模糊聚类在客户关系管理中的应用与研究

针对客户分类的特征,通过对模糊聚类算法的改进,提出用改进后的模糊聚类算法作为客户关系管理中客户聚类的方法．论述了该方法的聚类过程,并给出了聚类分析的实例,得到了不同客户群的聚类中心以及客户的隶属度矩阵,为客户群的特征分析提供了量化依据,得到了满意的客户聚类结果．     

基于二值属性的聚类分析算法

解决分析型CRM系统中客户类别划分问题,聚类分析是必不可少的算法,根据分析对象所涉及的数据类型、聚类目的以及具体应用要求选择恰当的聚类算法是解决问题的关键.针对客户关系管理中依据客户购买力划分客户类别的问题,结合相关营销理论、数据类型及属性表示方法,提出使用二值属性描述对象、采用最短距离法进行聚类的算法,并通过该方法进行了实例计算.计算结果表明,用二值属性表示对象的方法不仅简洁、方便、易懂,而且对聚类结果具有直观的检验性.     

用蒙特卡罗方法实现聚类结果评估

聚类分析的目标是识别相似对象的组,有助于在大数据集合上发现模式的分布和有价值的相关性.由于在工程、商业和社会科学等许多应用领域都已经应用聚类分析,因此已经被广泛研究过.特别是近年来,已有的大量事务和实验数据集需要利用,数据挖掘的需求不断增长,这些都促进了聚类算法在不同领域的应用.本文介绍了聚类的基本概念,及聚类过程的重要问题-聚类结果的质量评估,同时介绍了采用外部准则对聚类结果进行评估的方法.由于对聚类结果的评估会导致计算复杂度过大的问题,因此用蒙特卡罗方法来降低计算复杂度.     

面向数据漂移的代价敏感客户细分

为解决数据挖掘中存在的数据漂移和客户价值分布不平衡问题,采用了分阶段聚类和代价敏感支持向量机的新方法.新方法首先对全部客户聚类得到特征相似的客户群,然后用某个区域客户属于某客户群的后验概率对城市进行聚类,具有相似后验概率分布的城市群被认为是具有类似的客户结构,每个城市群的客户组成了新的客户样本,对每个样本分别进行代价敏...     

聚类模型分析及其在客户关系管理中之应用

应用现代数据挖掘技术分析和处理大量客户的相关数据,指导公司或企业进一步加强管理和正确决策已成为一种发展趋势和必然。在数据挖掘领域中,聚类是一个重要的方法。在简单介绍聚类概念后,着重讨论了几种经典的聚类算法,并选用相应的聚类算法应用到多尔惠超市客户数据分析中,以找到客户的最佳分类,指导企业决策。     

EM神经网络挖掘技术在企业直接销售中的应用

直接销售是一种新的营销手段,企业利用直接销售需要解决的主要问题是如何准确找出潜在的客户从而避免低效而又浪费资源的随机式直接销售。通过将EM聚类分析和神经网络两种数据挖掘技术相结合,利用EM聚类进行销售数据预处理,进而再利用神经网络进行预测分类,得到客户购买行为预测结果,从而为企业实施产品的直接销售提供决策支持,提高直接销售的准确性和针对性。     

一种基于内聚力的自合并聚类算法

数据聚类是数据挖掘中的关键一步.本文针对利用欧几里德距离作为相似性测算引起聚类结果的不稳定性,提出一种基于内聚力作为相似性测算的聚类方法.通过仿真比较,证明了该算法的优越性.     

适用于复杂结构的多路谱聚类算法的改进

为使多路谱聚类方法对复杂结构数据集有效地聚类,根据矩阵扰动理论,利用局部近邻关系更新谱聚类算法(NJW)中的初始相似度矩阵,得到最终的亲和矩阵.理论分析表明,数据集可划分时,该矩阵是理想块矩阵或接近理想块矩阵,保证了本文算法聚类划分的正确性.将本文算法和基于路径的谱聚类、密度敏感的谱聚类以及基于流平面排序的谱聚类进行了比较,结果表明,本文算法在数据集具有复杂分布结构时可以确定聚类个数,得到正确的聚类结果.进一步将本文算法用于真实数据集上的聚类分析,表明本文算法是有效的.     

数据挖掘领域中的聚类方法

聚类算法是数据挖掘中的核心技术，随着对聚类算法广泛深入的研究，产生了许多不同的适用于数据挖掘的聚类算法；文章从算法的角度论述了如何在数据挖掘中进行聚类分析，并通过基于评价聚类算法好坏的8个标准，对数据挖掘中近几年提出的常用聚类方法作了比较分析，以利于人们更容易、更快速的找到一种适用于特定问题的聚类算法．     

面向模块化设计的客户需求分析

将灰色系统理论中的灰色关联度聚类模型运用于客户需求的量化分析,分析了模块化设计与客户需求之间的关系,提出了基于灰色系统的客户需求聚类模型.将客户需求描述成一系列的产品属性,每个属性又分为不同的属性水平,不同属性及属性水平组合形成不同的需求模块.客户需求聚类模型根据需求之间的关联相似性进行聚类.首先将客户需求映射到工程指标,对不确定数值的需求进行取值白化;然后根据客户需求对结构的影响进行功能聚类分析,从客户需求中总结出基本功能需求模块、辅助功能需求模块;最后计算需求取值之间的灰色关联度构建层次聚类树图,根据聚类评价准则确定合理的关联度取值,得到最佳聚类结果.以减震器产品为例进行了实例验证,结果表明该算法是有效的.     

网格和密度的聚类算法在CRM中的应用

聚类分析是数据挖掘领域中一种非常有用的技术,它用于从大量数据中寻找隐含的数据分布模式,主要有分割法、层次法、密度法、网格法和模型法等。该文主要讨论数据挖掘中一种基于密度和网格的聚类分析算法及其在客户关系管理中的应用。该算法具有较高的聚类效率而且容易实现,可以发现任意形状的聚类,时间复杂度低,聚类精度高,适用于数据的批量更新。该文还提出增量式聚类技术,它不仅能够利用前期聚类的结果,充分提高聚类分析的效率,而且可以降低维护知识库所带来的巨大开销。实验证明了算法的有效性。     

聚类算法在证券公司CRM中的应用

将聚类分析技术应用于客户关系管理可以有效实现客户细分,改善客户关系。文章使用层次凝聚法和K—means算法实现了客户的自动聚类,并且在权衡算法效率和聚类精度的基础之上提出了改进的聚类距离公式和K—means算法。     

企业的客户数据挖掘系统设计

客户管理是目前企业发展管理中的一个重要内容，如何通过对企业客户的行为进行分析，并把分析的结果用于客户管理，是当前客户管理中的一项重要内容。提出了一种将数据挖掘技术应用于客户关系管理(CRM)，构建企业客户数据挖掘系统的方法，并给出了具体的应用过程。     

保险业客户行为忠诚度分析

针对保险业如何利用客户数据提高管理决策水平和销售业绩的问题,根据保险业客户忠诚度的判别条件,运用模糊数据挖掘技术,提出了通过对已有客户进行行为忠诚度聚类分析,发现公司内客户所属的类型,并据此对新客户做出忠诚度预测,从而可更好地为保险业客户管理提供帮助.     

利用数据挖掘加强客户关系管理

为有效地管理和利用庞大的客户、销售数据,通过关联规则、分类预测、时间序列分析、聚类分析、基于Web在客户关系管理中常用到的数据挖掘技术,对客户数据库的大量客户消费信息进行分析和处理,然后将分析结果反馈给管理者和整个企业内部,为企业的客户关系管理工作提供决策支持。数据挖掘技术在客户关系管理中获得新客户,提高顾客价值,保持新客户等领域的应用。     

基于数据挖掘的CRM

企业实施CRM最主要的目的是从客户数据分析中挖掘客户服务发展方向,基于数据挖掘的CRM提供了一个利用各种方式收集和分析客户数据的智能系统,可帮助企业有效地制订客户发展策略,为客户提供个性化服务,并将极大地提高企业的决策效率和决策能力。     

可调多趟聚类挖掘在电信数据分析中的应用

电信业务每天都产生大量数据,如何从这些数据中提取有用的信息是当今数据挖掘的难题之一。针对实际应用中存在聚类簇数难以确定、单趟聚类算法有时不能收敛到用户指定的簇数等问题,提出了可调多趟聚类挖掘方法。第1趟通过引入一个较大的K值,采用K-means聚类算法,获得K个簇,为第2趟聚类的簇数及簇中心初始值选择提供参考。经电信现网业务数据实验,本文的方法既改善了原聚类方法的局部收敛性,又能较好地适应用户的不同数据分析需求,该方法可用于不确定簇数的大数据分析中。     

数据挖掘技术在CRM中的应用研究

介绍了数据挖掘技术和CRM的基本概念,分析了数据挖掘技术在CRM中的应用,并着重对决策树技术进行了研究。针对SPRINT算法在数值型属性分裂过程中计算量大、效率低的缺点,提出了一种新的数值型属性的分裂方法,并对SPRINT算法进行了改进,并用改进的SPRINT算法构建了客户信用卡的分类模型。