鐵路貨運大數據平臺下基于聚類的客戶細分應用研究.pdf

1、近年來，我國鐵路貨運信息化建設取得了很大的突破和成果，但沉淀的大量貨運數據缺乏有效的管理利用，開展大數據技術在鐵路貨運業(yè)務上的數據挖掘研究具有重要的應用價值?？蛻艏毞质秦涍\營銷的基礎，能夠更好地識別客戶群體，合理地配置企業(yè)資源，為企業(yè)創(chuàng)造更大的利潤。但目前鐵路貨運的客戶細分采用基于經驗和統計的簡單劃分的方法，不能準確區(qū)分客戶類別，無法有效地支持營銷決策。本文將客戶細分的常用方法RFM模型做出改進，并與聚類挖掘算法相結合，為鐵路貨運海量數

2、據下復雜的客戶細分問題提供了新的解決方法。
　　本文的主要工作包含以下幾個方面:
　　(1)針對鐵路貨運的特點，對傳統的客戶細分方法RFM模型做了改進，提出了KFM模型。
　　(2)由于傳統的K-means聚類算法存在對初始聚類中心敏感且容易陷入局部最優(yōu)的缺點，本文提出了改進的K-means聚類算法。實驗表明改進后的算法提高了客戶細分的準確率。
　　(3)將KFM模型與改進后的K-means聚類算法相結合，利用鐵

3、路電子商務系統的貨運數據進行了客戶細分。細分結果很好地展現了各類客戶的特征，彌補了傳統的基于RFM模型的客戶細分對數據挖掘不夠深入的缺陷。
　　(4)在Hadoop大數據平臺下，實現了數據標準化方法和K-means聚類算法基于MapReduce的并行化。實驗表明基于MapReduce的并行化提升了算法的性能，能勝任大量數據分析處理任務。
　　本文將聚類挖掘技術應用于鐵路貨運大數據平臺下的客戶細分，確定不同價值和行為傾向的客戶