聚類技術(shù)在客戶細(xì)分中的研究與應(yīng)用.pdf

1、在瞬息萬變的市場環(huán)境中,企業(yè)越來越強(qiáng)烈地感覺到客戶資源將是企業(yè)獲勝最重要的資源之一,企業(yè)已經(jīng)從以產(chǎn)品為中心的模式向以客戶為中心的模式轉(zhuǎn)移。隨著企業(yè)的不斷發(fā)展和壯大,企業(yè)積累的客戶也越來越多,但真正能為企業(yè)創(chuàng)造價(jià)值的客戶卻是有限的,所以企業(yè)必須對客戶進(jìn)行細(xì)分,針對不同的客戶群制定不同的營銷策略來提高客戶的價(jià)值貢獻(xiàn)。數(shù)據(jù)挖掘聚類技術(shù)能有效的將具有相同特征的客戶聚為一類,為企業(yè)進(jìn)行客戶細(xì)分提供了技術(shù)支持。
　　本論文對數(shù)據(jù)挖掘中的聚類技

2、術(shù)以及聚類技術(shù)在客戶細(xì)分中的應(yīng)用做了研究與分析,主要研究工作和創(chuàng)新如下:
　　(1)研究了數(shù)據(jù)挖掘的聚類算法。對基于劃分的K-means算法、基于密度的DBSCAN算法及基于網(wǎng)格聚類的網(wǎng)格劃分技術(shù)進(jìn)行了分析,詳細(xì)闡述了K-means算法存在的缺陷。K-means算法聚類結(jié)果依賴初始聚類中心值,而K-means算法對初始聚類中心的選取是隨機(jī)的,所以不能保證聚類結(jié)果的精度;K-means算法在聚類中對“噪聲”和孤立點(diǎn)也非常敏感,少量的

3、“噪聲”點(diǎn)就會(huì)讓聚類結(jié)果產(chǎn)生較大的偏差。
　　(2)提出了一種基于偽并行DBSCAN和網(wǎng)格結(jié)合的K-means算法(PPDGK)。該算法使用了DBSCAN算法和網(wǎng)格劃分技術(shù)對數(shù)據(jù)集進(jìn)行初始預(yù)聚類,有效的排除了數(shù)據(jù)集中的“噪聲”和孤立點(diǎn),得到了高質(zhì)量的初始聚類中心,從而有效的提高了聚類精度。由于在預(yù)聚類時(shí)使用了偽并行技術(shù),使得預(yù)聚類時(shí)間減少。在得到高質(zhì)量的初始聚類中心后,算法收斂速度加快,使得該算法整體聚類時(shí)間減少。仿真實(shí)驗(yàn)表明,P

4、PDGK算法在聚類時(shí)間和聚類精度上都要優(yōu)于K-means算法。
　　(3)將PPDGK算法應(yīng)用到零售業(yè)的客戶細(xì)分中。首先論述了客戶細(xì)分的方法,然后詳細(xì)論述了PPDGK算法的零售業(yè)客戶細(xì)分系統(tǒng)的總體設(shè)計(jì),最后給出了該系統(tǒng)的實(shí)現(xiàn)和性能分析并對PPDGK算法的細(xì)分結(jié)果進(jìn)行了詳細(xì)的描述。在系統(tǒng)中分別使用了PPDGK、K-means和DBSCAN算法對同一組樣本數(shù)據(jù)進(jìn)行細(xì)分,細(xì)分結(jié)果表明,基于PPDGK算法能有效排除樣本數(shù)據(jù)集中的“噪聲”點(diǎn)