發(fā)布時間：2017-04-26 13:13

  本文關(guān)鍵詞：聚類算法在電子商務(wù)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】：隨著經(jīng)濟(jì)和計算機(jī)網(wǎng)絡(luò)的飛速發(fā)展，日益激烈的競爭使得企業(yè)越來越強(qiáng)烈的認(rèn)識到客戶資源對于企業(yè)獲勝起著至關(guān)重要的作用。因此企業(yè)開始從以產(chǎn)品為中心的模式向以客戶為中心的模式轉(zhuǎn)移，主要工作也圍繞著保留現(xiàn)有客戶和發(fā)展新客戶展開，營銷方式也從大眾化營銷轉(zhuǎn)為通過差異化、一對一營銷來實現(xiàn)客戶滿意和公司獲利的雙贏，而差異化、一對一營銷的關(guān)鍵就是有效的客戶細(xì)分。傳統(tǒng)的客戶細(xì)分主要根據(jù)客戶的一維屬性，通過一些統(tǒng)計學(xué)方法對客戶進(jìn)行簡單的細(xì)分。但是，隨著企業(yè)產(chǎn)品的進(jìn)一步創(chuàng)新，客戶需求日益多樣化，傳統(tǒng)客戶細(xì)分在實踐中的應(yīng)用顯得力不從心。應(yīng)用數(shù)據(jù)挖掘技術(shù)進(jìn)行多變量、大數(shù)據(jù)集的客戶細(xì)分技術(shù)應(yīng)運而生。使用數(shù)據(jù)挖掘聚類分析方法進(jìn)行客戶細(xì)分，不但可以處理幾十、甚至上百個變量，從而對客戶進(jìn)行更精準(zhǔn)的描述，客觀反映客戶分組內(nèi)的特性并綜合反映客戶多方面的特征；而且還有利于營銷人員更加深入細(xì)致地了解客戶特征，便于實現(xiàn)對客戶行為變化的動態(tài)跟蹤；進(jìn)而實現(xiàn)對客戶提供差異化服務(wù)，提高客戶的滿意度和忠誠度，使企業(yè)創(chuàng)造更多價值。 本文首先介紹了聚類算法進(jìn)行客戶細(xì)分的研究背景和意義，然后對數(shù)據(jù)挖掘技術(shù)中的聚類分析方法、客戶細(xì)分以及聚類分析方法應(yīng)用于客戶細(xì)分的基本理論以及發(fā)展現(xiàn)狀做了詳細(xì)的概述，為后文聚類分析方法在客戶細(xì)分中的應(yīng)用奠定了理論基礎(chǔ)。 第二章詳細(xì)介紹了客戶細(xì)分的相關(guān)理論，包括客戶細(xì)分的概念、意義以及一般方法和步驟；隨后對傳統(tǒng)客戶細(xì)分與電子商務(wù)中的客戶細(xì)分做了詳細(xì)的比較，并對電子商務(wù)的客戶細(xì)分的相關(guān)模型和技術(shù)進(jìn)行了概述，為后續(xù)研究做好理論鋪墊。 第三章主要介紹了聚類分析算法的相關(guān)理論，包括聚類分析方法的概念和基本原理、聚類分析中常見的數(shù)據(jù)類型和數(shù)據(jù)結(jié)構(gòu)以及常見的聚類分析方法類型，并對AP算法和k-means算法的相關(guān)原理、算法步驟以及優(yōu)缺點做了詳細(xì)的介紹，為下文改進(jìn)k-means算法的提出建立了依據(jù)。 第四章提出了本文的核心內(nèi)容——基于半監(jiān)督近鄰傳播的改進(jìn)k-means算法（SAPK-means算法），從算法提出的意義、算法的具體流程、以及算法的驗證實驗三個方面進(jìn)行了詳細(xì)的闡述。驗證實驗表明，SAPK-means算法有效的排除數(shù)據(jù)集中的噪聲數(shù)據(jù)和孤立點，得到了高質(zhì)量的初始聚類中心，，從而有效的提高了聚類精度；并對聚類的準(zhǔn)確率以及簇間的緊密程度等都有一定程度的提升。SAPK-means算法與文中介紹的k-means算法、AP算法相比，可以取得更好的聚類效果。 第五章將SAPK-means算法應(yīng)用于某化妝品網(wǎng)站客戶數(shù)據(jù)進(jìn)行客戶細(xì)分。詳細(xì)論述了SAPK-means算法應(yīng)用于客戶細(xì)分中的步驟，對該算法的實現(xiàn)和性能分析進(jìn)行了詳細(xì)的描述，并對細(xì)分結(jié)果進(jìn)行了詳細(xì)的分析，對營銷策略提出了可行性建議。在同一批數(shù)據(jù)樣本中使用AP算法、k-means算法和SAPK-means算法進(jìn)行客戶細(xì)分，細(xì)分結(jié)果表明SAPK-means算法能夠有效排除樣本數(shù)據(jù)集中的噪聲點，并在細(xì)分結(jié)果的質(zhì)量上優(yōu)于其他兩種算法。 最后對全文進(jìn)行了總結(jié)，并指明了下一步的研究和工作方向，對改進(jìn)k-means算法的進(jìn)一步發(fā)展以及在客戶細(xì)分方面的應(yīng)用提出了自己的看法。
【關(guān)鍵詞】：聚類算法 k-means算法 AP算法 客戶細(xì)分
【學(xué)位授予單位】：中國海洋大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2012
【分類號】：TP311.13
【目錄】：

• 摘要5-7
• Abstract7-11
• 1 緒論11-17
• 1.1 選題背景及其研究意義11-13
• 1.2 國內(nèi)外研究現(xiàn)狀13-15
• 1.3 論文結(jié)構(gòu)15-17
• 2 客戶細(xì)分相關(guān)理論17-26
• 2.1 客戶細(xì)分概述17-20
• 2.1.1 客戶細(xì)分的內(nèi)涵17
• 2.1.2 客戶細(xì)分的意義17-18
• 2.1.3 客戶細(xì)分一般方法和步驟18-20
• 2.2 傳統(tǒng)客戶細(xì)分特點20-21
• 2.3 電子商務(wù)環(huán)境下客戶細(xì)分的變化和新特點21-22
• 2.4 電子商務(wù)環(huán)境下客戶細(xì)分技術(shù)研究22-24
• 2.5 電子商務(wù)環(huán)境下客戶細(xì)分過程模型24-25
• 2.6 本章小結(jié)25-26
• 3 聚類分析算法相關(guān)理論26-41
• 3.1 聚類概念及原理26
• 3.2 聚類分析中的數(shù)據(jù)類型及數(shù)據(jù)結(jié)構(gòu)26-30
• 3.2.1 數(shù)據(jù)類型26-30
• 3.2.2 數(shù)據(jù)結(jié)構(gòu)30
• 3.3 聚類結(jié)果的評價30-32
• 3.4 常見聚類分析方法32-35
• 3.4.1 基于劃分32-33
• 3.4.2 基于層次33
• 3.4.3 基于密度33-34
• 3.4.4 基于網(wǎng)格34
• 3.4.5 基于模型34-35
• 3.5 AP 算法35-37
• 3.5.1 AP 算法原理概述35-36
• 3.5.2 AP 算法步驟36-37
• 3.6 k-means 算法37-40
• 3.6.1 k-means 算法原理概述37
• 3.6.2 k-means 算法步驟37-38
• 3.6.3 k-means 的優(yōu)點38-39
• 3.6.4 k-means 的缺點及現(xiàn)有改進(jìn)方法39-40
• 3.7 本章小結(jié)40-41
• 4 SAPK-means 算法41-51
• 4.1 SAPK-means 算法原理41-46
• 4.1.1 SAPK-means 算法描述41-44
• 4.1.2 SAPK-means 算法的步驟44-46
• 4.2 SAPK-means 算法實驗分析46-50
• 4.2.1 模擬數(shù)據(jù)集實驗46-48
• 4.2.2 標(biāo)準(zhǔn)數(shù)據(jù)集實驗48-50
• 4.3 本章小結(jié)50-51
• 5 SAPK-means 算法應(yīng)用于電子商務(wù)網(wǎng)站客戶細(xì)分51-62
• 5.1 SAPK-means 算法應(yīng)用于客戶細(xì)分的步驟51-52
• 5.2 數(shù)據(jù)獲取52-54
• 5.3 數(shù)據(jù)預(yù)處理54-56
• 5.3.1 數(shù)據(jù)清洗54-55
• 5.3.2 數(shù)據(jù)轉(zhuǎn)換和數(shù)據(jù)集成55-56
• 5.4 使用 SAPK-means 算法進(jìn)行客戶細(xì)分56-59
• 5.5 客戶細(xì)分結(jié)果分析59-61
• 5.6 本章小結(jié)61-62
• 6 總結(jié)與展望62-64
• 6.1 全文總結(jié)62-63
• 6.2 下一步工作63-64
• 參考文獻(xiàn)64-68
• 致謝68-69
• 個人簡歷、在學(xué)期間發(fā)表的學(xué)術(shù)論文69

【參考文獻(xiàn)】

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 王海;多維數(shù)據(jù)集聚類算法研究與實現(xiàn)[D];沈陽工業(yè)大學(xué);2004年

2 字亞偉;基于消費者行為的移動客戶細(xì)分研究[D];北京郵電大學(xué);2006年

  本文關(guān)鍵詞：聚類算法在電子商務(wù)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：328550