基于数据挖掘的零售客户细分模型的应用研究

论文摘要

随着信息网络的迅猛发展,零售市场以客户为中心的、服务为目的的战略显得至关重要,掌握客户的需求趋势,加强与客户的关系,有效发掘、管理客户资源是企业的致胜关键。因此,客户关系管理成为了零售领域的研究焦点。客户细分是客户关系管理中的首要任务,只有得到好的细分模型才能有效地对客户进行识别,进而客户保持、客户吸引才能针对性地实施。许多营销者都相信,行为是构建细分市场的最佳起点,本文选择了基于客户行为的细分方法。对于细分变量的选取,能够兼顾客户价值和客户关系的质量最好,然而现实中却很难做到。基于行为的细分中,经典的RFM分析、客户价值矩阵分析虽然都是相对有效的细分方法,但是都忽略了一个关键因素,那就是客户忠诚,忠诚客户群带来的盈利对企业也是很重要的。因此,本文在价值矩阵分析方法的基础上,选取了平均购买额和购买频率两个变量之后,增加了一个用以表征客户存在时间的变量,即客龄,可以在一定程度上体现客户的稳定性。本文利用数据挖掘技术,以平均购买金额、购买频率和客龄作为细分变量,构建零售业的客户细分模型。客户聚类,K-均值算法是一种常用算法,但是聚类数目要预先指定,初始聚类质心是随机选取的,聚类效果未必令人满意。自组织神经网络SOM算法,能够自适应的将样本数据划分成不同的类,不需要预先设定聚类数目,但是不能提供分类后精确的聚类信息。于是,本文提出一种将两算法结合的方式,把整个聚类分析分为了两阶段进行:第一阶段使用SOM神经网络得到聚类数目与聚类质心;第二阶段用第一阶段的输出作为k-均值算法的输入。将客户分为不同类别后,对每一类客户的特征进行提取,有助于提高营销活动的针对性和有效性,有助于客户关系管理的良好实施,本文应用数据挖掘中的决策树来提取客户特征。最后,进行购买参照分析,分析每一类客户的特征与购买商品之间的关联。客户特征提取和购买参照即是对所建客户细分模型的应用。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景和意义
• 1.2 课题来源
• 1.3 国内外现状
• 1.4 主要研究内容
• 1.5 论文结构
• 第二章 数据挖掘与零售客户细分概述
• 2.1 数据挖掘的简介
• 2.1.1 数据挖掘的概念
• 2.1.2 数据挖掘的过程
• 2.1.3 数据挖掘的功能
• 2.2 零售客户关系管理中的客户细分
• 2.2.1 数据挖掘在客户关系管理中的应用
• 2.2.2 客户细分的目的与意义
• 2.2.3 不同视角的客户细分
• 第三章 数据预处理
• 3.1 数据预处理技术
• 3.2 数据准备
• 3.2.1 零售数据抽取
• 3.2.2 新属性添加
• 3.3 数据清理
• 3.4 数据集成和变换
• 3.5 离散化和二元化
• 第四章 基于购买行为的客户细分模型及其算法
• 4.1 行为细分变量的选取
• 4.1.1 RFM 分析
• 4.1.2 客户价值矩阵分析
• 4.1.3 行为忠诚变量
• 4.2 客户细分的技术
• 4.2.1 聚类分析
• 4.2.2 SOM 神经网络
• 4.2.3 K-均值算法
• 4.2.4 SOM 与K-均值两种算法的结合
• 第五章 零售客户细分实验系统
• 5.1 实验系统的建立
• 5.1.1 模块与流程设计
• 5.1.2 实验平台与界面
• 5.2 零售客户细分模型的建模实施
• 5.2.1 基于SOM 网络的细分建模
• 5.2.2 基于K-均值的细分建模
• 5.2.3 基于SOM 和K-均值结合算法的细分建模
• 5.2.4 模型评估
• 5.3 零售客户细分模型的应用
• 5.3.1 基于决策树算法的客户特征提取
• 5.3.2 基于Apriori 的客户特征与购买关联挖掘
• 第六章 总结与展望
• 6.1 总结
• 6.2 展望
• 参考文献
• 致谢
• 读研期间发表的论文及科研情况