基于SOM和K-means聚类算法的RFM模型分析

摘要

本文针对互联网行业，应用传统行业已非常成熟的RFM模型，分析某电商平台客户的消费行为特征。其中RFM模型为：Recency：最近一次消费；Frequency：一段时间内的消费频率；Monetary：一段时间内的消费金额。
　　本文通过建立RFM模型，对客户消费数据进行聚类分析，分别采用K-means、模糊C均值和SOM自组织特征映射神经网络三种聚类方法，通过将SOM网络和K-means结合，优化K-means的初始聚类中心，对客户进行聚类分析。
　　对客户分类的结果，运用层次分析法得出R、F、M权重，计算各类客户的价值得分。根据六类客户的RFM指标特征，将其分为五种客户类型：VIP客户、高价值保持客户、高价值发展客户、一般价值客户和低价值客户。针对这五种客户类型进行分析，并且给出运营和推广建议。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 引言

第一节 客户价值分析的意义和方法

第二节 RFM模型

1.2.1 RFM模型简介

1.2.2 RFM模型的研究发展

第二章 聚类方法简介

第一节 K均值聚类法

第二节 模糊C均值聚类法

2.2.1 模糊聚类算法

2.2.2 FCM算法

第三节 自组织映射神经网络SOM

第三章 RFM模型的聚类分析

第一节 K均值聚类分析

3.1.1 客户分为四类时

3.1.2 客户分为六类

第二节 FCM模糊聚类

第三节 神经网络SOM

第四节 三种聚类算法的缺点总结

第五节 K均值优化

3.5.1 客户分为四类

3.5.2 客户分为六类

3.5.3 模型价值计算

3.5.4 各类型客户特征

第四章 总结和运营推广建议

第一节 总结

第二节 运营和推广建议

参考文献

致谢

个人简历 在学期间发表的学术论文与研究成果