高端化妆品个性化营销策略研究
发布时间:2020-08-11 13:03
【摘要】:近年来,由于人民生活质量的提升,带来消费者消费理念的变化,使化妆品市场呈现出轻奢化的状态。简单来说,就是消费者开始选择价格相对较高,同时质量优质的产品。另一方面,“异质经济时代”丰富的产品选择使得消费者行为越来越求新和多变,顾客粘性变低,需求的差异性显著。基于此,研究高端化妆品业的消费者购买需求,分析消费者的主观偏好,掌握消费者购买行为的变化规律,适应普遍具有差异化需求的市场规律,并以此来进行个性化推荐,成为企业提升利润获得口碑的关键。基于此,本文以个性化营销策略研究为主题,以SQL SERVER2012、SPSS、R软件为数据处理、数据描述、数据建模工具,以精确定位消费者、推荐消费者所需商品为方法,以提高消费者满意度、实现企业收益最大化为目标,进行高端化妆品的营销策略研究,并据此形成推演,每季度预测一次消费者的购买行为,针对不同行为进行针对化的个性营销,以此来提高营销效率,提升顾客满意度。全文共分六章,第一章为背景、目的、参考文献的介绍;第二部分介绍个性化营销策略在高端化妆品行业的应用理论及研究思路;第三部分为分类算法的比较、选择;第四部分为不均衡样本处理方法的比较、选择;第五部分为实证部分,实证方法为第三、四章所选择的算法,数据为本人所实习公司的真实数据,建模软件为R软件;第六部分基于实证,提出结论与建议。
【学位授予单位】:兰州财经大学
【学位级别】:硕士
【学位授予年份】:2017
【分类号】:F274;F426.72
【图文】:
图 2.1 个性化营销模型构建流程解。在进行实际业务分析之前,应充分理解客户变量与最实际的研究方法,以给后续分析打好基备。实际工作中,采集的数据很有可能是无意识照实际客户需求,选择有效变量并进行相应整理数据标准化处理、目标数据(即被解释变量)的和精力很多,要占整个数据挖掘分析流程的的 7数据表现就好,最后模型表现就好。建立与调整。基于对业务的理解,明确任务与目立模型。当然,如果模型效果不佳,要继续训练评价与应用。此阶段是对模型建立阶段构建的模优模型用语言加以解释,根据模型的解释和评估
图 3.1 ROC 曲线3.1 可以看出:当 1-Specificity=0,且 Sensitivity=1 时,所有样本都被正确当 1-Specificity=1,且 Sensitivity=0 时,所有样本都被错误当 1-Specificity=0,且 Sensitivity=0 时,预测所有样本为负当 1-Specificity=1,且 Sensitivity=1 时,预测所有样本为正如果点在对角线上,说明该分类器随机对于一半的样本猜为负样本。可知,当 ROC 曲线越接近左上角,则该分类器的性能越
人工神经网络 支持向量机图 3.2 各算法 ROC 曲线结果整合 3.2 可知,各算法的 ROC 曲线都不是效果特别明显,其中较、人工神经网络和支持向量机算法。相应的 AUC 值整理在表 值可得,决策树算法表现相较好一些,但也不是特别明显。表 3.3 各算法基础运算速度、适应性等性能对比法名称 计算速度 分类器对数据的适应度 可解释性 A策树 206.83 秒 数据不需标准化 强 0辑回归 187.82 秒 数据需标准化 强 0KNN 210.36 秒 数据需标准化 不强 0神经网络 266.65 秒 数据需标准化 复杂 0向量机 375.71 秒 数据需标准化 复杂 0
本文编号:2789103
【学位授予单位】:兰州财经大学
【学位级别】:硕士
【学位授予年份】:2017
【分类号】:F274;F426.72
【图文】:
图 2.1 个性化营销模型构建流程解。在进行实际业务分析之前,应充分理解客户变量与最实际的研究方法,以给后续分析打好基备。实际工作中,采集的数据很有可能是无意识照实际客户需求,选择有效变量并进行相应整理数据标准化处理、目标数据(即被解释变量)的和精力很多,要占整个数据挖掘分析流程的的 7数据表现就好,最后模型表现就好。建立与调整。基于对业务的理解,明确任务与目立模型。当然,如果模型效果不佳,要继续训练评价与应用。此阶段是对模型建立阶段构建的模优模型用语言加以解释,根据模型的解释和评估
图 3.1 ROC 曲线3.1 可以看出:当 1-Specificity=0,且 Sensitivity=1 时,所有样本都被正确当 1-Specificity=1,且 Sensitivity=0 时,所有样本都被错误当 1-Specificity=0,且 Sensitivity=0 时,预测所有样本为负当 1-Specificity=1,且 Sensitivity=1 时,预测所有样本为正如果点在对角线上,说明该分类器随机对于一半的样本猜为负样本。可知,当 ROC 曲线越接近左上角,则该分类器的性能越
人工神经网络 支持向量机图 3.2 各算法 ROC 曲线结果整合 3.2 可知,各算法的 ROC 曲线都不是效果特别明显,其中较、人工神经网络和支持向量机算法。相应的 AUC 值整理在表 值可得,决策树算法表现相较好一些,但也不是特别明显。表 3.3 各算法基础运算速度、适应性等性能对比法名称 计算速度 分类器对数据的适应度 可解释性 A策树 206.83 秒 数据不需标准化 强 0辑回归 187.82 秒 数据需标准化 强 0KNN 210.36 秒 数据需标准化 不强 0神经网络 266.65 秒 数据需标准化 复杂 0向量机 375.71 秒 数据需标准化 复杂 0
【参考文献】
相关期刊论文 前4条
1 曾志强;吴群;廖备水;高济;;一种基于核SMOTE的非平衡数据集分类方法[J];电子学报;2009年11期
2 杜娟;姜丽丽;陈红丽;;不均衡数据集文本分类中少数类样本生成方法研究[J];计算机应用研究;2009年10期
3 郝红卫;蒋蓉蓉;;基于最近邻规则的神经网络训练样本选择方法[J];自动化学报;2007年12期
4 王海军;孙宝元;张强;王吉军;魏小鹏;;支持个性化产品定制的变型配置设计方法[J];机械工程学报;2006年01期
相关博士学位论文 前4条
1 钱云;非均衡数据分类算法若干应用研究[D];吉林大学;2014年
2 王瑞;针对类别不平衡和代价敏感分类问题的特征选择和分类算法[D];中国科学技术大学;2013年
3 姜元春;基于智能优化方法的个性化营销策略研究[D];合肥工业大学;2011年
4 潘淮水;基于顾客关系管理的直复营销企业整合营销管理模式研究[D];南开大学;2009年
相关硕士学位论文 前5条
1 黄超然;基于数据挖掘的精准营销系统的设计与实现[D];华南理工大学;2013年
2 王海飞;基于Hadoop云的数据库营销海量数据处理与挖掘的研究[D];浙江理工大学;2013年
3 陈秋阳;基于数据挖掘技术的精准营销系统的设计与实现[D];浙江大学;2010年
4 牛文颖;改进的ID3决策树分类算法在成绩分析中的应用研究[D];大连交通大学;2008年
5 郑明超;数据挖掘技术中分类算法的比较分析[D];兰州商学院;2007年
本文编号:2789103
本文链接:https://www.wllwen.com/jingjilunwen/xmjj/2789103.html