發(fā)布時間：2020-05-27 04:01

【摘要】：隨著互聯(lián)網(wǎng)的廣泛應用,淘寶、京東等電子商務平臺的蓬勃、快速發(fā)展,導致如今市場競爭日益激烈,傳統(tǒng)的實體零售企業(yè)面對數(shù)量巨大的消費者群體,采用原有的大眾化營銷方式不僅成本高而且沒有優(yōu)勢。對客戶進行分類在實體零售行業(yè)的關系管理中發(fā)揮著重要的作用,可以針對不同用戶群體進行精準的市場營銷,能提高企業(yè)營銷策略的效率,獲得更好的營銷效果。傳統(tǒng)數(shù)據(jù)分析方法難以處理海量的用戶數(shù)據(jù),因此,采用數(shù)據(jù)挖掘技術中的聚類分析算法實現(xiàn)企業(yè)客戶的分群。論文首先介紹了數(shù)據(jù)挖掘和聚類分析的相關技術,包括數(shù)據(jù)挖掘的概念、挖掘的過程和方法以及聚類分析技術的定義、評價標準等,并列舉了幾種常用的聚類算法。然后簡要介紹了實體零售客戶分類的一些相關概念,說明了實體零售客戶分類的重要性和必要性。文章重點討論了標準的蟻群聚類算法以及它的發(fā)展和存在的問題,并試圖從幾方面改進蟻群聚類算法:螞蟻聚類過程中的移動方向選擇、算法的收斂速度以及降低算法對參數(shù)設置的依賴性。然后提出了一種改進的蟻群聚類算法方案,并采用改進的蟻群聚類算法對Iris數(shù)據(jù)集中的全部數(shù)據(jù)進行聚類,實驗結(jié)果表明,改進后的算法準確率更高,算法的收斂速度也更快,證明了改進后的蟻群聚類算法是有效的。最后,將改進后的聚類算法應用到某實體零售企業(yè)的客戶分類中,按照客戶一段時間內(nèi)的總消費金額、總消費次數(shù)以及最近消費的時間進行分類,根據(jù)用戶的行為數(shù)據(jù)將用戶聚類到不同的簇,得到聚類結(jié)果,并根據(jù)結(jié)果對各個類別的特點進行分析,對各簇的客戶進行了分析,提出針對性的營銷及決策方案。
【圖文】：

第６章主要是對本論文的整體內(nèi)容進行了概括和總結(jié)，并提出了未來可以進逡逑行優(yōu)化的幾個方面，然后對以后的研究方向做出了展望。逡逑本論文主要研宄內(nèi)容的框架如圖１．２所示。逡逑－８邋－逡逑

夠在發(fā)展新客戶的同時留住老客戶是其能夠持續(xù)發(fā)展的關鍵之一。目前，各個商逡逑場都己經(jīng)實行了會員制，通過會員卡的機制，企業(yè)積累了大量的客戶數(shù)據(jù)，包括逡逑個人信息和購買信息等，如圖３．１所示。通過對這些信息進行更氋層次的分析，逡逑就能夠?qū)�具有不同行為的客戶進行分類，，針對不同的客戶群提供不同的營銷方案逡逑和服務，發(fā)現(xiàn)并提升客戶價值，最終達到提高企業(yè)利潤的目的。逡逑－２７－逡逑
【學位授予單位】：大連海事大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：F274;F724.2

【參考文獻】

相關期刊論文 前10條

1 董凌艷;徐紅麗;;基于改進型蟻群算法的AUV路徑規(guī)劃[J];自動化與儀表;2017年03期

2 王東;王理想;范偉;;一種改進的CLIQUE高維子空間聚類算法[J];半導體光電;2016年02期

3 胡志剛;鄭文賓;左中利;;基于ANP及K-means聚類的零售終端分類評價模型及應用[J];現(xiàn)代商業(yè);2015年36期

4 張陽;何麗;朱顥東;;一種改進的K-means動態(tài)聚類算法[J];重慶師范大學學報(自然科學版);2016年01期

5 張欣;高衛(wèi)國;蘇運;;基于函數(shù)型數(shù)據(jù)分析和k-means算法的電力用戶分類（英文）[J];電網(wǎng)技術;2015年11期

6 張立毅;王迎;費騰;周修飛;;混沌擾動模擬退火蟻群算法低碳物流路徑優(yōu)化[J];計算機工程與應用;2017年01期

7 周發(fā)超;王志堅;葉楓;鄧玲玲;;關聯(lián)規(guī)則挖掘算法Apriori的研究改進[J];計算機科學與探索;2015年09期

8 彭英;萬夢婷;肖杉杉;馮國珍;;基于客戶價值的零售企業(yè)客戶分類評價指標體系構(gòu)建[J];中國市場;2014年38期

9 林金灼;葉東毅;;基于蟻群聚類算法的優(yōu)化與改進[J];計算機系統(tǒng)應用;2013年12期

10 張建偉;王玲艷;姚云磊;;一種基于OPTICS聚類的流量分類算法[J];鄭州輕工業(yè)學院學報(自然科學版);2013年02期

相關碩士學位論文 前10條

1 張麗媛;基于蟻群聚類算法的第三方B2B平臺買方客戶偏好研究[D];東南大學;2016年

2 吉陽;數(shù)據(jù)挖掘在銀行客戶關系管理中的應用研究[D];石河子大學;2016年

3 馮棣夫;聚類分析在H銀行客戶分類中的應用[D];華南理工大學;2015年

4 劉嬋;蟻群與K均值聚類算法融合研究及其在用戶分群中的應用[D];西南科技大學;2015年

5 周穎;基于蟻群算法的聚類分析在學生成績中的研究[D];南昌大學;2015年

6 郭艷茹;k-中心平面聚類模型與算法研究[D];浙江工業(yè)大學;2015年

7 楊曉斌;改進的BIRCH算法在電信客戶細分中的應用[D];合肥工業(yè)大學;2015年

8 王磊;蟻群聚類算法在差異工件批調(diào)度問題的應用研究[D];安徽大學;2014年

9 江哲雅;聚類挖掘在電信客戶分類中的研究與應用[D];上海交通大學;2013年

10 鄭方;蟻群文本聚類算法的研究與應用[D];西安電子科技大學;2013年

本文編號：2682915