面向连锁零售业客户消费行为的分布式挖掘模型研究

面向连锁零售业客户消费行为的分布式挖掘模型研究

论文摘要

随着信息技术的发展、经济全球化进程的加快,人们消费观念、消费模式、消费环境和购买行为发生重大转变;连锁零售业各个分布节点积集了大量关于客户的静态信息和动态交易数据信息,并与总店间通过网络互连形成了分布型的商业共享数据环境,形成了规模庞大的分布商业数据金矿。连锁零售业不能只依据某一结点的数据库进行经营决策,否则不能发现全面的商业信息,而需综合所有分布数据库,从中发现隐藏在大量客户消费数据背后的规则,获取分析决策模式和知识,让海量数据发挥出驱动营销业务的能量与价值,从而将零售业的“商品经营”演绎成“信息经营”,已成为企业研究的重点和难点。本文建立面向连锁零售业客户消费行为的分布式数据挖掘模型,有效利用分布式数据挖掘技术深度挖掘每个分结点中的数据库中客户消费行为信息、客户消费能力和客户消费趋势,支持连锁零售业在细分客户的消费行为中把握商机,提高企业的经营分析决策水平、最终提高企业的核心竞争力。主要研究内容包括:第一,针对目前数据分布环境下客户消费行为分析理论和研究存在的不足,提出了面向连锁零售业客户消费行为的分布式数据挖掘模型(DDMMRCB,Distributed Data Mining Model Based on Consumerbehavior Analysis):以连锁零售业分布的各结点的客户消费行为数据为数据源,以移动Agent运行平台为框架基础,以基于XML的异构数据处理、基于FP-树的分布式关联规则DARMAIF算法(DistributedAssociation Rules Mining Algorithms based on Improved FP tree)和分布式神经网络IDNNA算法(Improved Distributed Neural NetworkAlgorithm)为三大技术关键。第二,本文提出基于知识的元素映射集转换规则及动态匹配机制,并利用XML的可扩展性、结构化、自描述以及跨平台的特点,来解决分布式数据挖掘环境下异构数据源的挖掘问题。第三,本文提出基于FP-树的分布式关联规则DARMAIF算法,将局部站点的原始数据库进行分解并逐步组合成频繁1-项集的项总数个数据库子集,然后再将局部的子数据库的有关项集存储到改进的FP-树结构中,再通过基于被约束子树的数据挖掘算法,挖掘出约束项频繁项目集,并逐渐生成全局的基于约束的关联规则。第四,本文提出了改进型分布式神经网络IDNNA算法,在保留信息的前提下对数据进行有效降维,并通过分布式神经网络IDNNA算法的分布自学习功能得出客户评价的定量评价。第五,最后本文对DMMRCB模型在连锁零售业客户消费行为中的应用做了有益的探索,通过从客户个人特征、客户消费行为、客户态度等角度挖掘连锁零售企业的客户的消费行为,得出相关性分析、客户消费模式分析和客户分类等主题指标,从而为提高连锁零售业的经营分析、决策支持和商品管理等水平都提供了有力支持。

论文目录

  • 摘要
  • ABSTRACT
  • 第1章 绪论
  • 1.1 研究背景与选题意义
  • 1.2 国内外现状
  • 1.2.1 连锁零售业现状
  • 1.2.2 数据挖掘在客户关系管理领域的应用
  • 1.2.3 基于数据挖掘的消费行为分析现状
  • 1.3 本文研究内容与成果
  • 1.4 论文课题来源
  • 1.5 论文组织结构
  • 1.6 本章小结
  • 第2章 相关理论的回顾与分析
  • 2.1 数据挖掘理论
  • 2.1.1 数据挖掘定义
  • 2.1.2 数据挖掘分类
  • 2.1.3 数据挖掘方法
  • 2.2 分布式数据挖掘技术
  • 2.2.1 分布式数据挖掘体系的分类
  • 2.2.2 分布式数据挖掘算法
  • 2.3 Bee-gent系统
  • 2.4 本章小结
  • 第3章 面向连锁零售业客户消费行为的分布式数据挖掘模型DDMMRCB
  • 3.1 连锁零售业客户消费行为
  • 3.1.1 连锁零售业客户消费行为分析层次
  • 3.1.2 连锁零售业客户消费行为分析变量
  • 3.2 分布式数据挖掘模型DDMMRCB的主题指标
  • 3.2.1 相关性分析
  • 3.2.2 客户消费模式分析
  • 3.2.3 客户细分
  • 3.3 分布式数据挖掘模型DDMMRCB的技术关键
  • 3.3.1 分布式环境下的基于XML的数据预处理
  • 3.3.2 基于FP-树的分布式关联规则DARMAIF算法的研究
  • 3.3.3 改进型分布式神经网络IDNNA算法的研究
  • 3.4 本章小结
  • 第4章 分布式数据挖掘模型DDMMRCB的应用
  • 4.1 系统概述
  • 4.2 DDMMRCB模型的应用
  • 4.2.1 数据集
  • 4.2.2 相关性主题指标分析
  • 4.2.3 客户消费模式主题指标分析
  • 4.2.4 客户细分主题指标分析
  • 4.3 本章小结
  • 第5章 总结与展望
  • 5.1 总结
  • 5.2 展望
  • 参考文献
  • 附录1 攻读硕士期间发表的论文
  • 附录2 攻读硕士期间参加的课题和项目
  • 附录3 攻读硕士期间获奖和荣誉
  • 致谢
  • 相关论文文献

    • [1].数字电视工程管理数据挖掘模型设计与实践[J]. 中国传媒科技 2020(03)
    • [2].数据挖掘模型在股市预测中的应用综述[J]. 中国集体经济 2017(33)
    • [3].一种多层安全相关属性标定偏好数据挖掘模型[J]. 科技通报 2015(12)
    • [4].内蒙古自治区经济数据分析系统中数据挖掘模型的应用分析[J]. 内蒙古科技与经济 2011(24)
    • [5].基于神经网络的数据挖掘模型研究[J]. 广东科技 2009(12)
    • [6].一种用于复杂工业过程的数据挖掘模型[J]. 电脑知识与技术 2008(01)
    • [7].大数据架构体系下的数据挖掘模型研究[J]. 科技创新与应用 2018(33)
    • [8].零售业数据仓库开发过程中数据挖掘模型的设计和应用[J]. 河北工业科技 2008(04)
    • [9].大数据时代档案信息资源共享平台数据挖掘模型的研究与实现[J]. 档案管理 2020(04)
    • [10].可产生潜在威胁的网络数据挖掘模型仿真分析[J]. 科技通报 2015(03)
    • [11].基于云计算的物联网数据挖掘模型[J]. 电脑与信息技术 2012(06)
    • [12].指标筛选技术在神经网络数据挖掘模型中的应用[J]. 统计与决策 2011(10)
    • [13].面向动态连锁商业数据流的分布式数据挖掘模型研究[J]. 管理世界 2008(12)
    • [14].一种基于粗糙集的数据挖掘模型[J]. 软件导刊 2012(11)
    • [15].面向指挥信息系统的数据挖掘模型研究[J]. 微处理机 2011(01)
    • [16].数据挖掘模型研究[J]. 微计算机信息 2010(27)
    • [17].教学决策系统中的数据挖掘模型研究[J]. 广东技术师范学院学报 2008(09)
    • [18].应用跨行业数据挖掘模型规范航天制造企业数据开发利用策略[J]. 中国设备工程 2019(06)
    • [19].矿井安全隐患数据挖掘模型及算法分析[J]. 煤炭技术 2013(12)
    • [20].基于模糊改进聚类分析的数据挖掘模型[J]. 太原师范学院学报(自然科学版) 2016(02)
    • [21].大数据中数据挖掘模型的模糊改进聚类算法研究[J]. 电子技术与软件工程 2020(18)
    • [22].嵌入式数据挖掘模型及其在银行卡业务中的应用[J]. 电子设计工程 2012(14)
    • [23].大学生个性化职业指导大数据挖掘模型[J]. 亚太教育 2016(10)
    • [24].网站用户偏好度的数据挖掘模型[J]. 盐城工学院学报(自然科学版) 2009(01)
    • [25].基于数据挖掘模型的违约风险分析——以网络借贷为例[J]. 上海金融 2018(05)
    • [26].探究水利工程管理数据挖掘模型[J]. 价值工程 2015(20)
    • [27].数据挖掘模型在入侵检测系统中的应用[J]. 硅谷 2012(16)
    • [28].云计算技术在海量数据挖掘中的应用研究[J]. 自动化与仪器仪表 2017(06)
    • [29].大学英语学习数据挖掘模型与构建方法[J]. 广东科技 2009(14)
    • [30].网络借贷违约风险分析——基于数据挖掘[J]. 经济研究导刊 2020(10)

    标签:;  ;  ;  

    面向连锁零售业客户消费行为的分布式挖掘模型研究
    下载Doc文档

    猜你喜欢