基于数据挖掘的客户消费行为研究
发布时间：2021-10-26 16:17
当今世界经济快速发展,互联网行业迅速普及,客户的消费行为也发生了翻天覆地的变化。企业为了能够在竞争激烈的市场经济中占据优势,开始转变现有的经营模式,将企业的核心经营模式从“以产品为中心”转移到“以客户为中心”,同时将竞争重心也转移到客户数量上。目前对于客户消费行为的研究相对较少且内容单一,同时客户的消费行为已经趋于多元化和层次化,传统的分析方法已经适应不了当今客户消费行为的变化。本文分析客户消费行为相关算法的优缺点,选择K-MEANS聚类算法对客户进行细分,将细分之后的结果与客户行为变量RFM相结合得到客户价值矩阵,通过分析不同价值的客户在不同时期消费行为模式的变化情况,结合关联规则来预测客户的消费行为,并对相关算法进行深入研究分析存在的问题,分别进行改进。本文的主要研究工作分为以下几点:（1）深入分析客户消费行为的特点。本文详细介绍客户消费行为研究的基本流程,并且分析比较客户消费行为研究的相关算法,针对目前研究技术存在的问题,本文提出了先聚类然后再通过基于客户消费行为模式变化的关联规则来分析客户的消费行为。（2）根据客户消费行为多样性和不稳定性的特点对客户进行细分分析。传统的K-ME...
【文章来源】：浙江理工大学浙江省
【文章页数】：61 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 本文研究背景与意义
1.2 国内外研究现状
1.2.1 国外研究现状
1.2.2 国内研究现状
1.3 本文主要的研究内容
1.4 论文的组织结构
第二章 客户消费行为研究相关技术介绍
2.1 客户消费行为分析
2.2 客户消费行为的相关技术
2.2.1 客户消费数据的预处理
2.2.2 客户细分的聚类算法
2.2.3 客户消费行为的关联规则算法
2.2.4 客户消费行为预测的算法
2.3 本章小结
第三章 基于K-MEANS算法的客户细分研究
3.1 引言
3.2 客户细分
3.3 K-MEANS聚类算法的改进
3.3.1 传统的K-MEANS聚类算法
3.3.2 改进的K-MEANS聚类算法
3.4 实验及结果分析
3.4.1 实验环境与实验数据
3.4.2 实验过程与实验结果分析
3.4.3 客户细分结果及特征描述
3.5 本章小结
第四章 结合客户消费行为模式变化的关联预测模型研究
4.1 引言
4.2 传统客户消费行为模式变化预测算法
4.2.1 发现关联规则的Apriori算法
4.2.2 基于客户行为变量RFM的消费行为挖掘
4.2.3 关联规则预测模型的建立
4.3 改进后客户消费行为模式变化预测算法
4.3.1 改进后的关联预测模型建立
4.3.2 预测客户消费行为模式变化准则
4.4 实验及结果分析
4.4.1 实验环境与实验数据
4.4.2 实验过程与实验结果分析
4.5 本章小结
第五章 总结与展望
5.1 全文工作总结
5.2 研究展望
参考文献
致谢
攻读学位期间的研究成果
【参考文献】：
期刊论文
[1]关联规则挖掘综述[J]. 崔妍,包志强. 计算机应用研究. 2016(02)
[2]一种大数据环境中分布式辅助关联分类算法[J]. 张明卫,朱志良,刘莹,张斌. 软件学报. 2015(11)
[3]基于统计相关性与K-means的区分基因子集选择算法[J]. 谢娟英,高红超. 软件学报. 2014(09)
[4]大数据系统和分析技术综述[J]. 程学旗,靳小龙,王元卓,郭嘉丰,张铁赢,李国杰. 软件学报. 2014(09)
[5]满足均匀分布的不确定数据关联规则挖掘算法[J]. 陈爱东,刘国华,费凡,周宇,万小妹,貟慧. 计算机研究与发展. 2013(S1)
[6]基于消费数据挖掘的多指标客户细分新方法[J]. 曾小青,徐秦,张丹,林大瀚. 计算机应用研究. 2013(10)
[7]数据挖掘技术及应用[J]. 李明江,唐颖,周力军. 中国新通信. 2012(22)
[8]分类不平衡协议流的机器学习算法评估与比较[J]. 张宏莉,鲁刚. 软件学报. 2012(06)
[9]基于RFM的客户分类及价值评价模型[J]. 刘朝华,梅强,蔡淑琴. 技术经济与管理研究. 2012(05)
[10]一种高效的多层和概化关联规则挖掘方法[J]. 毛宇星,陈彤兵,施伯乐. 软件学报. 2011(12)
博士论文
[1]基于关系稳定的基金客户动态市场细分与营销策略研究[D]. 赵紫英.武汉大学 2013
硕士论文
[1]基于大数据的客户细分模型及精确营销策略研究[D]. 杨茜.南京邮电大学 2015
[2]基于主成分分析和粗糙集的聚类分析在经济指标数据中的应用[D]. 陶思羽.吉林大学 2012
[3]聚类算法及其在客户行为分析中的应用研究[D]. 王振东.北京邮电大学 2008
本文编号：3459813
【文章来源】：浙江理工大学浙江省
【文章页数】：61 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 本文研究背景与意义
1.2 国内外研究现状
1.2.1 国外研究现状
1.2.2 国内研究现状
1.3 本文主要的研究内容
1.4 论文的组织结构
第二章 客户消费行为研究相关技术介绍
2.1 客户消费行为分析
2.2 客户消费行为的相关技术
2.2.1 客户消费数据的预处理
2.2.2 客户细分的聚类算法
2.2.3 客户消费行为的关联规则算法
2.2.4 客户消费行为预测的算法
2.3 本章小结
第三章 基于K-MEANS算法的客户细分研究
3.1 引言
3.2 客户细分
3.3 K-MEANS聚类算法的改进
3.3.1 传统的K-MEANS聚类算法
3.3.2 改进的K-MEANS聚类算法
3.4 实验及结果分析
3.4.1 实验环境与实验数据
3.4.2 实验过程与实验结果分析
3.4.3 客户细分结果及特征描述
3.5 本章小结
第四章 结合客户消费行为模式变化的关联预测模型研究
4.1 引言
4.2 传统客户消费行为模式变化预测算法
4.2.1 发现关联规则的Apriori算法
4.2.2 基于客户行为变量RFM的消费行为挖掘
4.2.3 关联规则预测模型的建立
4.3 改进后客户消费行为模式变化预测算法
4.3.1 改进后的关联预测模型建立
4.3.2 预测客户消费行为模式变化准则
4.4 实验及结果分析
4.4.1 实验环境与实验数据
4.4.2 实验过程与实验结果分析
4.5 本章小结
第五章 总结与展望
5.1 全文工作总结
5.2 研究展望
参考文献
致谢
攻读学位期间的研究成果
【参考文献】：
期刊论文
[1]关联规则挖掘综述[J]. 崔妍,包志强. 计算机应用研究. 2016(02)
[2]一种大数据环境中分布式辅助关联分类算法[J]. 张明卫,朱志良,刘莹,张斌. 软件学报. 2015(11)
[3]基于统计相关性与K-means的区分基因子集选择算法[J]. 谢娟英,高红超. 软件学报. 2014(09)
[4]大数据系统和分析技术综述[J]. 程学旗,靳小龙,王元卓,郭嘉丰,张铁赢,李国杰. 软件学报. 2014(09)
[5]满足均匀分布的不确定数据关联规则挖掘算法[J]. 陈爱东,刘国华,费凡,周宇,万小妹,貟慧. 计算机研究与发展. 2013(S1)
[6]基于消费数据挖掘的多指标客户细分新方法[J]. 曾小青,徐秦,张丹,林大瀚. 计算机应用研究. 2013(10)
[7]数据挖掘技术及应用[J]. 李明江,唐颖,周力军. 中国新通信. 2012(22)
[8]分类不平衡协议流的机器学习算法评估与比较[J]. 张宏莉,鲁刚. 软件学报. 2012(06)
[9]基于RFM的客户分类及价值评价模型[J]. 刘朝华,梅强,蔡淑琴. 技术经济与管理研究. 2012(05)
[10]一种高效的多层和概化关联规则挖掘方法[J]. 毛宇星,陈彤兵,施伯乐. 软件学报. 2011(12)
博士论文
[1]基于关系稳定的基金客户动态市场细分与营销策略研究[D]. 赵紫英.武汉大学 2013
硕士论文
[1]基于大数据的客户细分模型及精确营销策略研究[D]. 杨茜.南京邮电大学 2015
[2]基于主成分分析和粗糙集的聚类分析在经济指标数据中的应用[D]. 陶思羽.吉林大学 2012
[3]聚类算法及其在客户行为分析中的应用研究[D]. 王振东.北京邮电大学 2008
本文编号：3459813
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3459813.html
