本文關(guān)鍵詞：數(shù)據(jù)挖掘在電商客戶行為忠誠(chéng)度預(yù)測(cè)研究中的應(yīng)用，由筆耕文化傳播整理發(fā)布。

【摘要】：在互聯(lián)網(wǎng)飛速發(fā)展的階段,由于市場(chǎng)經(jīng)濟(jì)的競(jìng)爭(zhēng)態(tài)勢(shì)愈演愈烈,企業(yè)之間的競(jìng)爭(zhēng)日益激烈。市場(chǎng)營(yíng)銷學(xué)研究表明:企業(yè)與老客之間的交易成本僅為其與總的消費(fèi)客戶之間的1/6,由此我們可見,維護(hù)老客在營(yíng)銷學(xué)中的重要性。而客戶忠誠(chéng)度則是體現(xiàn)哪些老客需要繼續(xù)維護(hù)的橋梁。客戶忠誠(chéng)度是指客戶出于對(duì)企業(yè)或品牌的偏好而經(jīng)常性重復(fù)購(gòu)買的程度。真正的客戶忠誠(chéng)度體現(xiàn)的是一種行為,體現(xiàn)在客戶的購(gòu)買行為上。因此對(duì)客戶的購(gòu)買行為進(jìn)行研究可以很好的預(yù)測(cè)客戶的忠誠(chéng)度。電商平臺(tái)具有一個(gè)很大的優(yōu)勢(shì),可以隨時(shí)記錄消費(fèi)者、訪客的購(gòu)買記錄以及近期的瀏覽記錄。客戶在其上大量購(gòu)買商家提供的產(chǎn)品或服務(wù),為店家提供了大量的業(yè)務(wù)數(shù)據(jù)。店家可以很好的利用這些購(gòu)買數(shù)據(jù)記錄為自己進(jìn)行服務(wù)。本研究以電商平臺(tái)上的某商家的客戶行為日志為研究對(duì)象進(jìn)行畫像,并隨機(jī)抽取的70%數(shù)據(jù)進(jìn)行規(guī)則訓(xùn)練,再用剩下的數(shù)據(jù)進(jìn)行預(yù)測(cè),將預(yù)測(cè)值與真實(shí)值進(jìn)行對(duì)照,計(jì)算模型的預(yù)測(cè)精度。通過目標(biāo)變量建立電商客戶忠誠(chéng)度預(yù)測(cè)模型,從客戶重復(fù)購(gòu)買的行為角度分析,最后采用數(shù)據(jù)挖掘中的邏輯回歸算法、決策樹、Boosting算法分別對(duì)其進(jìn)行研究,實(shí)證結(jié)果證明Boosting算法對(duì)其的預(yù)測(cè)率相對(duì)最優(yōu)。并進(jìn)一步對(duì)本店的電商客戶忠誠(chéng)度進(jìn)行預(yù)測(cè),識(shí)別電商的精準(zhǔn)購(gòu)買人群,為電商之后的精準(zhǔn)營(yíng)銷做準(zhǔn)備。
【關(guān)鍵詞】：邏輯回歸 決策樹 Boosting算法 客戶忠誠(chéng)度 重復(fù)購(gòu)買行為
【學(xué)位授予單位】：蘭州財(cái)經(jīng)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP311.13;F274;F724.6
【目錄】：

• 摘要4-5
• Abstract5-9
• 1 緒論9-17
• 1.1 研究背景及意義9-11
• 1.1.1 研究背景9-10
• 1.1.2 研究意義10-11
• 1.2 文獻(xiàn)綜述11-15
• 1.2.1 客戶忠誠(chéng)度的國(guó)外研究現(xiàn)狀11-12
• 1.2.2 客戶忠誠(chéng)度的國(guó)內(nèi)研究現(xiàn)狀12-13
• 1.2.3 電商客戶忠誠(chéng)度的研究現(xiàn)狀13-14
• 1.2.4 研究述評(píng)14-15
• 1.3 研究方法與思路15
• 1.4 本文的主要研究?jī)?nèi)容15-17
• 2 相關(guān)理論知識(shí)概述17-21
• 2.1 客戶忠誠(chéng)度理論概述17-19
• 2.1.1 客戶忠誠(chéng)的概念17-18
• 2.1.2 客戶忠誠(chéng)的分類18-19
• 2.1.3 客戶忠誠(chéng)度的定義19
• 2.2 電商客戶忠誠(chéng)度理論概述19-20
• 2.2.1 電商客戶忠誠(chéng)度概念19-20
• 2.2.2 電商客戶行為忠誠(chéng)度的特點(diǎn)20
• 2.3 小結(jié)20-21
• 3 客戶忠誠(chéng)度的預(yù)測(cè)方法21-29
• 3.1 邏輯回歸模型21-25
• 3.1.1 邏輯回歸理論概述21-24
• 3.1.2 邏輯回歸的適用性24-25
• 3.2 基于CART算法的決策樹25-27
• 3.3 Boosting算法27-28
• 3.4 模型的評(píng)價(jià)與選擇28-29
• 4 數(shù)據(jù)預(yù)處理及數(shù)據(jù)集29-37
• 4.1 數(shù)據(jù)描述29-30
• 4.2 數(shù)據(jù)清洗30-33
• 4.2.1 數(shù)據(jù)清洗的方法30-31
• 4.2.2 數(shù)據(jù)清洗的原理31
• 4.2.3 數(shù)據(jù)清洗的應(yīng)用31-33
• 4.3 描述性統(tǒng)計(jì)分析33-37
• 5 電商客戶忠誠(chéng)度預(yù)測(cè)模型的實(shí)證分析37-48
• 5.1 分割樣本并檢驗(yàn)37-38
• 5.2 基于邏輯回歸算法的忠誠(chéng)度模型38-42
• 5.3 基于決策樹的忠誠(chéng)度模型42-45
• 5.4 基于Boosting的忠誠(chéng)度模型45-46
• 5.5 模型評(píng)價(jià)46-48
• 6 總結(jié)及展望48-50
• 參考文獻(xiàn)50-52
• 后記52

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前5條

1 張曉諾;;利用大數(shù)據(jù)技術(shù)在電子商務(wù)中對(duì)客戶忠誠(chéng)度分析[J];中國(guó)科技信息;2015年Z3期

2 支芬和;田玲;敖靜海;;電子商務(wù)環(huán)境下客戶忠誠(chéng)的探究[J];商業(yè)研究;2007年01期

3 崔維軍;包金龍;;E忠誠(chéng)度:從建模到實(shí)施[J];江蘇商論;2006年08期

4 龐川,陳忠民,羅瑞文;消費(fèi)者網(wǎng)絡(luò)信任影響因素的實(shí)證分析[J];系統(tǒng)工程理論方法應(yīng)用;2004年04期

5 黎志成,劉枚蓮;電子商務(wù)環(huán)境下的消費(fèi)者行為研究[J];中國(guó)管理科學(xué);2002年06期

  本文關(guān)鍵詞：數(shù)據(jù)挖掘在電商客戶行為忠誠(chéng)度預(yù)測(cè)研究中的應(yīng)用，由筆耕文化傳播整理發(fā)布。

，

本文編號(hào)：455809