本文關(guān)鍵詞：客觀聚類算法在客戶細(xì)分中的應(yīng)用研究，由筆耕文化傳播整理發(fā)布。

【摘要】：客戶細(xì)分是指處在某種特定市場(chǎng)中的企業(yè)，按照不同客戶在屬性、行為以及需求、偏好和價(jià)值等要素方面的差異對(duì)客戶進(jìn)行分類，并且針對(duì)性地為客戶提供所需的產(chǎn)品、服務(wù)和銷售形式。不同的客戶為企業(yè)提供的價(jià)值是有差別的，因此，在存在客戶關(guān)系管理的企業(yè)，很有必要對(duì)客戶進(jìn)行統(tǒng)計(jì)、分析并進(jìn)行客戶細(xì)分。只有這樣，企業(yè)才能根據(jù)不同客戶的特征，有針對(duì)性的進(jìn)行營(yíng)銷活動(dòng)，，保持和擴(kuò)大高價(jià)值客戶，發(fā)現(xiàn)并開發(fā)潛在客戶，同時(shí)應(yīng)停止低價(jià)值的客戶群。有效地客戶細(xì)分是企業(yè)擴(kuò)大市場(chǎng)、獲取更大利益的必經(jīng)之路。 如今，商品經(jīng)濟(jì)飛速發(fā)展，零售業(yè)日益開放，零售企業(yè)已經(jīng)很難再以成本優(yōu)勢(shì)贏得客戶，越來越多的企業(yè)開始注重以客戶為中心，它們開始重視收集客戶數(shù)據(jù)，比如基本信息、客戶的消費(fèi)記錄和其他方面的信息，并嘗試挖掘這些數(shù)據(jù)存在的有效信息�？蛻艏�(xì)分就是企業(yè)進(jìn)行數(shù)據(jù)挖掘的一個(gè)方面。 聚類分析在客戶細(xì)分中的使用頗為廣泛，傳統(tǒng)的聚類算法，如K-means算法、CURE算法、STING算法、SOM算法在客戶細(xì)分中的應(yīng)用尤為常見。這些方法使用起來固然方便，但其依然存在一定的弊端：即使用傳統(tǒng)方法進(jìn)行聚類時(shí)，需要建模人員的干預(yù)，比如在使用K-means算法時(shí)，建模人員必須事先確定需要聚成的類的數(shù)目，即使建模人員具有異常豐富的市場(chǎng)營(yíng)銷經(jīng)驗(yàn)，但此算法對(duì)其的依賴性太大，不可避免的造成聚類數(shù)目過多或過少，從而不能非�？陀^的將客戶的本質(zhì)特征反應(yīng)出來。 本文對(duì)傳統(tǒng)聚類算法的性能做了深入的對(duì)比研究，從不同的角度對(duì)其進(jìn)行了比較，指出了傳統(tǒng)算法的優(yōu)缺點(diǎn)�；诖�，本文選用了一種新的聚類算法——客觀聚類分析（Objective ClusterAnalysis），這種算法避免了建模人員的主觀影響，細(xì)分結(jié)果能夠真實(shí)的反應(yīng)客戶的特征。本文將其應(yīng)用于零售業(yè)的客戶細(xì)分中，并與客戶細(xì)分中使用最廣的K-means算法進(jìn)行了細(xì)分對(duì)比研究，顯示了客觀聚類算法的優(yōu)越性。
【關(guān)鍵詞】：客戶細(xì)分 聚類分析 K-means算法 客觀聚類
【學(xué)位授予單位】：蘭州商學(xué)院
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類號(hào)】：TP301.6
【目錄】：

• 摘要4-5
• Abstract5-9
• 1 引言9-17
• 1.1 研究的背景及意義9-10
• 1.2 文獻(xiàn)綜述10-15
• 1.2.1 客戶細(xì)分方法研究綜述10-12
• 1.2.2 聚類算法在客戶細(xì)分中的應(yīng)用綜述12-14
• 1.2.3 客觀聚類方法研究綜述14-15
• 1.3 研究?jī)?nèi)容及結(jié)構(gòu)安排15-17
• 2 客戶細(xì)分的相關(guān)研究17-28
• 2.1 客戶細(xì)分的意義17-19
• 2.1.1 客戶細(xì)分改善客戶與企業(yè)的關(guān)系17-18
• 2.1.2 客戶細(xì)分對(duì)企業(yè)營(yíng)銷活動(dòng)的意義18-19
• 2.2 客戶細(xì)分的理論依據(jù)19-20
• 2.3 客戶細(xì)分的方法20-28
• 3 客戶細(xì)分中的聚類算法28-39
• 3.1 聚類算法的提出與演變28-30
• 3.2 聚類算法的比較30-36
• 3.2.1 數(shù)據(jù)挖掘?qū)垲惖囊?/span>30
• 3.2.2 聚類算法評(píng)價(jià)標(biāo)準(zhǔn)30-32
• 3.2.3 常用聚類算法比較32-36
• 3.3 客觀聚類算法36-39
• 3.3.1 客觀聚類算法的思想36
• 3.3.2 客觀聚類算法的步驟36-39
• 4 實(shí)證分析39-48
• 4.1 問題的背景39-40
• 4.2 客戶細(xì)分?jǐn)?shù)據(jù)準(zhǔn)備及變量設(shè)計(jì)40-42
• 4.3 K-MEANS 算法分析42-45
• 4.4 客觀聚類算法分析45-46
• 4.5 兩種算法的聚類有效性比較46-48
• 5 結(jié)論48-49
• 參考文獻(xiàn)49-52
• 致謝52

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 曹國(guó);;基于K-means和PCA的商業(yè)銀行客戶價(jià)值細(xì)分模型研究[J];財(cái)會(huì)通訊;2010年27期

2 劉英姿;吳昊;;客戶細(xì)分方法研究綜述[J];管理工程學(xué)報(bào);2006年01期

3 張國(guó)方,金國(guó)棟;客戶細(xì)分理論及應(yīng)用策略研究[J];華中科技大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版);2003年03期

4 劉義,萬迪f ,張鵬;基于購(gòu)買行為的客戶細(xì)分方法比較研究[J];管理科學(xué);2003年01期

5 陳明亮;;基于全生命周期利潤(rùn)的客戶細(xì)分方法[J];經(jīng)濟(jì)管理;2002年20期

6 彭凱;秦永彬;許道云;;應(yīng)用因子分析和K-MEANS聚類的客戶分群建模[J];計(jì)算機(jī)科學(xué);2011年05期

7 潘玲玲;張育平;徐濤;;核DBSCAN算法在民航客戶細(xì)分中的應(yīng)用[J];計(jì)算機(jī)工程;2012年10期

8 徐翔斌;王佳強(qiáng);涂歡;穆明;;基于改進(jìn)RFM模型的電子商務(wù)客戶細(xì)分[J];計(jì)算機(jī)應(yīng)用;2012年05期

9 郭蘊(yùn)華,陳定方;基于模糊聚類分析的客戶分類算法研究[J];計(jì)算機(jī)應(yīng)用研究;2005年04期

10 賀玲;吳玲達(dá);蔡益朝;;數(shù)據(jù)挖掘中的聚類算法綜述[J];計(jì)算機(jī)應(yīng)用研究;2007年01期

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前3條

1 鄭凱明;基于決策樹算法的超市客戶細(xì)分應(yīng)用研究[D];遼寧工程技術(shù)大學(xué);2008年

2 王平;統(tǒng)計(jì)方法在客戶細(xì)分?jǐn)?shù)據(jù)挖掘中的應(yīng)用[D];華東師范大學(xué);2009年

3 鮑雷;混合遺傳聚類算法在客戶細(xì)分中的應(yīng)用研究[D];暨南大學(xué);2010年

  本文關(guān)鍵詞：客觀聚類算法在客戶細(xì)分中的應(yīng)用研究，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：492530