基于數據挖掘技術的客戶消費行為分析系統(tǒng)的開發(fā)與應用.pdf

1、國內通信行業(yè)運營商在經過幾次分拆和重組以及3G牌照的發(fā)放后，行業(yè)的競爭和對用戶的爭奪日益激烈，在如何提升服務意識、發(fā)展銷售渠道和新的宣傳方式等方面都面臨著新的問題。在以客戶為中心的競爭環(huán)境中，如果既能擁有大量的信息，又能擁有先進的分析信息的工具，就能在激烈的競爭中取得優(yōu)勢。數據挖掘是從大量數據中提取或挖掘知識進行數據分析，從而發(fā)現(xiàn)潛在信息的技術。對客戶進行細分能夠幫助企業(yè)從更加深入全面的角度洞察客戶、了解客戶價值取向，基于這種洞察在合適

2、的時間通過合適的渠道向合適的客戶提供量身定做的產品套餐。
　　 本文首先介紹了數據挖掘的相關理論和發(fā)展現(xiàn)狀，其次對客戶消費行為分析系統(tǒng)進行了設計目標和功能模塊的需求分析，給出了系統(tǒng)的流程圖，確定了選用聚類、決策樹、關聯(lián)規(guī)則三種算法進行數據挖掘，并詳細介紹了聚類、決策樹、關聯(lián)規(guī)則三種算法的原理。
　　 本文結合通信行業(yè)運營商的實際情況，采用了K-means聚類算法、C5.0決策樹和Apriori關聯(lián)規(guī)則應用于客戶消費行為分

3、析，進行數據挖掘，設計并實現(xiàn)了客戶消費行為分析系統(tǒng)。
　　 在數據挖掘模塊的設計中，首先將常用的兩種聚類算法進行比較，認為K-means算法能夠很好的解決給出的數值型屬性的數據對象的聚類問題，經常以局部最優(yōu)結束，算法是相對可伸縮和高效率的，對輸入數據順序的敏感度一般，算法結果比較容易理解，建模速度也較快，與通信運用商現(xiàn)有數據庫的特點相吻合，得出K-means算法更適用于進行客戶消費行為分析的結論。本文將K-means算法用于對某

4、通信運營商的客戶進行細分為例，闡述了算法的實現(xiàn)過程，對結果進行了分析，并對算法進行了改進，減小了K-means算法因其初始聚類中心的隨機選取而可能出現(xiàn)的算法在局部極小處收斂的可能性，提高了算法的聚類效果。其次，本系統(tǒng)還運用了Apriori關聯(lián)規(guī)則進行數據挖掘，以長話漫游包產品是否適合捆綁銷售為例，詳細闡述了Apriori關聯(lián)規(guī)則的實現(xiàn)過程，對結果進行了分析，并對算法進行了改進，由于Apriori關聯(lián)規(guī)則存在多次掃描數據庫，并通過模式匹配

5、檢查候選項集而導致效率低的問題，經過改進，Apriori關聯(lián)規(guī)則只需掃描一次數據庫，大大的提升算法了的效率。第三，本文將ID3、C4.5、C5.0、CART等主要決策樹算法的關系和發(fā)展歷程進行了介紹，C5.0決策樹算法更適用于進行客戶消費行為分析，本系統(tǒng)將C5.0決策樹算法用于營銷案目標客戶的篩選，本文以長話包客戶篩選為例，詳細闡述C5.0決策樹算法的實現(xiàn)過程，并對結果進行了分析總結。
　　 實際應用表明，數據挖掘技術對客戶消費