二十一世紀(jì)是信息量極其巨大的時(shí)代,眾多數(shù)據(jù)充斥著我們生活的每個(gè)角落,我們已經(jīng)步入大數(shù)據(jù)時(shí)代。Data Mining（數(shù)據(jù)挖掘）技術(shù)正逐漸發(fā)展起來(lái),其普遍應(yīng)用于各個(gè)行業(yè),在電信運(yùn)營(yíng)商市場(chǎng)競(jìng)爭(zhēng)中,也發(fā)揮了巨大的作用。為了適應(yīng)市場(chǎng)需要,運(yùn)營(yíng)商在管理決策過(guò)程中需要不斷進(jìn)行新產(chǎn)品開發(fā)以滿足不同群體客戶的使用習(xí)慣。傳統(tǒng)產(chǎn)品開發(fā)僅依靠決策者的經(jīng)驗(yàn)、友商同類產(chǎn)品市場(chǎng)反饋等,精準(zhǔn)性、針對(duì)性欠缺,效果相對(duì)較差,而通過(guò)數(shù)據(jù)挖掘,使用大數(shù)據(jù)分析技術(shù)則為精準(zhǔn)開發(fā),有效針對(duì)提供了可能。首先,論文對(duì)目前數(shù)據(jù)挖掘、電信行業(yè)特點(diǎn)和精準(zhǔn)營(yíng)銷的背景進(jìn)行了研究,分析了國(guó)內(nèi)外的最近研究現(xiàn)狀,針對(duì)本論文研究方向涉及到的關(guān)鍵技術(shù)進(jìn)行了重點(diǎn)研究。其次,重點(diǎn)針對(duì)K-means聚類算法進(jìn)行了研究,主要體現(xiàn)在對(duì)算法的理論以及算法的特點(diǎn)進(jìn)行了詳細(xì)闡述,并且重點(diǎn)對(duì)K-means聚類算法改進(jìn)與應(yīng)用進(jìn)行了設(shè)計(jì);結(jié)合著數(shù)據(jù)挖掘技術(shù)對(duì)精準(zhǔn)營(yíng)銷策略進(jìn)行了設(shè)計(jì)。最后,針對(duì)電信用戶的使用模式、消費(fèi)習(xí)慣等數(shù)據(jù),設(shè)計(jì)了基于K-means算法的精準(zhǔn)營(yíng)銷分析模型,并將論文設(shè)計(jì)的分析方法應(yīng)用到實(shí)際案例中去,對(duì)用戶進(jìn)行聚類分析,提出針對(duì)性的精準(zhǔn)營(yíng)銷策略。同時(shí)在日常工作... 

【文章頁(yè)數(shù)】：63 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 課題研究背景與意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 數(shù)據(jù)挖掘國(guó)內(nèi)外研究現(xiàn)狀
        1.2.2 精準(zhǔn)營(yíng)銷國(guó)內(nèi)外研究現(xiàn)狀
        1.2.3 目前存在的主要問題
    1.3 本文主要研究?jī)?nèi)容與結(jié)構(gòu)安排
第2章 數(shù)據(jù)挖掘技術(shù)相關(guān)理論
    2.1 數(shù)據(jù)挖掘的定義
    2.2 數(shù)據(jù)挖掘技術(shù)平臺(tái)相關(guān)理論
    2.3 數(shù)據(jù)挖掘算法分類
    2.4 移動(dòng)通信行業(yè)數(shù)據(jù)業(yè)務(wù)現(xiàn)狀研究
    2.5 精準(zhǔn)營(yíng)銷研究重點(diǎn)
    2.6 本章小結(jié)
第3章 K-means聚類算法在精準(zhǔn)營(yíng)銷中的應(yīng)用研究
    3.1 K-means聚類算法改進(jìn)
        3.1.1 K-means算法介紹
        3.1.2 K-means算法的優(yōu)缺點(diǎn)
        3.1.3 K-means基于密度的算法改進(jìn)方法
    3.2 基于數(shù)據(jù)挖掘的精準(zhǔn)營(yíng)銷策略設(shè)計(jì)
        3.2.1 用戶數(shù)據(jù)處理
        3.2.2 維度確定
        3.2.3 聚類分析
        3.2.4 抽樣分析
    3.3 本章小結(jié)
第4章 K-means聚類算法在某地聯(lián)通公司的應(yīng)用案例
    4.1 隨機(jī)用戶分析營(yíng)銷案例
        4.1.1 數(shù)據(jù)準(zhǔn)備
        4.1.2 應(yīng)用K-means算法聚類分析結(jié)果
        4.1.3 實(shí)際應(yīng)用分析
        4.1.4 精準(zhǔn)營(yíng)銷策略及實(shí)際營(yíng)銷結(jié)果
    4.2 校園用戶營(yíng)銷案例
        4.2.1 數(shù)據(jù)準(zhǔn)備
        4.2.2 應(yīng)用K-means算法聚類分析結(jié)果
        4.2.3 實(shí)際應(yīng)用分析
        4.2.4 精準(zhǔn)營(yíng)銷策略及實(shí)際營(yíng)銷結(jié)果
    4.3 本章小結(jié)
第5章 總結(jié)與展望
    5.1 總結(jié)
    5.2 未來(lái)工作展望
致謝
參考文獻(xiàn)


【參考文獻(xiàn)】：
期刊論文
[1]決策樹機(jī)器學(xué)習(xí)策略在數(shù)據(jù)分析中的優(yōu)化[J]. 溫立輝.  五邑大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(03)
[2]5G時(shí)代的打開方式[J]. 車海剛.  中國(guó)發(fā)展觀察. 2019(11)
[3]基于K-Adaboost數(shù)據(jù)挖掘的配電網(wǎng)負(fù)荷預(yù)測(cè)[J]. 劉偉,張銳鋒,彭道剛.  浙江電力. 2019(01)
[4]基于分類與回歸算法（CART）的城市道路交通狀態(tài)閾值劃分研究[J]. 張玨,王亞萍.  黑龍江交通科技. 2018(10)
[5]探討精準(zhǔn)營(yíng)銷背后隱藏的融合趨勢(shì)[J]. 胡星.  新聞研究導(dǎo)刊. 2016(16)
[6]基于聚類中心優(yōu)化的k-means最佳聚類數(shù)確定方法[J]. 賈瑞玉,宋建林.  微電子學(xué)與計(jì)算機(jī). 2016(05)
[7]關(guān)于企業(yè)市場(chǎng)營(yíng)銷戰(zhàn)略的創(chuàng)新研究[J]. 王瑩瑩.  商. 2015(46)
[8]論市場(chǎng)營(yíng)銷策劃的重要性[J]. 王影.  知識(shí)經(jīng)濟(jì). 2015(16)
[9]數(shù)據(jù)挖掘在數(shù)字圖書館中的應(yīng)用研究綜述[J]. 李文闊,李永先.  新世紀(jì)圖書館. 2012(02)
[10]應(yīng)對(duì)競(jìng)爭(zhēng)對(duì)手的新產(chǎn)品預(yù)告:策略的進(jìn)取性及其效果[J]. 伍青生.  中大管理研究. 2011(03)

碩士論文
[1]ZM天然氣管道輸差分析及應(yīng)用程序開發(fā)[D]. 李晶晶.西南石油大學(xué) 2017
[2]大數(shù)據(jù)背景下中國(guó)電信行業(yè)的用戶細(xì)分[D]. 關(guān)彤.天津財(cái)經(jīng)大學(xué) 2017
[3]母嬰用品自媒體營(yíng)銷策略研究[D]. 王子萱.蘭州理工大學(xué) 2016
[4]基于虛擬機(jī)的Hadoop分布式聚類挖掘方法研究與應(yīng)用[D]. 尚丹丹.哈爾濱理工大學(xué) 2015
[5]基于海量數(shù)據(jù)挖掘關(guān)聯(lián)測(cè)度工具的設(shè)計(jì)[D]. 岳雪.西安財(cái)經(jīng)學(xué)院 2014
[6]基于數(shù)據(jù)挖掘的電子商務(wù)商品個(gè)性化推薦技術(shù)研究[D]. 王衛(wèi)健.電子科技大學(xué) 2014
[7]數(shù)據(jù)挖掘與網(wǎng)站運(yùn)營(yíng)管理[D]. 王仁彥.華東師范大學(xué) 2010
[8]基于網(wǎng)絡(luò)數(shù)據(jù)挖掘的客戶獲取系統(tǒng)研究[D]. 俞馳.西安電子科技大學(xué) 2009
[9]基于Web數(shù)據(jù)挖掘的作物商務(wù)平臺(tái)分析與研究[D]. 楊毅超.湖南農(nóng)業(yè)大學(xué) 2008
[10]基于數(shù)據(jù)挖掘的航運(yùn)市場(chǎng)預(yù)測(cè)系統(tǒng)設(shè)計(jì)及研究[D]. 馬飛.大連海事大學(xué) 2006



本文編號(hào)：3711469