基于混合数据的证券客户聚类研究

论文摘要

在当今激烈竞争的商业环境中,客户已成为企业最重要的资产,谁把握了客户谁就拥有了市场。保持客户、吸引客户和充分发掘客户的盈收潜力是企业提高核心竞争力的关键。在证券行业也是如此。如何能更好地了解客户的特点和需求,设计满足客户需求的有效产品和服务,提高客户的收益和满意度,是证券业客户关系管理的关键所在。而客户细分策略就是他们赢得客户的最好基础。数据挖掘技术是一种新的商业信息处理技术,能够帮助企业根据客户的内在和外在属性、及客户的消费行为特征对其分类,从而为不同类别的客户提供针对性的产品和服务。而聚类分析是该领域的核心技术和非常活跃的研究方向。聚类就是按照事物的属性特征把事物聚集成若干簇,使同一簇内的数据对象之间具有较高的相似性,而不同簇之间的数据对象相似度较低。本文在对客户细分理论和聚类分析理论进行阐述的基础上,对传统的K-means算法在距离的计算和初始点的选择上进行了改进,然后利用证券客户数据进行了实证研究,聚类结果比较理想,而且计算时间大大缩减。在论文的最后还针对不同的证券客户给出不同的营销建议。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景及意义
• 1.1.1 研究背景
• 1.1.2 研究意义
• 1.2 国内外研究现状
• 1.3 论文研究内容及框架
• 1.4 研究方法、创新点及难点
• 1.4.1 研究方法
• 1.4.2 创新点
• 1.4.3 难点
• 第二章 相关理论综述
• 2.1 客户细分基本理论
• 2.1.1 客户细分的产生与理论依据
• 2.1.2 客户细分的目的与作用
• 2.1.3 客户细分的方式
• 2.2 数据挖掘基本理论
• 2.2.1 数据挖掘概述
• 2.2.2 数据挖掘过程
• 2.2.3 数据挖掘基本方法
• 2.3 聚类分析理论
• 2.3.1 聚类分析概述
• 2.3.2 将聚类算法应用于客户细分
• 第三章 数据预处理
• 3.1 数据预处理概述
• 3.2 证券客户数据预处理的原因
• 3.3 数据预处理技术
• 3.3.1 数据清洗
• 3.3.2 数据集成
• 3.3.3 数据转换
• 3.3.4 数据规约
• 第四章 K-means聚类分析
• 4.1 K-means算法
• 4.2 对混合数据间距离的计算办法
• 4.2.1 两个数据对象间距离的计算及改进
• 4.2.2 数值型属性权重的求解
• 4.3 两个混合型数据对象间的距离
• 4.4 聚类中心的确定
• 4.4.1 初始聚类中心的确定
• 4.4.2 以后聚类中心的确定
• 4.5 聚类过程
• 第五章 实证分析
• 5.1 所用软件介绍
• 5.2 数据的获取和数据预处理
• 5.3 聚类分析
• 5.4 实证结果分析
• 第六章 总结及展望
• 6.1 总结
• 6.2 研究的局限性和展望
• 参考文献