本文關(guān)鍵詞：基于數(shù)據(jù)挖掘的零售業(yè)客戶細(xì)分方法

  更多相關(guān)文章： 客戶細(xì)分 RFM 熵值法 K-Means 客戶關(guān)系管理

【摘要】：隨著我國經(jīng)濟(jì)水平的提高,零售業(yè)發(fā)展迅猛。但由于競(jìng)爭的加劇,零售業(yè)的利潤日漸微薄,迫切需要尋找新的利潤增長點(diǎn)。對(duì)于現(xiàn)在供過于求的零售業(yè)來說,如何贏得和保留客戶并將客戶價(jià)值最大化變得尤為重要,也日漸成為企業(yè)最為關(guān)注的問題之一。客戶細(xì)分是企業(yè)成功實(shí)施客戶保持的關(guān)鍵,數(shù)據(jù)挖掘技術(shù)的出現(xiàn)更是為客戶細(xì)分提供了新方法。已有的零售業(yè)客戶細(xì)分研究存在兩方面的不足:一是尚未形成完整的適用于零售業(yè)的客戶細(xì)分指標(biāo)體系;二是客戶細(xì)分模型準(zhǔn)確度偏低。為了彌補(bǔ)以上不足,本研究工作在梳理了客戶細(xì)分理論和數(shù)據(jù)挖掘技術(shù)基礎(chǔ)上,構(gòu)建了一套基于RFM的客戶細(xì)分指標(biāo)體系,利用基于屬性加權(quán)的K-Means算法建立了客戶細(xì)分模型。采用某連鎖超市的3萬多條會(huì)員數(shù)據(jù)和近38萬條銷售數(shù)據(jù)進(jìn)行實(shí)證研究,運(yùn)用以上指標(biāo)體系和客戶細(xì)分模型完成了客戶細(xì)分,最終將客戶分為四大類,并針對(duì)不同客戶群體給出相應(yīng)的營銷策略。實(shí)證研究結(jié)果表明,該方法在客戶行為特征區(qū)分能力和聚類緊湊性方面均優(yōu)于傳統(tǒng)基于RFM的細(xì)分方法。方法可行、有效,能夠更好地解決零售業(yè)客戶細(xì)分問題,提升客戶關(guān)系管理和營銷決策質(zhì)量。因此,本研究工作豐富了客戶細(xì)分理論,為后續(xù)零售業(yè)客戶細(xì)分的研究提供了有價(jià)值的借鑒和參考。實(shí)踐上,通過實(shí)證分析,證明了方法的有效性,為零售業(yè)采用該指標(biāo)體系和模型提升營銷活動(dòng)效果提供了方法和參照。
【關(guān)鍵詞】：客戶細(xì)分 RFM 熵值法 K-Means 客戶關(guān)系管理
【學(xué)位授予單位】：青島大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：F724.2;F274
【目錄】：

• 摘要2-3
• Abstract3-6
• 第1章 緒論6-15
• 1.1 研究背景6-7
• 1.1.1 零售業(yè)面臨機(jī)遇和挑戰(zhàn)6-7
• 1.1.2 數(shù)據(jù)挖掘?yàn)榱闶蹣I(yè)客戶細(xì)分提供了新方法7
• 1.2 研究的目的和意義7-8
• 1.3 國內(nèi)外相關(guān)研究現(xiàn)狀8-12
• 1.3.1 客戶細(xì)分指標(biāo)體系研究8-10
• 1.3.2 客戶細(xì)分方法研究10-12
• 1.4 研究內(nèi)容12-14
• 1.5 研究方法14-15
• 第2章 客戶細(xì)分與數(shù)據(jù)挖掘概述15-27
• 2.1 客戶細(xì)分理論概述15-18
• 2.1.1 客戶細(xì)分的概念15
• 2.1.2 客戶細(xì)分的意義15-16
• 2.1.3 客戶細(xì)分方法16-18
• 2.2 數(shù)據(jù)挖掘技術(shù)概述18-22
• 2.2.1 數(shù)據(jù)挖掘的概念18
• 2.2.2 數(shù)據(jù)挖掘的功能18-19
• 2.2.3 數(shù)據(jù)挖掘的流程19-22
• 2.2.4 數(shù)據(jù)挖掘常用工具22
• 2.3 客戶細(xì)分中常用的數(shù)據(jù)挖掘算法22-27
• 2.3.1 聚類分析22-25
• 2.3.2 K-Means算法介紹25-27
• 第3章 零售業(yè)客戶細(xì)分指標(biāo)體系的構(gòu)建27-32
• 3.1 指標(biāo)體系構(gòu)建的步驟27
• 3.2 客戶細(xì)分的原則27
• 3.3 傳統(tǒng)零售業(yè)客戶細(xì)分指標(biāo)分析27-29
• 3.4 零售業(yè)客戶消費(fèi)行為特征29-30
• 3.5 零售業(yè)客戶細(xì)分指標(biāo)體系的構(gòu)建30-32
• 第4章 基于數(shù)據(jù)挖掘技術(shù)的零售業(yè)客戶細(xì)分模型構(gòu)建32-36
• 4.1 零售業(yè)數(shù)據(jù)的特點(diǎn)32
• 4.2 零售業(yè)客戶細(xì)分算法的選擇與改進(jìn)32-35
• 4.2.1 K-means算法的優(yōu)缺點(diǎn)32-33
• 4.2.2 基于屬性加權(quán)的改進(jìn)K-Means算法設(shè)計(jì)33-35
• 4.3 基于指標(biāo)體系和改進(jìn)K-Means算法的客戶細(xì)分模型35-36
• 第5章 實(shí)證分析36-43
• 5.1 業(yè)務(wù)理解36
• 5.2 數(shù)據(jù)理解36-38
• 5.3 數(shù)據(jù)準(zhǔn)備38-39
• 5.4 零售業(yè)客戶細(xì)分模型的建立39-40
• 5.5 結(jié)果解釋與分析40-42
• 5.6 與傳統(tǒng)基于RFM的方法比較42-43
• 第6章 結(jié)論與展望43-45
• 6.1 結(jié)論43
• 6.2 展望43-45
• 參考文獻(xiàn)45-49
• 攻讀學(xué)位期間的研究成果49-50
• 致謝50-51

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 劉芝怡;陳功;;基于改進(jìn)K-means算法的RFAT客戶細(xì)分研究[J];南京理工大學(xué)學(xué)報(bào);2014年04期

2 李剛;張莉;李純青;;交易數(shù)據(jù)的百貨商場(chǎng)客戶細(xì)分研究[J];西安工業(yè)大學(xué)學(xué)報(bào);2014年03期

3 綦欣德;;客戶細(xì)分方法新視角[J];商業(yè)時(shí)代;2013年26期

4 曾小青;徐秦;張丹;林大瀚;;基于消費(fèi)數(shù)據(jù)挖掘的多指標(biāo)客戶細(xì)分新方法[J];計(jì)算機(jī)應(yīng)用研究;2013年10期

5 徐翔斌;王佳強(qiáng);涂歡;穆明;;基于改進(jìn)RFM模型的電子商務(wù)客戶細(xì)分[J];計(jì)算機(jī)應(yīng)用;2012年05期

6 鄧曉懿;金淳;j口良之;韓慶平;;移動(dòng)商務(wù)中面向客戶細(xì)分的KSP混合聚類算法[J];管理科學(xué);2011年04期

7 廉琪;蘇屹;;基于SOM和PSO聚類組合算法的客戶細(xì)分研究[J];華東經(jīng)濟(jì)管理;2011年01期

8 陸添超;康凱;;熵值法和層次分析法在權(quán)重確定中的應(yīng)用[J];電腦編程技巧與維護(hù);2009年22期

9 鐘雁;郭雨松;;數(shù)據(jù)挖掘技術(shù)在鐵路貨運(yùn)客戶細(xì)分中的應(yīng)用[J];北京交通大學(xué)學(xué)報(bào);2008年03期

10 周穎;呂巍;井淼;;基于數(shù)據(jù)挖掘技術(shù)的移動(dòng)通信行業(yè)客戶細(xì)分[J];上海交通大學(xué)學(xué)報(bào);2007年07期

，

本文編號(hào)：623787