支持向量机SK算法研究及CRM建模分析

论文摘要

客户关系分析是客户关系管理（Customer Relationship Management,简称CRM）中的重要组成部分。数据挖掘是处理数据、发现知识的一种重要工具。本文利用数据挖掘中的相关模型和算法,研究了客户关系分析中的两个主题:客户流失预测和客户全生命周期价值。论文的主要工作和成果包括:1.综述了客户流失分析以及数据挖掘的研究现状,论述了客户流失分析的相关问题。2.分析了客户流失预测问题的特点,采用支持向量机（Support Vector Machines,简称SVM）模型来解决客户流失预测问题。引入SVM的几何计算方法—SK算法,在研究SK算法基础上,提出了改进算法:Forward-SK和Backward-SK算法。通过理论分析和实验数据验证,注意到Forward-SK算法与SK算法有类似的预测精度和较高的效率。而Backward-SK算法是一种更通用的算法,SK算法和软SK算法都可以看作是它的一种特例。3.通过对客户生命周期价值（Customer Lifetime Value,简称CLV）进行分析,利用Markov Chain理论对CLV进行研究。研究了一类有维持项的马氏链CRM方程,并求出其期望收益值的解析解;在此基础上求得客户期望收益总值的解析表达;与无维持项的马尔科夫链模型进行分析和比较,注意到有维持项的马氏链方程具有更好的期望收益和更大的客户期望收益总值,这与实际CRM实践观察是一致的。本文研究的数据挖掘算法和相关的模型在客户管理和其他领域也有理论和应用价值。

论文目录

• 摘要
• Abstract
• 第1章 引言
• 1.1 问题提出
• 1.2 选题背景及意义
• 1.3 数据挖掘研究综述
• 1.4 CRM 中客户流失分析研究的综述
• 1.5 本文研究内容
• 1.5.1 研究内容和意义
• 1.5.2 研究框架和方法
• 1.6 论文结构安排
• 第2章 客户流失的相关问题研究
• 2.1 本章引论
• 2.2 客户流失问题
• 2.2.1 客户流失研究的必要性
• 2.2.2 客户流失及其类型
• 2.2.3 客户流失中的相关概念
• 2.3 客户流失预测和客户全生命周期价值的关系
• 2.3.1 客户流失预测
• 2.3.2 客户全生命周期价值
• 2.3.3 客户流失预测与客户全生命周期价值的逻辑关系
• 2.4 客户流失预测问题分析
• 2.4.1 客户流失预测分析框架
• 2.4.2 客户流失数据特点
• 2.4.3 基于改进SVM 的客户流失预测模型
• 2.5 客户全生命周期价值模型
• 2.6 本章小结
• 第3章 支持向量机SK 算法的研究及客户流失预测应用
• 3.1 本章引论
• 3.2 支持向量机方法
• 3.2.1 SVM 方法简介
• 3.2.2 传统SVM 方法的不足
• 3.3 SK 算法研究
• 3.3.1 SK 算法的理论基础
• 3.3.2 SK 算法及软SK 算法
• 3.3.3 SK 算法的改进
• 3.4 利用改进SK 算法预测客户流失
• 3.4.1 背景
• 3.4.2 数据集描述
• 3.4.3 数据预处理
• 3.4.4 模型与参数选定
• 3.4.5 实验过程
• 3.4.6 实验结果和分析
• 3.5 本章小结
• 第4章 利用Markov Chain 模型研究客户全生命周期价值问题
• 4.1 本章引论
• 4.2 CRM 研究中的两类马氏链模型
• 4.2.1 CLV 的定义
• 4.2.2 状态确定
• 4.2.3 无状态维持项的CRM 马氏链模型
• 4.2.4 有状态维持项的CRM 马氏链模型
• 4.3 两种方案的期望收益和期望收益总值的计算与比较
• 4.3.1 无状态维持项的 CRM 方案的期望收益值及期望收益总值计算和分析
• 4.3.2 有状态维持项的 CRM 方案的期望收益值及期望收益总值计算和分析
• 4.3.3 两方案期望收益总值的比较及分析
• 4.4 本章小结
• 第5章 结论
• 5.1 论文主要工作
• 5.2 论文创新点
• 5.3 工作展望
• 参考文献
• 致谢
• 个人简历、在学期间发表的学术论文与研究成果