零售业顾客忠诚度的模型研究与聚类挖掘

论文摘要

面对市场的激烈竞争,仅依靠商品本身很难在日趋激烈的竞争中取胜,现今市场的竞争,实际是赢得顾客的竞争。因此,如何建立顾客忠诚度模型分析顾客的忠诚度是十分重要的。因为这为企业如何更好的去识别和保留忠诚度高的顾客,挖掘潜在和提升顾客忠诚度,以及预防顾客流失都起着至关重要的作用。本文研究重点在于分析国内零售业顾客消费行为特性,探讨国内零售业顾客忠诚度评价指标体系,提出适合国内零售业顾客忠诚度评价指标模型,同时与一种较为成熟的顾客忠诚度指标分析模型（简称RFM）进行比较分析,并通过试验表明新模型更适用于零售业的顾客分析,实例验证该模型的有效性和可行性。建立忠诚度模型后,需选取挖掘方法对数据进行挖掘,本文分析K-means算法的优缺点以及在顾客细分中的不足,采用改进的K-means算法--基于近邻密度的初始中心点选择算法（NK-means）对数据进行分析,通过实验证明该算法的有效性。在分析过程中用VC开发的可视化顾客分析系统对顾客按忠诚度进行挖掘,同时根据聚类挖掘结果对不同忠诚度类型顾客提出相应营销建议,从而为优化零售公司的营销策略、深化零售公司的管理理念探索出一条可行之路。本文最后对课题的研究进行总结,并且对基于数据挖掘的我国零售业顾客忠诚度研究的前景做出展望。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 问题的提出
• 1.2 本文的研究背景
• 1.3 我国零售业顾客忠诚度研究的重要性及现实意义
• 1.4 国内外相关研究现状
• 1.4.1 国外研究现状
• 1.4.2 国内研究现状
• 1.5 本课题的来源及研究内容
• 1.6 数据挖掘
• 1.6.1 数据挖掘定义
• 1.6.2 数据挖掘发展现状
• 1.6.3 数据挖掘方法
• 1.7 论文结构安排
• 第二章 零售业现状分析
• 2.1 零售业规模经济性分析
• 2.2 我国零售业现状及发展趋势分析
• 2.2.1 我国零售业现状分析
• 2.2.2 我国零售业发展趋势分析
• 2.2.3 我国零售企业优劣势分析
• 2.2.4 我国零售企业顾客忠诚度现状分析
• 2.3 本章小结
• 第三章 顾客忠诚度及新忠诚度模型提出
• 3.1 顾客忠诚度
• 3.1.1 顾客忠诚度分类
• 3.1.2 零售业顾客忠诚度研究特殊性
• 3.1.3 零售业顾客忠诚度研究方法
• 3.2 顾客分析指标模型
• 3.2.1 “人口统计数据”模型分析法
• 3.2.2 “生活阶段”模型分析法
• 3.2.3 RFM 模型分析法
• 3.3 RFM 指标模型简介及分析
• 3.3.1 RFM 顾客忠诚度模型
• 3.3.2 对RFM 忠诚度模型的分析
• 3.4 新顾客忠诚度模型的建立
• 3.5 SMP 与RFM 忠诚度模型的比较分析
• 3.6 本章小结
• 第四章 基于NK-MEANS 聚类算法的改进
• 4.1 顾客忠诚度的数据挖掘方法
• 4.2 聚类算法的理论研究
• 4.2.1 聚类算法的分类
• 4.2.2 聚类算法的评价标准
• 4.3 基于K-MEANS 的顾客细分
• 4.3.1 K-means 算法
• 4.3.2 基于K-means 顾客细分的不足
• 4.4 基于近邻密度的初始中心点选择算法
• 4.4.1 NK-means 算法的基本原理
• 4.4.2 NK-means 算法的主要步骤
• 4.4.3 NK-means 算法的性能评价
• 4.5 应用NK-MEANS 进行顾客细分的流程
• 4.6 本章小结
• 第五章 零售业顾客忠诚度的聚类挖掘分析
• 5.1 数据准备
• 5.1.1 数据清洗
• 5.1.2 数据整合
• 5.1.3 数据筛选
• 5.1.4 数据转换
• 5.2 SMP 的CLV 指标因素权重的确立
• 5.2.1 AHP 方法简介
• 5.2.2 用AHP 方法计算SMP 的权重值
• 5.3 顾客忠诚度聚类挖掘分析
• 5.4 RFM 与SMP 模型挖掘结果与分析
• 5.5 聚类挖掘结果分析及提高顾客忠诚度建议
• 5.6 本章小结
• 结论
• 参考文献
• 致谢