基于SOM和PAM的聚类算法研究及在银行客户细分的应用

摘要

随着互联网技术的不断发展，各行各业都在发生着巨大的变化，数据分析渗透到人们日常生活的每一个角落。在客户细分中，如何通过各类相关的数据对客户群进行科学准确地归类，已经成为了银行等其他行业十分重视的问题。一个好的聚类算法能够快速、准确地进行细分操作，为营销活动给予有力的支持。本文将聚类算法进行改进后应用到银行客户细分上。 本文考虑到不同的聚类算法有各自的优点和局限性，但算法的组合可以扬长避短，故将自组织映射神经网络SOM（Self-OrganizingMaps）和PAM（Partitioning Around Medoid，围绕中心点的划分）算法进行组合，并运用SC指标（轮廓系数）确定最佳聚类个数的改进聚类方法SOM-PAM-SC。首先以人工数据集（sample1、sample2）和UCI数据集（Liver Disorders、Breast-cancer-wisconsin、Pima-indians-diabetes）作为仿真对象进行实验，验证SC指标的有效性。然后再利用UCI数据集（Iris、Waveform、Skin）对本文算法以及其他算法（PAM，SOM，SOM-Kmeans-SC）正确率进行比较分析。最后结果显示，在不同数据集中SC指标均能准确判断最佳聚类个数，并且本文算法的正确率均高于其他模型。综合考虑算法的分类正确率、算法运行时间、聚类评价指标有效性等方面，充分说明了本文SOM-PAM-SC算法的优越性。 然后应用该改进算法到银行客户细分问题，以UCI数据库中葡萄牙某银行机构的电话营销数据为样本，选取客户的个人信息、工作信息、消费信息等指标并结合SOM-PAM-SC算法建立模型。根据最终客户细分结果划分为四个大类，并给出一些针对性的营销建议。这不仅解决了银行客户数据量大、存在着噪声数据的问题，同时避免了聚类个数指定的盲目性和主观性，进而实现对银行客户的有效细分。

目录

第一个书签之前