聚类分析算法在电信行业交叉销售中的应用研究

论文摘要

随着电信行业自由化和私有化进程的加快,我国电信业正逐步从行业垄断转变为行业竞争,面对电信市场的日趋饱和,如何提高企业自身的竞争力,挽留住现有客户、并最大化他们的价值成为电信企业急待解决的问题。作为新兴营销方式的交叉销售适应了这种变化。国内外已有一些关于交叉销售的研究,但大都局限在理论研究上,本课题针对电信行业拥有比较完整地客户消费行为数据的实际情况,提出了一个适合电信行业的基于聚类的交叉销售模型,并将其应用到指导电信行业进行有针对性的市场营销。论文首先采用误差平方和准则函数对经典K-means算法进行优化,并采用这一优化的K-means算法建立了聚类细分模型,从中获得交叉销售的目标客户,然后统计分析各细分组别经常使用的业务及业务组合,确定可以用来交叉销售的特征业务项,再向没有使用特征业务的用户推荐购买这类业务,实现业务的交叉销售。这一模型的建立为电信行业交叉销售的实施提供了可行性的技术支持,在理论研究和工程实践都具有重要意义。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 研究的背景和意义
• 1.2 研究现状
• 1.3 研究目标和主要内容
• 1.3.1 研究目标
• 1.3.2 研究的主要内容
• 2 电信行业交叉销售综述
• 2.1 交叉销售问题描述
• 2.1.1 交叉销售的定义
• 2.1.2 交叉销售的优点
• 2.1.3 交叉销售与其他销售的区别
• 2.2 交叉销售的理论基础和技术支持
• 2.3 交叉销售机会识别的方法
• 2.3.1 潜在特质模型
• 2.3.2 获得模式
• 2.3.3 生存分析
• 2.3.4 NPTB 模型
• 2.3.5 市场细分
• 2.4 基于客户细分方法实施交叉销售的理论基础
• 2.4.1 根据客户细分方法实施交叉销售的理论依据
• 2.4.2 根据客户细分方法实施交叉销售的意义
• 3 数据挖掘技术在交叉销售中的应用
• 3.1 数据挖掘的概念
• 3.2 数据挖掘的功能
• 3.2.1 发现与预测
• 3.2.2 关联规则挖掘
• 3.2.3 数据聚类
• 3.2.4 概念描述
• 3.2.5 偏差分析
• 3.2.6 演变分析
• 3.3 数据挖掘过程模型
• 3.4 数据挖掘在交叉销售中的应用
• 3.4.1 交叉销售机会识别算法
• 4 聚类算法在电信行业交叉销售中的应用模型
• 4.1 电信行业实施交叉销售的可行性
• 4.1.1 电信行业实施交叉销售的条件
• 4.1.2 电信行业实施交叉销售的可行性分析
• 4.2 聚类分析方法综述
• 4.2.1 聚类算法概念
• 4.2.2 聚类分析方法的分类
• 4.3 交叉销售建模的总体思路
• 4.4 数据预处理技术
• 4.4.1 数据清洗
• 4.4.2 数据集成
• 4.5 细分属性的选取
• 4.5.1 客户基本属性
• 4.5.2 客户价值属性
• 4.5.3 客户消费行为属性
• 4.5.4 基于消费行为的客户细分
• 4.6 聚类算法应用于细分客户
• 4.6.1 K-means 算法
• 4.6.2 K-means 算法的工作原理
• 4.6.3 聚类算法应用于细分客户步骤
• 4.7 聚类评价准则
• 4.8 实施交叉销售营销策略
• 5 交叉销售模型应用实证
• 5.1 总体客户群体的细分分析
• 5.1.1 数据预处理
• 5.1.2 细分属性的选取
• 5.1.3 聚类个数 K 值的确定
• 5.1.4 聚类初始中心点的确定
• 5.1.5 K-means 聚类结果
• 5.2 增值业务交叉销售
• 6 结论与展望
• 6.1 结论
• 6.2 展望
• 参考文献
• 致谢
• 攻读学位期间发表的论文