本文關(guān)鍵詞：基于數(shù)據(jù)挖掘的零售業(yè)客戶細分方法

  更多相關(guān)文章： 客戶細分 RFM 熵值法 K-Means 客戶關(guān)系管理

【摘要】：隨著我國經(jīng)濟水平的提高,零售業(yè)發(fā)展迅猛。但由于競爭的加劇,零售業(yè)的利潤日漸微薄,迫切需要尋找新的利潤增長點。對于現(xiàn)在供過于求的零售業(yè)來說,如何贏得和保留客戶并將客戶價值最大化變得尤為重要,也日漸成為企業(yè)最為關(guān)注的問題之一。客戶細分是企業(yè)成功實施客戶保持的關(guān)鍵,數(shù)據(jù)挖掘技術(shù)的出現(xiàn)更是為客戶細分提供了新方法。已有的零售業(yè)客戶細分研究存在兩方面的不足:一是尚未形成完整的適用于零售業(yè)的客戶細分指標體系;二是客戶細分模型準確度偏低。為了彌補以上不足,本研究工作在梳理了客戶細分理論和數(shù)據(jù)挖掘技術(shù)基礎(chǔ)上,構(gòu)建了一套基于RFM的客戶細分指標體系,利用基于屬性加權(quán)的K-Means算法建立了客戶細分模型。采用某連鎖超市的3萬多條會員數(shù)據(jù)和近38萬條銷售數(shù)據(jù)進行實證研究,運用以上指標體系和客戶細分模型完成了客戶細分,最終將客戶分為四大類,并針對不同客戶群體給出相應(yīng)的營銷策略。實證研究結(jié)果表明,該方法在客戶行為特征區(qū)分能力和聚類緊湊性方面均優(yōu)于傳統(tǒng)基于RFM的細分方法。方法可行、有效,能夠更好地解決零售業(yè)客戶細分問題,提升客戶關(guān)系管理和營銷決策質(zhì)量。因此,本研究工作豐富了客戶細分理論,為后續(xù)零售業(yè)客戶細分的研究提供了有價值的借鑒和參考。實踐上,通過實證分析,證明了方法的有效性,為零售業(yè)采用該指標體系和模型提升營銷活動效果提供了方法和參照。
【關(guān)鍵詞】：客戶細分 RFM 熵值法 K-Means 客戶關(guān)系管理
【學(xué)位授予單位】：青島大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：F724.2;F274
【目錄】：

• 摘要2-3
• Abstract3-6
• 第1章 緒論6-15
• 1.1 研究背景6-7
• 1.1.1 零售業(yè)面臨機遇和挑戰(zhàn)6-7
• 1.1.2 數(shù)據(jù)挖掘為零售業(yè)客戶細分提供了新方法7
• 1.2 研究的目的和意義7-8
• 1.3 國內(nèi)外相關(guān)研究現(xiàn)狀8-12
• 1.3.1 客戶細分指標體系研究8-10
• 1.3.2 客戶細分方法研究10-12
• 1.4 研究內(nèi)容12-14
• 1.5 研究方法14-15
• 第2章 客戶細分與數(shù)據(jù)挖掘概述15-27
• 2.1 客戶細分理論概述15-18
• 2.1.1 客戶細分的概念15
• 2.1.2 客戶細分的意義15-16
• 2.1.3 客戶細分方法16-18
• 2.2 數(shù)據(jù)挖掘技術(shù)概述18-22
• 2.2.1 數(shù)據(jù)挖掘的概念18
• 2.2.2 數(shù)據(jù)挖掘的功能18-19
• 2.2.3 數(shù)據(jù)挖掘的流程19-22
• 2.2.4 數(shù)據(jù)挖掘常用工具22
• 2.3 客戶細分中常用的數(shù)據(jù)挖掘算法22-27
• 2.3.1 聚類分析22-25
• 2.3.2 K-Means算法介紹25-27
• 第3章 零售業(yè)客戶細分指標體系的構(gòu)建27-32
• 3.1 指標體系構(gòu)建的步驟27
• 3.2 客戶細分的原則27
• 3.3 傳統(tǒng)零售業(yè)客戶細分指標分析27-29
• 3.4 零售業(yè)客戶消費行為特征29-30
• 3.5 零售業(yè)客戶細分指標體系的構(gòu)建30-32
• 第4章 基于數(shù)據(jù)挖掘技術(shù)的零售業(yè)客戶細分模型構(gòu)建32-36
• 4.1 零售業(yè)數(shù)據(jù)的特點32
• 4.2 零售業(yè)客戶細分算法的選擇與改進32-35
• 4.2.1 K-means算法的優(yōu)缺點32-33
• 4.2.2 基于屬性加權(quán)的改進K-Means算法設(shè)計33-35
• 4.3 基于指標體系和改進K-Means算法的客戶細分模型35-36
• 第5章 實證分析36-43
• 5.1 業(yè)務(wù)理解36
• 5.2 數(shù)據(jù)理解36-38
• 5.3 數(shù)據(jù)準備38-39
• 5.4 零售業(yè)客戶細分模型的建立39-40
• 5.5 結(jié)果解釋與分析40-42
• 5.6 與傳統(tǒng)基于RFM的方法比較42-43
• 第6章 結(jié)論與展望43-45
• 6.1 結(jié)論43
• 6.2 展望43-45
• 參考文獻45-49
• 攻讀學(xué)位期間的研究成果49-50
• 致謝50-51

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 劉芝怡;陳功;;基于改進K-means算法的RFAT客戶細分研究[J];南京理工大學(xué)學(xué)報;2014年04期

2 李剛;張莉;李純青;;交易數(shù)據(jù)的百貨商場客戶細分研究[J];西安工業(yè)大學(xué)學(xué)報;2014年03期

3 綦欣德;;客戶細分方法新視角[J];商業(yè)時代;2013年26期

4 曾小青;徐秦;張丹;林大瀚;;基于消費數(shù)據(jù)挖掘的多指標客戶細分新方法[J];計算機應(yīng)用研究;2013年10期

5 徐翔斌;王佳強;涂歡;穆明;;基于改進RFM模型的電子商務(wù)客戶細分[J];計算機應(yīng)用;2012年05期

6 鄧曉懿;金淳;j口良之;韓慶平;;移動商務(wù)中面向客戶細分的KSP混合聚類算法[J];管理科學(xué);2011年04期

7 廉琪;蘇屹;;基于SOM和PSO聚類組合算法的客戶細分研究[J];華東經(jīng)濟管理;2011年01期

8 陸添超;康凱;;熵值法和層次分析法在權(quán)重確定中的應(yīng)用[J];電腦編程技巧與維護;2009年22期

9 鐘雁;郭雨松;;數(shù)據(jù)挖掘技術(shù)在鐵路貨運客戶細分中的應(yīng)用[J];北京交通大學(xué)學(xué)報;2008年03期

10 周穎;呂巍;井淼;;基于數(shù)據(jù)挖掘技術(shù)的移動通信行業(yè)客戶細分[J];上海交通大學(xué)學(xué)報;2007年07期

，

本文編號：623787