基于两步层次聚类的B2C电子商务客户细分研究

发布时间：2017-09-28 09:47

  本文关键词：基于两步层次聚类的B2C电子商务客户细分研究

  更多相关文章： 客户细分 数据挖掘 聚类算法

【摘要】：近年来,电子商务得到了迅猛发展,越来越重要的客户资源已变成企业取得并保持竞争优势的重要因素。企业的工作重心逐渐转移到客户上面,资源也投入到发展和维持客户上,采用差异化的营销手段来提升客户满意度,而实现精准营销的前提就是有效的客户细分。而客户细分的有效性取决于使用的模型和方法,传统过于简单和粗糙的模型和方法必然难以满足日渐多样化的企业要求和客户需求,而数据挖掘技术可以高准确度、高效率地处理复杂的模型和数据,从而对客户群进行精确分类和描述,充分体现各类客户的综合特征,企业营销部门据此可以细致地了解并分析客户的特点,甚至可以实现对顾客的动态追踪,继而提出有效的营销计划,达到最终目标。 论文在阐述客户细分理论后,在分析了其细分依据、方式、要求、局限性及在B2C电子商务环境下的变化的基础上,从人口统计属性、心理特征属性、消费行为和客户价值以及网络影响四个方面分析,建立了B2C电子商务客户细分指标体系,其中根据电子商务交易的特性,在一些基本属性的基础上,添加了保持水平、支付方式、平均利润价值和网络影响因素等属性,以供进行聚类分析选择指标时参考。 此外,论文选择聚类分析作为进行B2C电子商务客户细分的方法,对聚类分析的原理、特点以及划分做了较为充分的说明和总结,重点介绍了K-means算法、SL层次聚类算法、DBSCAN算法和两步层次聚类算法,分析了两步层次聚类分析算法在原理和思想上的优势及与电子商务客户细分的契合性,最后用仿真实验对几大聚类算法进行了比较,在准确率、算法效率和噪声处理能力方面给出了比较结果,最终确定两步层次聚类算法作为完成B2C电子商务客户细分过程的方法。 最后是两步层次聚类算法在B2C电子商务客户细分领域的应用,从网站获取数据后,经过数据清洗和数据变换等数据准备过程,结合建立的指标体系和实际情况,确定最终参与聚类分析的客户指标,使用IBM的Clementine软件完成用两步层次聚类算法对数据的聚类过程,对聚类结果进行信息统计和结果分析,并给出了一定的建议。 本文在客户细分理论和聚类分析理论的基础上,探讨了聚类分析在B2C电子商务客户细分领域中应用的问题,提出了自己的一些观点。
【关键词】：客户细分 数据挖掘 聚类算法
【学位授予单位】：东北财经大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：F274;F713.36
【目录】：

• 摘要2-4
• ABSTRACT4-8
• 1. 绪论8-16
• 1.1 选题的背景8-9
• 1.2 国内外研究现状9-11
• 1.3 研究意义11-13
• 1.3.1 理论意义11
• 1.3.2 实践意义11-13
• 1.4 研究方法13
• 1.5 研究内容及创新点13-14
• 1.6 论文结构14-16
• 2. B2C电子商务客户细分研究16-22
• 2.1 客户细分理论研究16-18
• 2.1.1 客户细分概述16-17
• 2.1.2 客户细分的依据17
• 2.1.3 客户细分方式17-18
• 2.2 传统客户细分的局限性18
• 2.3 B2C电子商务中客户细分的变化18-19
• 2.4 B2C电子商务客户细分的要求19-20
• 2.5 B2C电子商务客户细分技术研究20-21
• 2.6 本章小结21-22
• 3. B2C电子商务客户细分过程22-27
• 3.1 B2C电子商务环境下客户细分流程22-23
• 3.2 B2C电子商务环境下客户细分指标体系23-26
• 3.2.1 客户细分变量的选择标准23-24
• 3.2.2 客户细分指标体系构建24-26
• 3.3 本章小结26-27
• 4. 聚类分析算法27-46
• 4.1 聚类定义27
• 4.2 聚类分析的特点27-28
• 4.3 聚类分析算法的划分28-30
• 4.3.1 从聚类结果角度划分28
• 4.3.2 从聚类变量类型角度划分28
• 4.3.3 从聚类原理角度划分28-30
• 4.4 主要代表聚类算法30-34
• 4.4.1 K-means算法30-31
• 4.4.2 SL层次聚类算法31-32
• 4.4.3 DBSCAN算法32-33
• 4.4.4 聚类算法的评价标准33-34
• 4.5 两步层次聚类算法34-40
• 4.5.1 两步层次聚类算法概述34-35
• 4.5.2 两步层次聚类算法的“亲疏程度”35-36
• 4.5.3 两步层次聚类过程36-38
• 4.5.4 聚类数目的确定38-40
• 4.6 算法仿真实验40-45
• 4.6.1 算法准确率测试40-42
• 4.6.2 算法效率测试42-43
• 4.6.3 算法噪声敏感性测试43-45
• 4.7 本章小结45-46
• 5. 基于两步层次聚类的算法应用于B2C电子商务客户细分46-54
• 5.1 聚类算法应用于客户细分的步骤46
• 5.2 数据获取46-47
• 5.3 数据准备与指标选取47-49
• 5.4 使用两步层次聚类算法进行客户细分49-52
• 5.5 客户细分聚类结果分析52-53
• 5.6 本章小结53-54
• 6. 结论与展望54-56
• 6.1 结论54-55
• 6.2 B2C客户细分发展趋势55-56
• 参考文献56-59

【相似文献】

中国期刊全文数据库 前10条

1 李益强,漆晨曦;基于数据挖掘的电信客户细分研究析[J];广东通信技术;2005年05期

2 张晓航;基于聚类算法的客户细分[J];通信企业管理;2005年12期

3 张国政;高杰;;客户关系管理中基于数据挖掘的客户细分研究[J];市场营销导刊;2005年05期

4 刘立;;数据仓库中的客户细分[J];当代经理人;2006年03期

5 叶强;卢涛;闫相斌;李一军;;客户关系管理中的动态客户细分方法研究[J];管理科学学报;2006年02期

6 张国政;;客户关系管理中基于数据挖掘的客户细分研究[J];商业研究;2006年13期

7 夏维力;王青松;;基于客户价值的客户细分及保持策略研究[J];管理科学;2006年04期

8 周粉妹;;聚类算法在客户细分中的应用[J];烟台职业学院学报;2006年02期

9 阎长顺;李一军;;基于云模型的动态客户细分分类模型研究[J];哈尔滨工业大学学报;2007年02期

10 李春宏;;基于数据挖掘方法的中小型企业客户细分的案例研究[J];云南师范大学学报(自然科学版);2007年03期

中国重要会议论文全文数据库 前3条

1 张国政;;基于CLV及客户满意度的客户细分研究[A];中国市场营销创新与发展学术研讨会论文集[C];2009年

2 谢琳;潘定;;珠三角宽带客户细分及保持策略研究[A];第二十九届中国控制会议论文集[C];2010年

3 卢艳丽;韩景元;袁丽娜;;基于客户终身价值的客户细分方法实证研究[A];中国市场学会2006年年会暨第四次全国会员代表大会论文集[C];2006年

中国重要报纸全文数据库 前10条

1 范炜;合理确定客户细分标准是理财业务的重中之中[N];中国城乡金融报;2006年

2 ;拨开“客户细分”迷雾[N];网络世界;2006年

3 工业和信息化部电信研究院泰尔管理研究所 狄辉;客户细分魔法书[N];通信产业报;2009年

4 任柏菘;普尔特的客户细分[N];中国房地产报;2011年

5 主持人 中国房地产报管理评论部资深记者 张劲松;怎样实现中国特色的客户细分？[N];中国房地产报;2011年

6 邮储银行江苏省连云港市分行 朱慈;基于经济生命周期的银行客户细分[N];中国邮政报;2013年

7 本报记者 李秀中;客户细分 上海大众运作“关系营销”[N];第一财经日报;2005年

8 记者 方俊;券商强化客户细分初尝甜头[N];上海证券报;2011年

9 中研博峰咨询有限公司咨询顾问 高荣霞;六步骤锁定细分市场[N];通信产业报;2009年

10 杨怡 刘学;重庆移动深度推进客户细分工程[N];人民邮电;2006年

中国硕士学位论文全文数据库 前10条

1 吴昊;基于利益的客户细分方法研究[D];华中科技大学;2004年

2 罗斌;面向客户细分的改进关联规则算法研究[D];哈尔滨工业大学;2006年

3 卞爱军;基于信息化平台的寿险客户细分管理研究[D];南京理工大学;2008年

4 刘岗;电信企业客户细分研究[D];暨南大学;2008年

5 吴涛;陕西联通租机客户细分研究[D];西北大学;2009年

6 卢峗栋;客观聚类在房地产客户细分中的应用及理论研究[D];首都经济贸易大学;2009年

7 朱幸燕;基于消费行为认知的电信企业客户细分方法研究[D];华南理工大学;2011年

8 李媛;电信企业客户细分的模型研究[D];北京交通大学;2007年

9 蔡凌卿;银行卡客户细分系统分析与设计[D];西南财经大学;2004年

10 郭强;基于多示例核聚类的港口客户细分[D];大连理工大学;2007年

，

本文编号：935166