基于半监督谱聚类集成的售后客户细分

根据汽车售后服务客户细分的目的,以及保修期内客户对车辆的保养情况,构建了RFMD客户细分指标模型。针对聚类集成算法能充分挖掘数据集的内在结构,以及半监督学习思想利用先验知识指导聚类的优势,将半监督谱聚类集成（SSSCE）算法应用于售后服务客户细分。与谱聚类（SC）算法和谱聚类集成（SCE）算法相比,SSSCE算法的客户细分结果较优。对用SSSCE算法细分得到的客户群进行特征分析,并给出相应的保养指导策略。     

客户细分中聚类的应用

客户细分是企业识别客户类别、把握客户特征的重要方法。文章简单介绍了当前常用的客户细分的方法,针对电信企业提出了基于客户价值和客户行为的客户细分模型,采用K-means算法对电信企业客户进行聚类,并提出提升各类客户价值相应的策略。     

基于扩散信息素的蚁群聚类算法及应用

本文提出一种基于扩散信息素模型的全局收敛蚁群聚类算法,设计新的信息素更新机制与概率转移机制,适用于复杂的数据集分析。实验结果表明,新算法在聚类效果上比基本的蚁群聚类算法有较明显的改善。最后将新算法应用于电信运营商的客户数据分析中,用于建立客户细分聚类模型,对复杂客户数据集进行分类,取得了较理想的效果。     

基于消费数据挖掘的多指标客户细分新方法

提出一种过程完整的针对消费数据挖掘的客户细分新方法。设计了包含3种类型10个指标的客户细分模型, 并采用因子分析法从中提取细分变量, 再使用基于划分的聚类算法进行客户细分。通过对某大型纸巾生产企业100万销售数据的计算分析, 得出了有效客户类别, 表明了本方法具有更强的客户细分能力和客户行为特征的解释能力。     

C均值算法的电信客户细分研究

研究准确细分电信客户,提高竞争力,采用随机选择初始值聚类中心和梯度下降寻优方式,易陷入局部最优,导致电信客户细分的准确率低.为了解决C值的不足来提高电信客户细分准确率,提了一种粒子群优化C均值的电信客户细分方法(PSO-FCM),PSO-FCM通过PSO来选择电信客户细分的初始聚类中心,减小客户细分结果对聚类中心依赖,然后采用C均值算法对电信客户进行细分.在VC十十语言环境下,PSO- FCM算法对电信客户消费数据进行仿真,实验结果表明,提高了电信客户细分准确率,更助于电信企业对不同客户群制定相应营销套餐,为电信企业带来更多的收益.     

基于在线评论的智能手机需求偏好判别及客户细分模型构建研究

为了帮助商家从在线评论中挖掘产品的需求偏好及客户构成，构建了基于LDA主题模型、情感分析，以及改进的K均值聚类算法等方法的产品需求偏好判别及客户细分模型。通过LDA模型挖掘用户需求偏好，利用情感分析进行情感打分，再用改进的聚类算法得到客户细分群体。最终得到用户对于手机的需求偏好以及客户细分群体构成，帮助商家更好地作出经营决策。     

支持交叉营销的金融产品客户数据挖掘

首先比较了DBSCAN,CLIQUE,CLARANS,K-means和X—means等聚类算法,接着选用X-means聚类算法建立了金融产品客户细分模型,然后结合关联强度分析,设计了支持交叉营销的金融产品客户数据挖掘系统,并给出了一个系统使用示例。     

基于信息熵的蚁群聚类算法在客户细分中的应用①

传统的蚁群聚类算法需设置较多参数,且聚类时间较长。基于信息熵的蚁群聚类算法通过信息熵改变蚂蚁拾起和放下数据的规则,减少了参数的设置、缩短了聚类的时间,将其应用于客户细分,并且与采用传统的蚁群聚类算法得到的细分结果进行比较分析,实验表明。基于信息熵的蚁群聚类算法可以加快客户细分的聚类进程。     

基于信息熵的蚁群聚类算法在客户细分中的应用①

传统的蚁群聚类算法需设置较多参数,且聚类时间较长。基于信息熵的蚁群聚类算法通过信息熵改变蚂蚁拾起和放下数据的规则,减少了参数的设置、缩短了聚类的时间,将其应用于客户细分,并且与采用传统的蚁群聚类算法得到的细分结果进行比较分析,实验表明。基于信息熵的蚁群聚类算法可以加快客户细分的聚类进程。     

聚类算法在银行客户细分中的应用

针对聚类算法在金融领域广泛应用的实际情况,基于银行客户数据集,对DBSCAN, K-means和X-means 3种聚类算法在执行效率、可扩展性、异常点检测能力等方面进行对比分析,并提出将X-means算法应用于银行业客户细分。利用X-means算法建立了一套银行客户细分模型,为银行决策者提供科学的决策支持。     

GHIC: a hierarchical pattern-based clustering algorithm for grouping Web transactions

Grouping customer transactions into segments may help understand customers better. The marketing literature has concentrated on identifying important segmentation variables (e.g., customer loyalty) and on using cluster analysis and mixture models for segmentation. The data mining literature has provided various clustering algorithms for segmentation without focusing specifically on clustering customer transactions. Building on the notion that observable customer transactions are generated by latent behavioral traits, in this paper, we investigate using a pattern-based clustering approach to grouping customer transactions. We define an objective function that we maximize in order to achieve a good clustering of customer transactions and present an algorithm, GHIC, that groups customer transactions such that itemsets generated from each cluster, while similar to each other, are different from ones generated from others. We present experimental results from user-centric Web usage data that demonstrates that GHIC generates a highly effective clustering of transactions.     

利用数据挖掘方法分析客户生涯价值

针对客户生涯价值分析这一客户关系管理系统的重要问题,在分析已有工作的基础上,经过多级数据归约,提出了多商品配送企业适合工程计算的客户生涯价值公式。进而对客户进行了高速聚类挖掘,找出了客户群的特点,对公司有针对性地制定客户策略起到了一定的指导作用。     

基于数据挖掘技术的客户细分研究

随着客户关系管理(CRM)系统应用的逐步推广,企业"以产品为中心"到"以客户为中心"的经营模式的战略转变,客户细分作为客户关系管理系统的核心功能作用受到了充分的重视。该文综合分析了现有的客户细分方法,并着重对数据挖掘技术在客户细分领域的应用进行阐述。     

基于数据挖掘的供应链产品优化配置

针对供应链的特点,以客户偏好序列数据为切入点,提出客户偏好取向与客户特征属性间的关联关系模型,借鉴数据挖掘的符号序列聚类方法,研究符号类型序列数据对应的性质,从形式化和实例化2个方向讨论符号序列相似性问题,对偏好符号序列聚类问题的本质进行分析,研究如何应用自组织特征映射作为符号序列的聚类算法,并对聚类模型进行比较,使得从消费者偏好进行市场细分结构研究的研究途径在实际应用中得以实现。     

基于复杂属性相似度的聚类算法及其应用研究

针对电信客户的有效细分问题,利用属性相似度度量思想,提出了一种面向复杂属性的聚类算法。该算法用复杂属性分布相似度函数衡量对象的相似性,然后根据相似性建立图模型,最后对图进行分割进行聚类。相比于传统基于选维和降维的聚类分析算法,提出的算法能有效处理高维数据和复杂属性。同时,算法在参数调节时,不需遍历原始数据,也减少了人工干预。利用真实电信客户数据进行的模拟实验也表明,提出的算法具有良好性能,可以有效解决电信客户细分问题。     

聚类分析在电信家庭客户细分中的应用

电信行业的客户细分多数集中在政企客户,很少涉及到家庭客户,而家庭市场一直是电信运营商的大本营。该文采用数据挖掘中的K-means聚类算法,建立客户细分模型,对电信家庭客户进行细分,为进一步挖掘家庭信息服务需求,实现精细化营销奠定基础。