聚类分析与朴素贝叶斯分类在客户价值预测中的应用研究

摘要

近年来，销售的竞争越来越激烈，各个商家不仅在产品品质上精益求精，而且在企业管理信息化和销售上也做出了巨大的改进，开始从以产品为中心转移到以客户为中心的策略。
　　 随着商品销售数量的增加，大量的客户的产生，对于企业的销售部门来说，这些客户的重要性是不同的，在实际应用中，由于不同级别不同数量的客户对于企业带来的价值不同，同时受到维持客户关系费用开销的限制，企业只能针对比较重要的客户开展营销活动，这样给客户价值预测问题提出了新的要求。随着信息技术的发展，数据挖掘开始出现应用于企业信息化，这使得企业的数据处理能力大大的增强.
　　 本文利用数据挖掘中朴素分类技术并结合K-means聚类算法来研究客户的重要性问题，以数据库中客户数据为分析对象，试图生成对当前数据有价值的模型，并模型进行适当地分析，找出预测结果与各种因素之间隐藏的有价值的信息。企业提供的营销活动中客户的价值最大，即不仅要增大客户价值中客户的数量，更要增大客户名单中价值高的客户的数量。为了更有针对性的开展营销，企业须对那些价值比较高的客户进行更好的服务，准确的预测重要客户，正确确立目标市场是企业客户关系管理的关键。朴素贝叶斯分类模型是一种简单有效的分类方法，它的理论基础好，分类精度高，由于朴素贝叶斯分类中的独立假设前提，使得在特征选择步骤能否准确有效地分类显得尤为重要。实验结果表明，该算法能在保证一定的准确率的同时，可以预测出更多的潜在高价值客户。从而有助于提高企业的客户关系管理水平，进一步为企业的发展战略提供可参考的依据，从而使企业可以针对不同的客户采用不同的营销策略，为企业决策提供依据。

目录

文摘

英文文摘

论文说明：图表目录

声明

致谢

第一章绪论

第二章聚类分析算法研究

2.1聚类分析的起源

2.2聚类分析基本原理

2.3聚类分析在商业中的应用

2.4常用的聚类分析算法

2.4.1划分聚类分析

2.5本章小结

第三章贝叶斯理论与朴素贝叶斯模型

3.1贝叶斯理论的提出

3.1.1贝叶斯决策理论

3.1.2贝叶斯方法的主要优点

3.2朴素贝叶斯算法及其模型

3.2.1概述

3.2.2朴素贝叶斯分类器算法

3.3本章小结

第四章结合K-means聚类与朴素贝叶斯分类的客户价值预测

4.1客户的盈利能力与客户价值

4.1.1客户的盈利能力

4.1.2预测未来的盈利能力

4.1.3以客户盈利能力为导向

4.2 RFM模型与客户分类预测模型

4.3利用K-means聚类算法对训练集客户数据进行聚类

4.4朴素贝叶斯算法对新的未知客户数据进行预测分类

4.5相关实验数据及比较结论

4.6本章小结

第五章结论与展望

5.1全文总结

5.2进一步的工作与展望

参考文献

攻读硕士期间发表论文及科研工作