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K-means算法的税务客户分类研究与应用

随着税务信息化技术的快速发展,将数据挖掘技术引入税务管理系统已经成为关注重点。以税务客户的信息为研究对象,运用K-means聚类算法对税务客户合理分析,划分客户群组,按不同的方法处理不同的客户群,提供有针对性、个性化的管理和服务。     

判别分析在电信客户分类中的应用

随着中国电信市场的逐渐成熟,电信行业面临着如何从以“以产品信息为中心”向“以客户为中心”转变的难题。数据挖掘能从大量数据中发现潜在和有价值的知识。从数据库中提取了相关数据,作为分析的依据,利用SPSS中的判别分析对电信数据进行挖掘,建立模型进行分析预测,对电信行业进行了客户分类和预测,使得电信商的营销决策更具有针对性,给电信商带来了更多的效益。     

基于SLIQ分类算法的数据挖掘技术及其在企业CRM中的应用

研究了SLIQ算法的预处理、计算最佳分裂、执行分裂几个大的阶段以及具体算法设计实现过程。最后,将SLIQ算法运用到建设工业集团销售公司中,并与客户关系管理系统结合起来,为公司决策提供支持和依据。     

改进的K-means算法在电信客户细分中的应用

在K-means算法中,选择不同的初始聚类中心会产生不同的聚类结果且有不同的准确率,并且其迭代过程在时间上不是高效的.针对K-means算法的这两点不足做了一定程度上的改进,理论分析表明,改进后的算法具有较高的准确度和较低的时间复杂度.采用改进后K-means聚类算法对电信客户数据进行聚类分析,得到具有不同特征的客户群组,通过与统计分析的对比,聚类结果分析更合理清晰,更便于对不同群组采取不同的经营策略,为管理者提供了合理的决策支持.     

基于决策树的数据挖掘在电信CRM中的应用研究

针对电信CRM中“数据丰富但知识贫乏”的现象,利用数据挖掘技术和SL IQ决策树构造算法建立一棵决策树模型,在CRM中根据客户的年龄、所属城市和性别对客户分类,对预测客户类型,防止用户流失,争取新用户具有重要意义。     

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。     

CRM中客户分类方法的研究与应用

在企业管理中,如何将不同客户按照对企业的贡献程度分类并加以实现,以辅助制定经营策略,成为研究热点.针对具体的燃气行业进行了分析,提出了一套适用其的客户分类指标.并且借鉴蚁群算法,做了相应的改进,与聚类分析方法相结合,将此算法在企业现有数据的基础上进行了实现,得到了较好的聚类结果.     

神经网络算法在CRM中的应用

神经网络算法能通过对网络的训练,使客户关系管理系统中客户行为做出预测,便于企业更好为客户服务,改善客户关系,挽留客户.本文就神经网络算法的CRM应用做了相关的探讨.     

K均值聚类算法在商业银行客户分类中的应用

研究商业银行客户分类优化问题.商业银行客户类别具有多变性,其类别由初始聚类中心来确定,而传统K均值初始聚类中心固定,不能适应客户类别具有多变性,导致商业银行客户分类结果易陷入局部最优,分类准确率极低.为了提高商业银行客户分类的准确率,提出粒子群优化K均值聚类的商业银行客户分类模型.模型将K均值的初始聚类中心作为一个粒子,商业银行客户分类准确率作为粒子群优化的目标函数,通过粒子相互协作获得最优初始聚类中心,聚类中心具有自适应性,使然后采用最优K均值聚类算法对银行客户进行分类.仿真结果表明,优化K均值算法收敛速度快,提高了客户分类准确率,分类结果更加合理,便于对商业银行为客户采取相应经营策略.     

一个用于空间聚类分析的遗传K-均值算法

空间数据挖掘是数据挖掘的一个新的分支,空间聚类分析是空间数据挖掘中的一个重要研究课题。本文在分析遗传算法及K-均值算法的优越性和不足的基础上,设计了一种遗传K-均值空间聚类分析算法,该算法兼顾了局部收敛和全局收敛性能。实验表明,其结果优于传统K-均值聚类方法及单纯的遗传算法聚类。     

浅谈移动CRM客户价值细分

随着移动通信的不断发展,移动客户数量也在不断增加,而通信行业中的竞争也日益显著。因此,过去以生产为中心、以销售产品为目的的市场战略逐渐被以客户为中心、以服务为目的的市场战略所取代。该文就移动CRM客户价值细分做出了一些探讨。     

一种改进的K-means聚类算法

聚类是数据挖掘中的一种重要数据分析方法,K-means是一种基于划分的聚类算法。针对K-means算法中每次调整簇中心后确定新的簇中心需要大量的距离计算,提出一种利用簇中心的变化信息来确定新簇中心的方法,通过从动态簇中心集中选取候选集的方法减少了过滤算法的计算复杂度。理论分析表明,此算法在每一个迭代阶段能有效的减少距离计算数和计算时间。当数据集越大,维度越高时,算法的优越性越显著。     

基于MapReduce框架下K-means的改进算法

针对海量数据背景下K-means聚类结果不稳定和收敛速度较慢的问题,提出了基于MapReduce框架下的K-means改进算法。首先,为了能获得K-means聚类的初始簇数,利用凝聚层次聚类法对数据集进行聚类,并用轮廓系数对聚类结果进行初步评价,将获得数据集的簇数作为K-means算法的初始簇中心进行聚类;其次,为了能适应于海量数据的聚类挖掘,将改进的K-means算法部署在MapReduce框架上进行运算。实验结果表明,在单机性能上,该方法具有较高的准确率和召回率,同时也具有较强的聚类稳定性;在集群性能上,也具有较好的加速比和运行速度。     

CRM中数据挖掘技术应用概述

主要介绍了数据挖掘技术在CRM中的应用，具体讨论了数据挖掘技术在客户生命周期阶段的应用和在CRM上创建数据挖掘技术的过程，最后介绍了一些数据挖掘算法在CRM上的应用。     

基于改进遗传算法的K-means聚类分析

K-means算法是聚类分析中的一种经典算法,但是K-means算法是一种局部搜索技术,受初始聚类中心的影响可能会过早收敛于最优解.而遗传算法具有良好的全局优化的能力,将遗传算法与K-means算法结合起来,能很好解决这一问题.在结合的过程中,又在最传统的遗传算法中改进染色体编码与适应度函数,从而优化k个中心点的选取,...     

基于Hadoop的K-means聚类算法的实现

文中针对传统并行K-means聚类算法时间复杂度比较高的问题,结合Hadoop平台以及MapReduce编程模型的优势,提出了利用Hadoop及MapReduce编程模型实现大数据量下的K-means聚类算法.其中,Map函数完成每条记录到各个质心距离的计算并标记其所属类别,Reduce函数完成质心的更新,同时计算每条数据到其所属中心点的距离,并累计求和.通过实验,验证了K-means算法部署在Hadoop集群上并行化运行,在处理大数据时,同传统的串行算法相比,确实能够降低时间复杂度,而且表现出很好的稳定性和扩展性.     

改进的K-means算法在电信客户细分中的应用

在K-means算法中,选择不同的初始聚类中心会产生不同的聚类结果且有不同的准确率,并且其迭代过程在时间上不是高效的。针对K-means算法的这两点不足做了一定程度上的改进,理论分析表明,改进后的算法具有较高的准确度和较低的时间复杂度。采用改进后K-means聚类算法对电信客户数据进行聚类分析,得到具有不同特征的客户群组,通过与统计分析的对比,聚类结果分析更合理清晰,更便于对不同群组采取不同的经营策略,为管理者提供了合理的决策支持。