【摘要】：020(Online to Offline)指融合了線上和線下的商業(yè)服務(wù)模式,是近年來(lái)互聯(lián)網(wǎng)衍生出現(xiàn)的新趨勢(shì)。而社區(qū)化是目前020發(fā)展的一種新的表現(xiàn)形式,它主要指電商企業(yè)通過(guò)整合線上線下資源,為社區(qū)內(nèi)的居民提供生活綜合類商品及服務(wù),形成商家、中間服務(wù)提供者和最終用戶的統(tǒng)一平臺(tái)。與傳統(tǒng)電商不同,020社區(qū)更強(qiáng)調(diào)線下產(chǎn)品和服務(wù),因而具有明顯的本地化地域?qū)傩浴Ｄ壳?20在展開(kāi)營(yíng)銷活動(dòng)時(shí),常常先以價(jià)格優(yōu)勢(shì)吸引線下流量,初期盲目追求新用戶的數(shù)量,但是在后續(xù)的客戶關(guān)系管理和維系上并沒(méi)有很好的解決方案。在本文中,我們重點(diǎn)解決兩個(gè)具體問(wèn)題：在020營(yíng)銷中,如何對(duì)消費(fèi)能力不同的客戶進(jìn)行劃分；以及如何以更有效的策略發(fā)現(xiàn)020中的線下社區(qū)�；ヂ�(lián)網(wǎng)的普及使得交易量持續(xù)增長(zhǎng),電子商務(wù)網(wǎng)站積累了大規(guī)模的交易數(shù)據(jù)。這些數(shù)據(jù)中有一個(gè)顯著的特征是每筆交易數(shù)據(jù)都有一個(gè)客戶的物流地址。本文利用開(kāi)放的互聯(lián)網(wǎng)房產(chǎn)數(shù)據(jù),將客戶的物流地址與房產(chǎn)數(shù)據(jù)中的地址進(jìn)行匹配,通過(guò)客戶所居住的房屋的價(jià)值來(lái)對(duì)其收入水平做出預(yù)判,進(jìn)而推測(cè)客戶的價(jià)值。對(duì)于社區(qū)發(fā)現(xiàn)問(wèn)題,我們提出了一種基于LDA(Latent Dirichlet Allocation)主題模型并融合三大社區(qū)影響要素的020社區(qū)發(fā)現(xiàn)算法。這三大要素分別為：樓盤自身所處的地理位置特征、周邊對(duì)等樓盤構(gòu)成的影響力及所屬商區(qū)的潛在商業(yè)價(jià)值。然后將社區(qū)與主題進(jìn)行類比,使用LDA模型來(lái)發(fā)現(xiàn)社區(qū),最終得到各樓盤歸屬于所在社區(qū)的概率分布。我們結(jié)合上海市開(kāi)放房?jī)r(jià)數(shù)據(jù)和某電商交易數(shù)據(jù)完成了客戶細(xì)分實(shí)驗(yàn),為評(píng)估算法有效性,我們將實(shí)驗(yàn)結(jié)果與RFM(Recency,Frequency,Monetary)模型的結(jié)果進(jìn)行比對(duì),通過(guò)相關(guān)性分析,驗(yàn)證了我們的算法可以有效地對(duì)客戶進(jìn)行細(xì)分。對(duì)于社區(qū)發(fā)現(xiàn),我們使用了上海市出租車GPS軌跡數(shù)據(jù)和上海市分類別的POI數(shù)據(jù),實(shí)現(xiàn)了我們的算法,證明了社區(qū)發(fā)現(xiàn)算法的有效性。并且,針對(duì)由算法得到的社區(qū)發(fā)現(xiàn)結(jié)果,我們具體分析解釋了它在020社區(qū)運(yùn)用中的實(shí)際意義。
[Abstract]:020 (online to offline) refers to the integration of online and offline business service models, which is a new trend of Internet derivation in recent years. Community is a new manifestation of the development of 020. It mainly refers to e-commerce enterprises providing comprehensive goods and services for the residents of the community through the integration of online and offline resources, so as to form businesses. A unified platform for intermediate service providers and end users. Different from traditional ecommerce, the 020 community emphasizes offline products and services. At present, 020 often uses price advantage to attract offline flow first and blindly pursue the number of new users at the beginning, but there is no good solution to the subsequent customer relationship management and maintenance. In this paper, we focus on solving two specific problems: how to divide customers with different consumption power in 020 marketing, and how to find offline communities in 020 with more effective strategies. The popularity of the Internet makes the volume of transactions continue to grow, e-commerce sites have accumulated large-scale transaction data. A notable feature of these data is that each transaction has a customer's logistics address. This paper makes use of the open Internet real estate data, matches the customer's logistics address with the address in the real estate data, through the value of the house that the customer lives in, makes the forecast to its income level, and then speculates the customer's value. For the community discovery problem, we propose a community discovery algorithm based on the LDA (Latent Dirichlet Allocation) topic model and integrating the three community impact elements. These three elements are: the geographical location characteristics of the building itself, the influence of the surrounding equivalent property and the potential commercial value of the business district. Then we use LDA model to find the community and get the probability distribution of each building belonging to the community. In order to evaluate the validity of the algorithm, we compared the experimental results with the results of RFM (Reclamation Frequency Monetary) model, and analyzed the correlation between the results of the experiment and the results of RFM (Reclamation Frequency Monetary) model. It is verified that our algorithm can effectively subdivide the customer. For community discovery, we use Shanghai taxi GPS track data and Shanghai sub-class POI data to realize our algorithm, which proves the effectiveness of community discovery algorithm. Furthermore, in view of the community discovery results obtained from the algorithm, we analyze and explain its practical significance in the application of 020 community.
【學(xué)位授予單位】：華東師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：F724.6;TP301.6

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 于宗民;;從客戶細(xì)分看企業(yè)信息化建設(shè)中的缺失[J];中國(guó)金融電腦;2007年07期

2 張靜;;通信企業(yè)客戶細(xì)分及相關(guān)技術(shù)綜述[J];信息與電腦(理論版);2014年01期

3 李益強(qiáng),漆晨曦;基于數(shù)據(jù)挖掘的電信客戶細(xì)分研究析[J];廣東通信技術(shù);2005年05期

4 張曉航;基于聚類算法的客戶細(xì)分[J];通信企業(yè)管理;2005年12期

5 趙坊芳;;客戶細(xì)分中聚類的應(yīng)用[J];電腦知識(shí)與技術(shù);2010年11期

6 文碧桂;趙蔚;;網(wǎng)絡(luò)教育服務(wù)中的客戶細(xì)分策略分析[J];中國(guó)教育技術(shù)裝備;2010年12期

7 岳小婷;;基于客戶消費(fèi)行為的電信客戶細(xì)分[J];電子商務(wù);2011年12期

8 胡靜靜;王愛(ài)金;;3G業(yè)務(wù)的客戶細(xì)分研究[J];商業(yè)文化(下半月);2011年12期

9 宋才華;藍(lán)源娟;范婷;翟鴻榮;李濱濤;;電力企業(yè)客戶細(xì)分模型研究[J];現(xiàn)代電子技術(shù);2014年02期

10 王荇;李彗;;基于聚類的客戶細(xì)分方法研究[J];電腦知識(shí)與技術(shù);2008年S1期

相關(guān)會(huì)議論文 前3條

1 張國(guó)政;;基于CLV及客戶滿意度的客戶細(xì)分研究[A];中國(guó)市場(chǎng)營(yíng)銷創(chuàng)新與發(fā)展學(xué)術(shù)研討會(huì)論文集[C];2009年

2 謝琳;潘定;;珠三角寬帶客戶細(xì)分及保持策略研究[A];第二十九屆中國(guó)控制會(huì)議論文集[C];2010年

3 盧艷麗;韓景元;袁麗娜;;基于客戶終身價(jià)值的客戶細(xì)分方法實(shí)證研究[A];中國(guó)市場(chǎng)學(xué)會(huì)2006年年會(huì)暨第四次全國(guó)會(huì)員代表大會(huì)論文集[C];2006年

相關(guān)重要報(bào)紙文章 前10條

1 范煒;合理確定客戶細(xì)分標(biāo)準(zhǔn)是理財(cái)業(yè)務(wù)的重中之中[N];中國(guó)城鄉(xiāng)金融報(bào);2006年

2 ;撥開(kāi)“客戶細(xì)分”迷霧[N];網(wǎng)絡(luò)世界;2006年

3 工業(yè)和信息化部電信研究院泰爾管理研究所 狄輝;客戶細(xì)分魔法書[N];通信產(chǎn)業(yè)報(bào);2009年

4 任柏菘;普爾特的客戶細(xì)分[N];中國(guó)房地產(chǎn)報(bào);2011年

5 主持人 中國(guó)房地產(chǎn)報(bào)管理評(píng)論部資深記者 張勁松;怎樣實(shí)現(xiàn)中國(guó)特色的客戶細(xì)分？[N];中國(guó)房地產(chǎn)報(bào);2011年

6 郵儲(chǔ)銀行江蘇省連云港市分行 朱慈;基于經(jīng)濟(jì)生命周期的銀行客戶細(xì)分[N];中國(guó)郵政報(bào);2013年

7 本報(bào)記者 李秀中;客戶細(xì)分 上海大眾運(yùn)作“關(guān)系營(yíng)銷”[N];第一財(cái)經(jīng)日?qǐng)?bào);2005年

8 記者 方俊;券商強(qiáng)化客戶細(xì)分初嘗甜頭[N];上海證券報(bào);2011年

9 中研博峰咨詢有限公司咨詢顧問(wèn) 高榮霞;六步驟鎖定細(xì)分市場(chǎng)[N];通信產(chǎn)業(yè)報(bào);2009年

10 楊怡 劉學(xué);重慶移動(dòng)深度推進(jìn)客戶細(xì)分工程[N];人民郵電;2006年

相關(guān)碩士學(xué)位論文 前10條

1 吳昊;基于利益的客戶細(xì)分方法研究[D];華中科技大學(xué);2004年

2 羅斌;面向客戶細(xì)分的改進(jìn)關(guān)聯(lián)規(guī)則算法研究[D];哈爾濱工業(yè)大學(xué);2006年

3 蔡巧宇;基于數(shù)據(jù)挖掘的客戶細(xì)分案例分析[D];蘭州財(cái)經(jīng)大學(xué);2015年

4 徐歡;基于數(shù)據(jù)挖掘的房地產(chǎn)開(kāi)發(fā)企業(yè)既有客戶細(xì)分研究[D];重慶大學(xué);2015年

5 陳東沂;融合用戶興趣和文本聚類的企業(yè)微博客戶細(xì)分[D];廣東外語(yǔ)外貿(mào)大學(xué);2015年

6 鄒湘萍;基于數(shù)據(jù)挖掘的移動(dòng)公司高端客戶細(xì)分及營(yíng)銷策略研究[D];電子科技大學(xué);2013年

7 張潔勤;電信企業(yè)針對(duì)性營(yíng)銷系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D];電子科技大學(xué);2014年

8 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

9 樊仙仙;基于聚類分析的H銀行客戶細(xì)分及營(yíng)銷策略研究[D];華東理工大學(xué);2016年

10 楊茜;基于大數(shù)據(jù)的客戶細(xì)分模型及精確營(yíng)銷策略研究[D];南京郵電大學(xué);2015年

，

本文編號(hào)：2138479