工業(yè)學(xué)院學(xué)報(bào)(自然科學(xué)版);2013年02期

相關(guān)碩士學(xué)位論文 前10條

1 張麗媛;基于蟻群聚類算法的第三方B2B平臺(tái)買方客戶偏好研究[D];東南大學(xué);2016年

2 吉陽(yáng);數(shù)據(jù)挖掘在銀行客戶關(guān)系管理中的應(yīng)用研究[D];石河子大學(xué);2016年

3 馮棣夫;聚類分析在H銀行客戶分類中的應(yīng)用[D];華南理工大學(xué);2015年

4 劉嬋;蟻群與K均值聚類算法融合研究及其在用戶分群中的應(yīng)用[D];西南科技大學(xué);2015年

5 周穎;基于蟻群算法的聚類分析在學(xué)生成績(jī)中的研究[D];南昌大學(xué);2015年

6 郭艷茹;k-中心平面聚類模型與算法研究[D];浙江工業(yè)大學(xué);2015年

7 楊曉斌;改進(jìn)的BIRCH算法在電信客戶細(xì)分中的應(yīng)用[D];合肥工業(yè)大學(xué);2015年

8 王磊;蟻群聚類算法在差異工件批調(diào)度問(wèn)題的應(yīng)用研究[D];安徽大學(xué);2014年

9 江哲雅;聚類挖掘在電信客戶分類中的研究與應(yīng)用[D];上海交通大學(xué);2013年

10 鄭方;蟻群文本聚類算法的研究與應(yīng)用[D];西安電子科技大學(xué);2013年

本文編號(hào)：2682915