聚类算法研究及其在移动客户流失管理中的应用

摘要

作为数据挖掘中的一个重要研究领域，聚类分析是一种数据划分的重要手段和方法。聚类在很多学科领域都发挥着重要的作用，比如金融领域、营销领域、电信领域、工业生产领域、生物与医学领域。目前聚类算法大体上分为基于划分的方法、基于层次的方法、基于密度的方法、基于网格的方法、基于模型的方法以及模糊聚类。
　　 随着移动企业不断提高销售利润的同时，客户的流失数量也在不断增加，客户平均生命周期的缩短严重地影响了移动企业的发展。因此，移动通信企业迫切地需要一种有效的方法确定即将流失的客户，进而提出相应的挽留政策，减少企业的经济损失。
　　 本文首先对聚类算法进行了详细的研究，并提出了将基于密度的聚类方法、基于划分的聚类方法、基于层次的聚类方法联合应用于移动客户消费行为的划分中；然后利用聚类分析技术对移动客户流失进行研究，确定哪些客户为即将流失的客户以及流失客户所表现的消费特征，最后针对这些即将流失的客户提出相应的营销建议。

目录

文摘

英文文摘

声明

第一章绪论

1.1研究的背景及意义

1.2课题在国内外的研究现状

1.2.1聚类算法的研究现状

1.2.2移动客户流失的研究现状

1.3本文的主要研究工作

第二章 数据挖掘中的聚类算法分析

2.1数据挖掘知识概述

2.1.1数据挖掘的社会需求

2.1.2数据挖掘的定义

2.1.3数据挖掘系统的分类

2.1.4数据挖掘的功能

2.1.5数据挖掘的应用领域

2.2聚类分析的基础知识

2.2.1聚类的定义

2.2.2聚类分析中的数据类型

2.2.3区间标度变量

2.2.4二元变量和序数型变量

2.2.5变量间的相关系数

2.3常用聚类算法及其比较

2.3.1划分方法

2.3.2基于密度的方法

2.3.3层次方法

2.3.4基于模型的方法

2.3.5基于网格的方法

2.3.6模糊聚类FCM

2.3.7高维数据的聚类法

2.4本章小结

第三章 聚类算法的联合使用

3.1划分聚类方法

3.1.1 k-means算法的思想

3.1.2 k-means算法面临的主要问题

3.1.3 k-means算法的现有改进

3.2层次聚类方法

3.2.1凝聚和分裂的层次聚类

3.2.2凝聚层次聚类算法

3.2.3常用的簇间距离度量方法

3.2.4凝聚层次聚类举例

3.3 k-means算法与层次聚类算法的比较

3.4聚类算法在移动客户划分中的联合应用

3.4.1改进的聚类算法

3.4.2算法在移动客户划分中的应用

3.5本章小结

第四章聚类技术在移动客户流失管理中的应用

4.1移动通信选择数据挖掘的必然性

4.2移动客户基本特征描述

4.2.1移动客户综合价值评判

4.2.2流失客户消费行为分析

4.3建模在移动客户流失中的应用

4.3.1移动客户流失建模过程

4.3.2移动客户流失模型应用

4.4使用SPSS Clementine对客户建模和聚类分析

4.4.1准备数据

4.4.2客户初次聚类

4.4.3流失客户消费行为分析

4.5本章小结

第五章结论与展望

致 谢

参考文献

攻读硕士期间发表的论文