聚类技术在客户细分中的研究与应用

聚类技术在客户细分中的研究与应用

论文摘要

在瞬息万变的市场环境中,企业越来越强烈地感觉到客户资源将是企业获胜最重要的资源之一,企业已经从以产品为中心的模式向以客户为中心的模式转移。随着企业的不断发展和壮大,企业积累的客户也越来越多,但真正能为企业创造价值的客户却是有限的,所以企业必须对客户进行细分,针对不同的客户群制定不同的营销策略来提高客户的价值贡献。数据挖掘聚类技术能有效的将具有相同特征的客户聚为一类,为企业进行客户细分提供了技术支持。本论文对数据挖掘中的聚类技术以及聚类技术在客户细分中的应用做了研究与分析,主要研究工作和创新如下:(1)研究了数据挖掘的聚类算法。对基于划分的K-means算法、基于密度的DBSCAN算法及基于网格聚类的网格划分技术进行了分析,详细阐述了K-means算法存在的缺陷。K-means算法聚类结果依赖初始聚类中心值,而K-means算法对初始聚类中心的选取是随机的,所以不能保证聚类结果的精度;K-means算法在聚类中对“噪声”和孤立点也非常敏感,少量的“噪声”点就会让聚类结果产生较大的偏差。(2)提出了一种基于伪并行DBSCAN和网格结合的K-means算法(PPDGK)。该算法使用了DBSCAN算法和网格划分技术对数据集进行初始预聚类,有效的排除了数据集中的“噪声”和孤立点,得到了高质量的初始聚类中心,从而有效的提高了聚类精度。由于在预聚类时使用了伪并行技术,使得预聚类时间减少。在得到高质量的初始聚类中心后,算法收敛速度加快,使得该算法整体聚类时间减少。仿真实验表明,PPDGK算法在聚类时间和聚类精度上都要优于K-means算法。(3)将PPDGK算法应用到零售业的客户细分中。首先论述了客户细分的方法,然后详细论述了PPDGK算法的零售业客户细分系统的总体设计,最后给出了该系统的实现和性能分析并对PPDGK算法的细分结果进行了详细的描述。在系统中分别使用了PPDGK、K-means和DBSCAN算法对同一组样本数据进行细分,细分结果表明,基于PPDGK算法能有效排除样本数据集中的“噪声”点,它在细分结果的质量上要优于其他两种算法,而且细分的时间也比其他两种算法少。

论文目录

  • 摘要
  • Abstract
  • 第一章 绪论
  • 1.1 选题背景
  • 1.2 国内外研究现状
  • 1.2.1 聚类算法的研究现状
  • 1.2.2 聚类算法在客户细分中的研究现状
  • 1.3 本文主要研究内容及论文结构
  • 第二章 数据挖掘的相关理论
  • 2.1 数据挖掘的定义
  • 2.2 数据挖掘的对象
  • 2.3 数据挖掘的过程
  • 2.4 数据挖掘的方法
  • 2.5 数据挖掘的功能
  • 2.6 数据挖掘的主要应用领域
  • 2.7 本章小结
  • 第三章 聚类技术及相关算法分析
  • 3.1 聚类分析
  • 3.1.1 聚类的概念
  • 3.1.2 数据对象间的相异度
  • 3.1.3 聚类方法的综合分析
  • 3.2 K-means 算法
  • 3.2.1 K-means 算法的思想和描述
  • 3.2.2 K-means 算法的不足和改进
  • 3.3 DBSCAN 算法
  • 3.3.1 DBSCAN 算法的相关概念
  • 3.3.2 DBSCAN 算法描述
  • 3.4 网格划分技术
  • 3.4.1 自底向上的网格划分方法
  • 3.4.2 自顶向下的网格划分方法
  • 3.5 本章小结
  • 第四章 基于伪并行DBSCAN 和网格结合的K-means 算法
  • 4.1 PPDGK 算法的提出
  • 4.2 PPDGK 算法的基本思想
  • 4.3 PPDGK 算法的步骤
  • 4.3.1 创建网格
  • 4.3.2 基于伪并行DBSCAN 算法的初始预聚类
  • 4.3.3 合并网格单元中数据对象
  • 4.3.4 用 K-means 算法进行聚类
  • 4.4 PPDGK 算法的具体描述
  • 4.5 仿真实验与结果分析
  • 4.6 本章小结
  • 第五章 PPDGK 算法在零售业客户细分中的应用
  • 5.1 客户细分理论的产生
  • 5.2 客户细分的概念
  • 5.3 客户细分的方法
  • 5.3.1 基于价值的客户细分
  • 5.3.2 基于客户行为的细分
  • 5.4 PPDGK 算法应用于客户细分的步骤
  • 5.5 基于PPDGK 算法的零售业客户细分系统的总体设计
  • 5.5.1 数据获取
  • 5.5.2 数据预处理
  • 5.5.3 基于PPDGK 算法的聚类操作
  • 5.6 基于PPDGK 算法的零售业客户细分系统的实现与性能分析
  • 5.6.1 系统开发环境与界面
  • 5.6.2 应用聚类算法进行客户细分
  • 5.6.3 性能分析
  • 5.6.4 基于PPDGK 算法的客户细分结果描述
  • 5.7 本章小结
  • 第六章 总结与展望
  • 6.1 总结
  • 6.2 展望
  • 参考文献
  • 致谢
  • 附录Ⅰ 攻读硕士期间发表论文
  • 相关论文文献

    • [1].基于聚类技术的集成学习方法研究[J]. 河北大学学报(自然科学版) 2009(02)
    • [2].一种基于聚类技术的非量化考勤系统研究[J]. 价值工程 2015(35)
    • [3].人脸聚类技术在公安行业应用浅析[J]. 中国安全防范技术与应用 2019(01)
    • [4].基于K-means聚类技术的博士招生质量研究[J]. 沈阳大学学报(社会科学版) 2018(05)
    • [5].一种基于聚类技术和蚁群算法的社团发现方法[J]. 青岛大学学报(自然科学版) 2011(02)
    • [6].Web服务发现中的服务聚类技术研究[J]. 商场现代化 2009(13)
    • [7].基于聚类技术的股票价格趋势预测[J]. 世界科技研究与发展 2009(03)
    • [8].利用K-means聚类技术对大学生成绩分析研究[J]. 西部皮革 2020(04)
    • [9].聚类技术在Web服务中的应用研究[J]. 软件导刊 2017(07)
    • [10].基于聚类技术的分布式入侵检测模型CDIDS的设计[J]. 无线互联科技 2014(03)
    • [11].一种基于聚类技术的个性化信息检索方法[J]. 计算机工程与应用 2008(08)
    • [12].专利预警中混合聚类技术的应用研究[J]. 福建电脑 2012(01)
    • [13].基于计算智能的聚类技术及其分析研究[J]. 西部皮革 2017(12)
    • [14].基于随机森林的电动汽车充电行为聚类技术研究[J]. 电力工程技术 2019(06)
    • [15].聚类技术在高职院校学生试卷分析中的应用[J]. 新疆职业教育研究 2010(02)
    • [16].聚类技术在学生成绩分析中的应用[J]. 无线互联科技 2016(19)
    • [17].开放课程热点问题研究——基于词频分析和共词聚类技术[J]. 西南交通大学学报(社会科学版) 2015(02)
    • [18].数据挖掘中聚类分析综述[J]. 价值工程 2014(15)
    • [19].融合双聚类技术的新型协同过滤算法[J]. 湘潭大学自然科学学报 2018(02)
    • [20].应用于大型数据库的聚类技术研究[J]. 重庆文理学院学报(自然科学版) 2008(01)
    • [21].基于神经网络算法的配电网重构研究[J]. 计算机与数字工程 2019(08)
    • [22].基于改进聚类分裂的动态R-树实现方法[J]. 测绘工程 2017(03)
    • [23].计算机数据挖掘技术的开发及其应用探究[J]. 科学技术创新 2018(11)
    • [24].基于聚类技术的三维舰船模型特征库研究[J]. 应用光学 2012(02)
    • [25].知识聚类技术[J]. 沈阳航空工业学院学报 2008(05)
    • [26].房地产客户关系管理系统中数据挖掘技术的应用研究[J]. 民营科技 2014(10)
    • [27].用于精准预测的人工蜂群聚类数据挖掘算法研究[J]. 数字技术与应用 2020(10)
    • [28].使用程序聚类技术的模块重构风险分析方法[J]. 计算机科学与探索 2012(06)
    • [29].基于K-means算法的学生综合测评成绩分析[J]. 现代计算机(专业版) 2011(28)
    • [30].聚类分析在客户细分领域中的应用[J]. 微计算机信息 2010(28)

    标签:;  ;  ;  

    聚类技术在客户细分中的研究与应用
    下载Doc文档

    猜你喜欢