本文關(guān)鍵詞：基于聚類(lèi)分析的電子商務(wù)客戶忠誠(chéng)度研究，由筆耕文化傳播整理發(fā)布。

【摘要】：本文根據(jù)電子商務(wù)行業(yè)特點(diǎn),對(duì)電子商務(wù)顧客忠誠(chéng)度影響因素進(jìn)行了全面的分析,以經(jīng)典RFM客戶忠誠(chéng)度模型為基礎(chǔ),建立RFMSA電子商務(wù)客戶忠誠(chéng)度劃分模型。該模型中,引入了電子商務(wù)中影響顧客忠誠(chéng)的兩個(gè)重要屬性：滿意度和關(guān)注度。從多個(gè)角度更加全面的分析了電子商務(wù)交易中顧客忠誠(chéng)度的劃分依據(jù)。在建立電子商務(wù)顧客忠誠(chéng)度劃分模型的基礎(chǔ)上,通過(guò)聚類(lèi)分析算法對(duì)顧客忠誠(chéng)度進(jìn)行劃分。以經(jīng)典聚類(lèi)分析算法K-means為基礎(chǔ),提出分段確定初始聚類(lèi)中心的改進(jìn)算法對(duì)顧客忠誠(chéng)度進(jìn)行劃分。通過(guò)該方法可以有效減少確定初始聚類(lèi)中心的時(shí)間和因迭代計(jì)算產(chǎn)生的局部最優(yōu)解的問(wèn)題。利用聚類(lèi)分析算法對(duì)顧客忠誠(chéng)度進(jìn)行劃分時(shí),存在分類(lèi)邊界不清晰問(wèn)題,為使顧客忠誠(chéng)度劃分更加準(zhǔn)確,本文采用了基于粗糙集的聚類(lèi)分析算法,并提出基于隸屬度的粗糙聚類(lèi)算法。利用隸屬度的聚類(lèi)思想,不僅能夠?qū)⒋植诩c聚類(lèi)方法有效結(jié)合,而且能夠使聚類(lèi)邊界附近的點(diǎn)分類(lèi)更加合理。通過(guò)對(duì)經(jīng)典樣本數(shù)據(jù)進(jìn)行分析得出的實(shí)驗(yàn)結(jié)果表明,改進(jìn)的基于粗糙集的K-means聚類(lèi)算法能夠有效的提高聚類(lèi)的準(zhǔn)確率。為驗(yàn)證本文所提算法的有效性,通過(guò)對(duì)某網(wǎng)上商城會(huì)員交易數(shù)據(jù)進(jìn)行分析,對(duì)其顧客忠誠(chéng)度進(jìn)行劃分。實(shí)驗(yàn)結(jié)果表明,與基于K-means的聚類(lèi)分析算法相比,本文提出的改進(jìn)算法對(duì)電子商務(wù)顧客忠誠(chéng)度劃分的準(zhǔn)確度更高,能夠更好的對(duì)電子商務(wù)顧客忠誠(chéng)度進(jìn)行劃分。
【關(guān)鍵詞】：顧客忠誠(chéng)度 RFMSA K-means 粗糙集
【學(xué)位授予單位】：哈爾濱商業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類(lèi)號(hào)】：F724.6;TP311.13
【目錄】：

• 摘要5-6
• ABSTRACT6-11
• 1 緒論11-17
• 1.1 課題背景11-12
• 1.2 研究的目的意義12-13
• 1.3 國(guó)內(nèi)外研究現(xiàn)狀13-15
• 1.4 論文主要研究?jī)?nèi)容15-17
• 2 電子商務(wù)客戶忠誠(chéng)度模型研究17-26
• 2.1 客戶忠誠(chéng)度分析17-18
• 2.2 電子商務(wù)中客戶忠誠(chéng)度的特點(diǎn)18-20
• 2.2.1 顧客信任度18-19
• 2.2.2 服務(wù)質(zhì)量與滿意度19
• 2.2.3 顧客關(guān)注度19-20
• 2.3 傳統(tǒng)客戶忠誠(chéng)度模型20-21
• 2.4 電子商務(wù)客戶忠誠(chéng)度模型21-25
• 2.4.1 客戶分析指標(biāo)模型22-23
• 2.4.2 RFM客戶忠誠(chéng)度模型23-24
• 2.4.3 經(jīng)典客戶忠誠(chéng)度模型的優(yōu)缺點(diǎn)分析24-25
• 2.5 本章小結(jié)25-26
• 3 聚類(lèi)分析方法研究26-35
• 3.1 數(shù)據(jù)挖掘技術(shù)26-28
• 3.1.1 數(shù)據(jù)挖掘?qū)τ陔娮由虅?wù)的意義26-27
• 3.1.2 常用的數(shù)據(jù)挖掘分析方法27-28
• 3.2 聚類(lèi)分析算法28-30
• 3.3 K-means算法30-32
• 3.4 粗糙集理論32-34
• 3.5 本章小結(jié)34-35
• 4 電子商務(wù)客戶忠誠(chéng)度聚類(lèi)分析35-61
• 4.1 電子商務(wù)顧客忠誠(chéng)度分析模型的建立35-37
• 4.2 數(shù)據(jù)的組織與存儲(chǔ)37-48
• 4.2.1 數(shù)據(jù)源38-42
• 4.2.2 數(shù)據(jù)的預(yù)處理42-43
• 4.2.3 關(guān)鍵字段的輸入43
• 4.2.4 數(shù)據(jù)清洗43-44
• 4.2.5 數(shù)據(jù)轉(zhuǎn)換44-48
• 4.3 基于粗糙集的聚類(lèi)算法顧客忠誠(chéng)度分析48-52
• 4.3.1 粗糙集48
• 4.3.2 算法流程48-49
• 4.3.3 改進(jìn)的基于粗糙集的k-means聚類(lèi)算法49-51
• 4.3.4 算法測(cè)試51-52
• 4.4 客戶忠誠(chéng)度分析的實(shí)現(xiàn)52-60
• 4.4.1 數(shù)據(jù)的預(yù)處理52-56
• 4.4.2 算法的實(shí)現(xiàn)56-58
• 4.4.3 客戶忠誠(chéng)度分析58-60
• 4.5 本章小結(jié)60-61
• 結(jié)論61-63
• 參考文獻(xiàn)63-68
• 攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文68-69
• 致謝69

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前5條

1 唐胡鑫;;電子商務(wù)客戶忠誠(chéng)度模型仿真研究[J];計(jì)算機(jī)仿真;2016年01期

2 王克富;;基于數(shù)據(jù)挖掘技術(shù)的AFH客戶分類(lèi)應(yīng)用研究[J];技術(shù)經(jīng)濟(jì)與管理研究;2012年11期

3 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

4 張U，

本文編號(hào)：324478