客户行为变化中关联规则挖掘的研究与应用

论文摘要

现阶段，我国商品市场已从卖方市场向买方市场转变，从产品稀缺向客户稀缺转变，各个企业间的竞争日益激烈，特别表现在客户资源的争夺。因为它们开始认识到，客户资源是企业未来发展最重要的资源。同时，随着计算机技术、通讯技术，特别是数据库技术的发展和成熟，越来越多的企业开始利用信息技术提高管理水平，因此，诸如财务信息系统、进销存系统等局部范围内的MIS，以及企业资源规划(ERP)、客户关系管理(CRM)等整体规划型系统相继出现。随着系统长期使用，决策者开始考虑是否可以从庞大的历史数据中提取出有用的信息，来帮助它们总结甚至预测客户的需求和购买行为的变化。数据挖掘技术的出现和发展使这种设想成为可能。作为数据挖掘领域近十几年来最活跃的分支，关联规则越来越多地被应用到客户行为分析。本文的核心思想在于，利用某真实企业MIS的历史数据，尝试利用关联规则技术从动态角度分析客户购买行为的变化趋势，并利用特定的度量理论对变化趋势的强度进行度量，最终通过笔者开发的系统用可视化技术将其展现给决策者来帮助决策。本文首先系统地分析和阐述了客户关系管理和数据挖掘技术，对于关联规则挖掘理论和算法给予了重点的介绍，之后介绍了一种基于缩减数据集的Apriori算法，并通过真实数据下的测试证明该算法相对于经典Apriori算法在效率方面的优势。然后，本文系统介绍了度量客户行为变化的度量方法，用数学方法定义了各种变化模式并且给出具体划分方法和步骤。在之后的核心章节中，文章阐述了整个实现过程，即由创建数据仓库、数据ETL、挖掘两个时间段内关联规则、客户行为变化度量四阶段构成的技术路线。详细介绍了系统如何分别实现四阶段的目标。最后，文章对系统产生的各种客户行为变化模式作了总结，并通过实例的方式对每一种模式的现实含义给予了具体解释，并向该企业的营销决策者提出了针对某种模式所需要采取的营销建议。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 选题背景
• 1.2 研究价值及意义
• 1.3 本文的内容及结构
• 2 客户行为变化和数据挖掘
• 2.1 客户关系管理概述
• 2.1.1 CRM的概念和内涵
• 2.1.2 CRM的功能和层次
• 2.2 数据挖掘技术概述
• 2.2.1 数据挖掘和知识发现
• 2.2.2 数据挖掘的主要技术
• 2.2.3 数据挖掘的应用
• 2.3 客户行为变化
• 2.3.1 CRM中客户行为分析的含义
• 2.3.2 本文中客户行为变化的界定
• 3 关联规则挖掘理论与算法
• 3.1 关联规则的基本概念和问题描述
• 3.2 关联规则的分类
• 3.2.1 根据所处理的变量类别分类
• 3.2.2 根据规则中数据的抽象层次分类
• 3.2.3 根据所涉及的数据维分类
• 3.2.4 根据对关联规则的不同扩充分类
• 3.3 关联规则挖掘的研究与发展概述
• 3.3.1 关联规则算法的发展
• 3.3.2 关联规则的应用和发展趋势
• 3.4 经典频繁集算法——Apriori算法
• 3.4.1 Apriori算法的理论依据
• 3.4.2 Apriori算法的描述
• 3.4.3 Apriori算法的性能瓶颈
• 3.5 基于缩减事务集的Apriori改进算法
• 3.5.1 算法示例说明
• 3.5.2 算法的补充说明
• 3.5.3 算法的效率验证
• 4 客户行为变化的度量
• 4.1 客户行为变化的类型
• 4.1.1 新兴模式（Emerging Pattern）
• 4.1.2 增加模式（Added Pattern）
• 4.1.3 消退模式（Perished Pattern）
• 4.1.4 意外模式（Unexpected Pattern）
• 4.2 客户行为变化的度量
• 4.2.1 相似度
• 4.2.2 意外度
• 4.2.3 客户行为变化类型划分
• 4.2.4 客户行为变化类型划分的步骤
• 5 关联规则挖掘在客户行为变化中的应用
• 5.1 背景分析
• 5.2 整体技术路线
• 5.3 构建数据仓库模型
• 5.4 数据ETL过程
• 5.4.1 数据抽取
• 5.4.2 数据转换
• 5.4.3 数据加载
• 5.5 挖掘两个时间段的关联规则
• 5.5.1 系统设置部分
• 5.5.2 规则展示部分
• 5.5.3 功能实现按钮部分
• 5.6 客户行为变化的度量结果
• 5.6.1 度量算法的描述
• 5.6.2 新兴模式实例
• 5.6.3 增加模式实例
• 5.6.4 消退模式实例
• 5.6.5 意外结果变化模式实例
• 5.6.6 意外条件变化模式实例
• 6 总结与展望
• 6.1 本文小结
• 6.2 研究展望
• 参考文献
• 致谢
• 攻读学位期间发表的学术论文目录