基于聚类分析的客户细分研究

本文应用数据挖掘技术中的聚类分析,进行对客户细分的研究。介绍了K平均算法和K平均算法在客户细分中的应用,并提出了客户价值、消费特征和人口特征三个维度应是客户细分的主要内容。     

融合联机分析和聚类的电信客户细分建模方法与实现

应用联机分析处理技术选择用户ARPU值作为客户细分的维度．依据用户平均收入ARPU值进行分类．按客户的消费额高低将客户分成高中低几档客户．然后采用数据挖掘聚类分析中的K—means聚类算法．参照国际通行的数据挖掘CRISP—DM标准提出一种电信企业客户细分模型和细分方法。对电信企业大量现实数据的实验结果表明．利用该客户细分模型和技术获得了较好的挖掘结果．为电信运营商的经营和决策提供了有力的支持。     

K 均值聚类算法在银行客户细分中的研究

研究银行客户细分问题,对客户进行分类,应针对获利最大的为识别目标.为了减少主观性分析,采用 K 均值聚类算法是数据挖掘技术在银行客户细分中一种重要方法,K 均值算法存在对初始值敏感且容易陷入局部最优值的缺点,导致银户客户分类准确率低.为了提高银行客户细分的准确率,提出了一种基于改进的 K 均值聚类的银行客户细分方法.算法首先通过有效指数法动态调整初始聚类数 K,减轻了聚类结果对初始聚类数 K 的依赖,通过自适应最佳密度半径来确定聚类中心,降低聚类中心对分类结果的影响,加快聚类速度,最后通过初始聚类数 K 和聚类中心对银行客户进行细分.在 C++ 语言平台上,采用某市银业的客户分类数据对算法进行实验,结果表明,算法有效地克服了传统 K 均值算法易陷入局部最优值,提高了客户分类准确率,聚类结果更加合理,为银行决策者提高有效的参考,并带来更多的收益.     

改进K-means算法实现移动通信行为特征分析

K-means算法被广泛用于客户细分聚类应用研究,客户细分对移动通信行业具有重要的商业价值.但变量的量纲、维度、聚类数、初始聚点等参数的计算是影响K-means算法聚类应用效果的重要因子.在基于K-means算法移动通信行为特征分析系统的实现过程中,分别从特征维度选择、变量量纲统一、聚类数K值与初始聚点的确定等四个方面改进算法的上述影响参数的计算方法,并利用经验加权的方式使算法与主观经验结合.研究结果表明改进K-means算法对移动通信特征分析客户聚类有效.     

基于变异系数的双聚类算法及其在电信客户细分的应用研究

针对传统客户价值细分方法不够精细化的问题,提出一种基于变异系数的双聚类算法。该算法选用了变异系数作为相似性度量,运用启发式贪心策略,通过迭代增删行列的方式挖掘出客户消费记录中局部消费行为相似的客户群体。以某电信公司的电信客户细分为实例,将所提算法与K均值(K-means)算法进行性能比较,实验结果表明,所提算法具有更优的客户细分能力和更强的客户行为可解释能力。因此,它更有助于指导企业制定差异化营销策略。     

双聚类算法在电信高价值客户细分的应用

针对传统客户价值细分方法在高价值客户细分时不够精细化的问题,引入了大均值子矩阵(LAS)双聚类算法。该方法在客户样本和消费属性两个维度上对消费记录进行双向聚类,可以挖掘出高消费、高价值的客户群体。以某电信公司的高价值客户细分为实例,通过定义一个价值尺度和构建一个PA指标,将所提算法与K均值(K-means)算法进行性能比较,实验结果表明,所提算法能挖掘出更多的高价值客户群体,且能够对客户属性进行更加精细的划分,因此它更适合应用于高价值客户市场的识别和细分。     

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。     

一种基于动态模糊聚类算法的客户细分方法

本文提出了基于信息熵和K均值算法混合迭代模糊聚类的客户细分模型,解决了模糊聚类的原型初始化参数问题.将信息熵和K均值算法引入模糊聚类中进行分析,并结合联通客户的大样本数据进行实际分析,与传统方法相比,取得了较好的效果.     

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。     

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。     

改进k-means 算法在电信CRM 客户分类中的应用

电信市场的竞争在于客户的竞争,为了在激烈的竞争中保持优势,必须将客户进行细分,针对不同的客户,研究出相应的营销策略．K-means算法能对大型数据集进行高效分类,但对“噪声”敏感,聚类结果不准确,本文对该算法进行改进,使其能够实现更加准确和全面的客户细分．     

基于数据挖掘的客户细分模型研究及应用

为企业更深入了解消费者的行为和偏好,帮助企业制定决策和发展客户关系,结合现有的客户细分方法,提出一种多指标客户细分模型。从宏观和微观角度,对传统指标进行优化,构建RFMPA多指标客户体系;采用熵值法客观赋权;采用因子分析降维;采用改进的K-means算法完成客户细分。利用大型连锁超市客户消费数据进行实证研究,对比数据实验结果表明,该模型能够更好解决客户细分问题,提高企业客户关系管理和决策质量。     

Customer segmentation based on survival character

Customer Segmentation is an increasingly pressing issue in today’s over-competitive commercial area. More and more literatures have researched the application of data mining technology in customer segmentation, and achieved sound effectives. But most of them segment customer only by single data mining technology from a special view, rather than from systematical framework. Furthermore, one of the key purposes of customer segmentation is customer retention. Although previous segment methods may identify which group needs more care, it is unable to identify customer churn trend for taking different actions. This paper focus on proposing a customer segmentation framework based on data mining and constructs a new customer segmentation method based on survival character. The new customer segmentation method consists of two steps. Firstly, with K-means clustering arithmetic, customers are clustered into different segments in which customers have the similar survival characters (churn trend). Secondly, each cluster’s survival/hazard function is predicted by survival analyzing, the validity of clustering is tested and customer churn trend is identified. The method mentioned above has been applied to a dataset from China Telecom, which acquired some useful management measures and suggestions. Some propositions for further research is also suggested.     

基于随机权重粒子群和K-均值聚类的图像分割

K-均值聚类具有简单、快速的特点,因此被广泛应用于图像分割领域。但K-均值 聚类容易陷入局部最优,影响图像分割效果。针对K-均值的缺点,提出一种基于随机权重粒子 群优化(RWPSO)和K-均值聚类的图像分割算法RWPSOK。在算法运行初期,利用随机权重粒 子群优化的全局搜索能力,避免算法陷入局部最优;在算法运行后期,利用K-均值聚类的局部 搜索能力,实现算法快速收敛。实验表明：RWPSOK 算法能有效地克服K-均值聚类易陷入局 部最优的缺点,图像分割效果得到了明显改善;与传统粒子群与K-均值聚类混合算法(PSOK) 相比,RWPSOK 算法具有更好的分割效果和更高的分割效率。     

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。     

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。     

自组织映射聚类算法在电信客户细分中的应用①

将自组织映射SOM（Self Organization Map）聚类算法应用于电信客户细分,并与采用K-means聚类算法得到的结果进行比较。实验表明,SOM可以有效的进行电信客户细分且聚类效果较优,但需付出训练时间的代价。同时对两种算法的复杂度、误差等进行了分析。