基于数据挖掘的移动通信业客户流失预警系统设计

借助SASEM平台,对移动通信业务数据使用数据挖掘算法建立客户细分模型,能够刻画移动通信客户的行为特征,并以此建立客户流失预测模型,从而建立一个移动通信业客户流失预警系统。实践证明,该方法实用、可操作性强,对支持企业客户关系管理产生了积极的影响。     

基于数据挖掘的移动通信业客户流失预警系统设计

借助SASEM平台。对移动通信业务数据使用数据挖掘算法建立客户细分模型,能够刻画移动通信客户的行为特征,并以此建立客户流失预测模型。从而建立一个移动通信业客户流失预警系统。实践证明,该方法实用、可操作性强,对支持企业客户关系管理产生了积极的影响。     

利用ClementineC5.0模型预测CDMA客户流失

该文针对目前电信行业中一个日益严峻的问题:客户离网进行研究,通过收集客户的基本数据、消费数据和缴费行为等数据,建立客户流失预测模型,进行客户流失分析及预测.通过对大量相关技术和统计方法的研究,最终确定了clementine的C5.0模型作为电信客户流失的预测模型.此模型对客户流失预测有较高的准确性,为电信经营分析系统作...     

基于组合预测的电信客户流失预测

利用数据挖掘技术,对电信行业客户信息进行了分析,对用户进行关联、分类、聚类分析,给出了解决问题的模型和方法并在实践中得到评估和检验,本文提出了一种基于组合预测理论的预测算法,在实际客户流失预测分析的应用结果表明,该算法的流失预测的准确率高于传统的分类预测算法所得到的预测准确率.构建的预测模型对解决电信客户流失预测方面的问题具有应用价值.     

基于支持向量机的纺织行业客户流失分析研究

针对纺织行业客户流失问题建立了基于支持向量机的预测模型。基于该行业预测客户流失指标属性多、相关系数高的特点,首先采用主成分分析法从多指标属性中筛选出客户流失的主要因素,有效地降低了支持向量机的训练维度。通过实际纺织行业的客户数据集测试,与普通支持向量机及其他传统预测模型进行比较,验证该模型具有良好的推广能力以及更高的精确性。     

基于数据挖掘的客户细分方法的研究

客户细分是客户关系管理中基础的、重要的内容。全面考虑了客户生命周期价值,基于群体决策技术和数据挖掘技术提出了一种新的客户细分方法。在群体决策的基础上,确定影响客户细分的变量,利用层次分析法,确定各个变量的权重。利用数据挖掘的聚类技术,进行客户细分。用某橡胶企业的数据进行了验证,结果表明,该方法能够有效地支持企业的客户细分,为企业的决策提供依据。     

决策支持系统中客户价值预测模型的设计与分析

在Internet时代,企业可以从外界获取大量的客户数据资料,如何在这样丰富的客户数据资源中寻找企业的高价值客户?基于这样的需求,文中讨论了使用微软的VS.Net平台和SQL Server Analysis Services中的DSO组件来建立模型的方法,通过对原有客户资料的分析建立客户价值预测模型,并由此模型进行新客户和潜在客户的价值预测。此模型在客户价值预测方面有一定的参考价值。     

基于RFM模型的随机森林算法对民航客户的流失分析

近几年,随着航空市场的快速发展,对于航空公司而言,如何在增加市场占有率的同时,对客户的流失进行有效的控制也刻不容缓.基于随机森林算法,根据航空客户数据,建立流失预测模型,对客户是否已流失进行预测研究,将传统的RFM客户价值模型进行改进,结合随机森林算法对客户流失进行预测.实验结果表明,基于RFM模型的随机森林算法构建的...     

SVM在移动通信客户流失预测中的应用研究

使用支持向量机(SVM,Support Vector Machine)数据挖掘方法对移动通信行业客户流失倾向进行预测,对支持向量机同决策树算法预测的结果进行对比,结果表明支持向量机对本文所选取的属性数据具有更强的分类能力,而且在不同训练数据规模情况下预测模型有较好的稳定性。实验证实,运用本研究模型选取全体客户的22.31%,可以预测出50.07%流失的客户,表明本研究中提出的预测模型具有实际应用价值。     

客户细分在电信客户流失中的应用

论文以XX电信公司的客户流失为研究对象,通过对流失数据的准备、预处理,抽样、校验等步骤对数据进行规约,最后通过聚类分析作出客户细分,并对此进行了评价.     

基于数据挖掘的客户细分框架模型

数据挖掘技术在客户关系管理领域的应用较广泛,能提高客户细分能力。针对目前客户细分研究缺乏统一研究框架的问题,分析现有的客户关系管理系统构架及其与客户细分的集成关系,对客户细分问题进行构架性研究,提出一种基于数据挖掘的客广细分框架模型,包括空间逻辑模型和数据-功能-方法模型。     

数据挖掘在信用卡客户流失分析中的应用

银行信用卡业务属于高收益、高风险的业务,如何实现对信用卡的客户流失控制是发卡银行迫切需要解决的问题。目前,随着银行积累了大量的数据,并建立了数据仓库,使得采用数据挖掘技术来实现信用卡客户流失分析成为了可能。本文提出了银行信用卡领域内基于数据挖掘的决策分析流程:包括数据准备,数据理解和商业理解阶段,帮助信用卡业务部门分析和控制客户流失。     

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。     

基于聚类的客户细分方法研究

本文首先对聚类算法进行了分析,然后以中小型商业批发企业为例,设计了一种反映客户价值与客户关系质量的客户细分模型,应用K-Means聚类方法进行了实际的挖掘。探讨在中小型企业不能提供完备数据的情况下,只要设计出合理的细分模型并选择合适的算法仍然可以实现有效的客户细分。     

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。     

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。     

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。     

A transaction pattern analysis system based on neural network

Customer segmentation is a key element for target marketing or market segmentation. Although there are quite a lot of ways available for segmentation today, most of them emphasize numeric calculation instead of commercial goals. In this study, we propose an improved segmentation method called transaction pattern based customer segmentation with neural network (TPCSNN) based on customer’s historical transaction patterns. First of all, it filters transaction data from database for records with typical patterns. Next, it reduces inter-group correlation coefficient and increases inner cluster density to achieve customer segmentation by iterative calculation. Then, it utilizes neural network to dig patterns of consumptive behaviors. The results can be used to segment new customers. By this way, customer segmentation can be implemented in very short time and costs little. Furthermore, the results of segmentation are also analyzed and explained in this study.