基于数据挖掘的零售业客户细分方法

发布时间：2017-08-05 07:47

  本文关键词：基于数据挖掘的零售业客户细分方法

  更多相关文章： 客户细分 RFM 熵值法 K-Means 客户关系管理

【摘要】：随着我国经济水平的提高,零售业发展迅猛。但由于竞争的加剧,零售业的利润日渐微薄,迫切需要寻找新的利润增长点。对于现在供过于求的零售业来说,如何赢得和保留客户并将客户价值最大化变得尤为重要,也日渐成为企业最为关注的问题之一。客户细分是企业成功实施客户保持的关键,数据挖掘技术的出现更是为客户细分提供了新方法。已有的零售业客户细分研究存在两方面的不足:一是尚未形成完整的适用于零售业的客户细分指标体系;二是客户细分模型准确度偏低。为了弥补以上不足,本研究工作在梳理了客户细分理论和数据挖掘技术基础上,构建了一套基于RFM的客户细分指标体系,利用基于属性加权的K-Means算法建立了客户细分模型。采用某连锁超市的3万多条会员数据和近38万条销售数据进行实证研究,运用以上指标体系和客户细分模型完成了客户细分,最终将客户分为四大类,并针对不同客户群体给出相应的营销策略。实证研究结果表明,该方法在客户行为特征区分能力和聚类紧凑性方面均优于传统基于RFM的细分方法。方法可行、有效,能够更好地解决零售业客户细分问题,提升客户关系管理和营销决策质量。因此,本研究工作丰富了客户细分理论,为后续零售业客户细分的研究提供了有价值的借鉴和参考。实践上,通过实证分析,证明了方法的有效性,为零售业采用该指标体系和模型提升营销活动效果提供了方法和参照。
【关键词】：客户细分 RFM 熵值法 K-Means 客户关系管理
【学位授予单位】：青岛大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：F724.2;F274
【目录】：

• 摘要2-3
• Abstract3-6
• 第1章 绪论6-15
• 1.1 研究背景6-7
• 1.1.1 零售业面临机遇和挑战6-7
• 1.1.2 数据挖掘为零售业客户细分提供了新方法7
• 1.2 研究的目的和意义7-8
• 1.3 国内外相关研究现状8-12
• 1.3.1 客户细分指标体系研究8-10
• 1.3.2 客户细分方法研究10-12
• 1.4 研究内容12-14
• 1.5 研究方法14-15
• 第2章 客户细分与数据挖掘概述15-27
• 2.1 客户细分理论概述15-18
• 2.1.1 客户细分的概念15
• 2.1.2 客户细分的意义15-16
• 2.1.3 客户细分方法16-18
• 2.2 数据挖掘技术概述18-22
• 2.2.1 数据挖掘的概念18
• 2.2.2 数据挖掘的功能18-19
• 2.2.3 数据挖掘的流程19-22
• 2.2.4 数据挖掘常用工具22
• 2.3 客户细分中常用的数据挖掘算法22-27
• 2.3.1 聚类分析22-25
• 2.3.2 K-Means算法介绍25-27
• 第3章 零售业客户细分指标体系的构建27-32
• 3.1 指标体系构建的步骤27
• 3.2 客户细分的原则27
• 3.3 传统零售业客户细分指标分析27-29
• 3.4 零售业客户消费行为特征29-30
• 3.5 零售业客户细分指标体系的构建30-32
• 第4章 基于数据挖掘技术的零售业客户细分模型构建32-36
• 4.1 零售业数据的特点32
• 4.2 零售业客户细分算法的选择与改进32-35
• 4.2.1 K-means算法的优缺点32-33
• 4.2.2 基于属性加权的改进K-Means算法设计33-35
• 4.3 基于指标体系和改进K-Means算法的客户细分模型35-36
• 第5章 实证分析36-43
• 5.1 业务理解36
• 5.2 数据理解36-38
• 5.3 数据准备38-39
• 5.4 零售业客户细分模型的建立39-40
• 5.5 结果解释与分析40-42
• 5.6 与传统基于RFM的方法比较42-43
• 第6章 结论与展望43-45
• 6.1 结论43
• 6.2 展望43-45
• 参考文献45-49
• 攻读学位期间的研究成果49-50
• 致谢50-51

【参考文献】

中国期刊全文数据库 前10条

1 刘芝怡;陈功;;基于改进K-means算法的RFAT客户细分研究[J];南京理工大学学报;2014年04期

2 李刚;张莉;李纯青;;交易数据的百货商场客户细分研究[J];西安工业大学学报;2014年03期

3 綦欣德;;客户细分方法新视角[J];商业时代;2013年26期

4 曾小青;徐秦;张丹;林大瀚;;基于消费数据挖掘的多指标客户细分新方法[J];计算机应用研究;2013年10期

5 徐翔斌;王佳强;涂欢;穆明;;基于改进RFM模型的电子商务客户细分[J];计算机应用;2012年05期

6 邓晓懿;金淳;j口良之;韩庆平;;移动商务中面向客户细分的KSP混合聚类算法[J];管理科学;2011年04期

7 廉琪;苏屹;;基于SOM和PSO聚类组合算法的客户细分研究[J];华东经济管理;2011年01期

8 陆添超;康凯;;熵值法和层次分析法在权重确定中的应用[J];电脑编程技巧与维护;2009年22期

9 钟雁;郭雨松;;数据挖掘技术在铁路货运客户细分中的应用[J];北京交通大学学报;2008年03期

10 周颖;吕巍;井淼;;基于数据挖掘技术的移动通信行业客户细分[J];上海交通大学学报;2007年07期

，

本文编号：623787