学位论文 > 优秀研究生学位论文题录展示
聚类分析技术在中国移动客户消费模式中的应用研究
作 者: 李颖慧
导 师: 逄焕利
学 校: 长春工业大学
专 业: 计算机应用技术
关键词: 聚类技术 中国移动客户 K-means算法 模糊蚁群聚类算法
分类号: TP311.13
类 型: 硕士论文
年 份: 2010年
下 载: 209次
引 用: 0次
阅 读: 论文下载
内容摘要
在当今科技飞速发展的社会,客户是企业生存和发展的保障,拥有客户,就拥有了最大的市场。科学地维持客户、吸引客户和充分发掘客户的盈收潜力是企业提高核心竞争力的关键。而对客户聚类分析正是一个获取、稳定和增加可获利客户的前期工作。聚类分析又称为群分析,它是研究(样品或指标)分类问题的一种统计分析方法。随着人类对聚类的要求越来越高,以致有时仅凭经验和专业知识难以确切地进行分类,于是人们逐渐地把元分析的技术引入到数值分类学形成了聚类分析。聚类分析技术作为数据挖掘中的一个重要课题,能够将数据区分为自然的群体,并给出每个群体的特征描述。它可以发掘潜藏的有价值的信息,也为后续对数据的理解提供了科学的判断依据。聚类分析内容非常丰富,有系统聚类法、有序样品聚类法、动态聚类法、模糊聚类法、图论聚类法、聚类预报法等。通过对聚类结果做研究分析,运营商能够按照不同客户群体的消费行为特点提供相应的服务和采取针对性的营销策略,同时发掘出潜在客户及需求,最终为公司带来更大的利润。面对日益激烈的通信运营商的竞争,中国移动也需要一种高效的聚类分析技术,为制定客户营销决策提供依据,从而提升客户价值和满意度,增加企业的效益。因此,研究如何运用聚类分析技术实现中国移动客户消费模式的聚类应用具有重要意义。本文在分析了聚类技术的基础上,首先对中国移动客户数据进行预处理工作,得到了适用于算法模型的汇总数据;然后,采用传统算法当中的K-means算法聚类分析移动客户,取得了有效结果;针对K-means算法的一些缺陷,本文建立了模糊蚁群算法的聚类分析模型,结合了蚁群算法和模糊C均值算法的优点,得到了有效的聚类结果。实验表明,该算法一方面利用蚁群算法的鲁棒性(稳定性)有效的克服了模糊C均值算法对初始化的敏感;另一方面,它的并行分布式计算可以加速收敛,提高聚类效率。并且,聚类结果不是只含有“非此即彼”的结论,通过模糊C均值算法,我们可以得出样本的“亦此亦彼”的特征,体现出某客户与各个类别的关联程度,为分析客户的实质特征提供了更多依据,从而提前发觉潜力客户和变动客户。最后,根据不同类别的客户需求及中国移动的业务内容,为客户设计了一系列的可行性套餐,对中国移动企业制定客户营销策略具有一定的指导意义与应用价值。
|
全文目录
摘要 2-3 Abstract 3-7 第一章 绪论 7-12 1.1 研究背景及意义 7-8 1.1.1 本课题的背景 7 1.1.2 课题的研究意义 7-8 1.2 国内外研究应用现状 8-10 1.2.1 国外的研究应用现状 8-9 1.2.2 国内的研究应用现状 9-10 1.3 本文研究内容及创新点 10 1.4 论文的组织结构 10-12 第二章 聚类分析算法概述 12-22 2.1 聚类分析的概念 12-15 2.1.1 聚类的定义 12 2.1.2 聚类分析的数据结构 12-13 2.1.3 聚类分析的数据类型 13-14 2.1.4 聚类的有效性评价 14-15 2.2 聚类分析的优势 15-16 2.3 主要的聚类方法 16-19 2.3.1 划分方法 16-17 2.3.2 层次方法 17-18 2.3.3 基于密度的方法 18 2.3.4 基于网格的方法 18-19 2.3.5 基于模型的方法 19 2.4 几种常用算法的性能比较 19-21 2.5 本章小结 21-22 第三章 传统的聚类算法在移动客户消费模式中的聚类应用 22-32 3.1 数据准备 22-26 3.1.1 需求分析 22-23 3.1.2 数据预处理 23-26 3.2 使用K-MEANS算法对移动客户聚类 26-31 3.2.1 K-means算法简介 26-27 3.2.2 使用误差平方和准则函数的K-means算法 27 3.2.3 K-means聚类算法实现结果 27-30 3.2.4 K-means算法的不足 30-31 3.3 本章小结 31-32 第四章 使用模糊蚁群聚类算法进行中国移动客户聚类分析 32-48 4.1 蚁群聚类算法 32-35 4.1.1 蚁群聚类算法简介 33 4.1.2 基本蚁群聚类模型 33-34 4.1.3 标准蚁群聚类模型 34 4.1.4 蚁群算法的优点和不足 34-35 4.2 模糊聚类分析 35-37 4.2.1 模糊集的定义 35-36 4.2.2 模糊聚类的概念 36-37 4.2.3 基于目标函数的模糊聚类 37 4.3 模糊蚁群聚类算法 37-41 4.3.1 基于蚂蚁觅食原理的聚类算法 37-39 4.3.2 模糊C均值聚类算法 39-40 4.3.3 基于蚁群的模糊聚类算法 40-41 4.4 使用模糊蚁群聚类算法进行客户细分 41-44 4.5 客户聚类结果分析及应用探索 44-46 4.6 聚类结果评估 46 4.7 本章小结 46-48 第五章 结论 48-50 5.1 本文的工作总结 48 5.2 后续工作及展望 48-50 致谢 50-51 参考文献 51-54 攻读硕士学位期间研究成果 54-55
|
相似论文
- 图像分割中阴影去除算法的研究,TP391.41
- K-means聚类优化算法的研究,TP311.13
- Web使用挖掘与网页个性化服务推荐研究,TP311.13
- 高校图书馆管理系统的个性化服务的设计与实现,TP311.52
- 地铁建设项目施工风险评价方法与准则研究,U231.3
- 基于k-means的改进聚类融合算法的研究与应用,TP311.13
- 基于WebService的执行力管理系统的研究与实现,TP311.52
- 聚类技术在网络入侵检测中的研究与应用,TP393.08
- 智能化入侵检测系统关键技术研究,TP393.08
- 基于聚类分析的网络流量分类研究,TP393.06
- 一种改进的k_means聚类算法研究,TP311.13
- 空间数据挖掘中的聚类分析研究,TP311.13
- 110警车配置及巡逻方案,O224
- 基于数据挖掘技术的电力网络状态估计研究,TM769
- 基于遗传算法的K-means聚类方法的研究,TP311.13
- 移动虚拟网络运营商的客户细分模型及方法研究,TP311.13
- 文本分类中特征降维方法的研究,TP391.1
- 图像边缘检测修复算法的技术研究,TP391.41
- 数据挖掘技术在客户关系管理(CRM)中的应用,TP311.13
- 福建地税系统的数据仓库系统的设计与实现,TP311.13
中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 计算机软件 > 程序设计、软件工程 > 程序设计 > 数据库理论与系统
© 2012 www.xueweilunwen.com
|