汪毅[1]2003年在《面向零售业客户关系管理的数据挖掘模型研究》文中研究指明从20世纪90年代起，随着市场竞争的日益激烈和经济全球化的趋势，也由于不断发展的信息技术较好地解决了战术性的日常运作事务问题，许多企业家和学者开始把关注的焦点从改进内部运作更多地放到管理客户资源上来，并因此提出了所谓客户关系管理(CRM,Customer Relationship Management)的概念。人们普遍认为，通过客户关系管理，企业能更好地为客户服务，最大限度地保持和发展客户，进而提高企业的竞争力。客户关系管理的实现，可以从两个方面考虑。一是从管理的角度，解决管理理念问题；二是从技术的角度，为这种新的管理模式提供信息技术的支持，而其中的核心就是数据挖掘技术。由于已经有不少从管理角度讨论客户关系管理的研究成果，所以本文没有过多地讨论客户关系管理的管理理念，而是以零售业为例，在介绍客户关系管理基本理论和其他相关技术的基础上，紧密地围绕其核心技术——数据挖掘进行研究和论述。 论文首先从客户关系管理和数据挖掘的基本概念和原理入手，阐明了在客户关系管理中应用数据挖掘的必要性，构建了以数据挖掘为核心的CRM系统框架；然后，论文改进和扩展了传统的关联规则和决策分类树模型，提出了具有确定性时间约束的关联规则和模糊决策分类树，并修改了传统的挖掘算法，通过示例展示了新模型的应用方法。
叶孝明[2]2006年在《数据挖掘在客户关系管理中的应用研究》文中研究表明客户关系管理是近几年来的一个研究热点,已引起学术界和企业界的广泛关注。企业通过建立与客户沟通的便利渠道,实施客户关怀,为客户创造更高的价值,来提高客户的满意度和忠诚度,从而实现更高的利润和企业的长远发展。数据挖掘技术是实施客户关系管理的关键技术之一。企业在收集大量的客户基本资料和详细的交易数据的基础上,利用数据挖掘能够发现客户特征、客户购买模式等有价值的客户知识,可以有效地指导客户关系管理实践。论文分析了国内外相关研究与应用现状,研究了分析型CRM在零售业的应用框架,运用数据挖掘中的聚类、分类、关联规则等技术,对零售业客户细分、交叉销售及客户流失分析模型的构建进行了研究、实践和分析。通过论文的研究,可以认清客户关系管理理论的精髓,找到数据挖掘与客户关系管理结合点,揭示数据挖掘在客户关系管理的一些具体领域可能发现的有趣模式,为零售业客户关系管理实践提供有益的参考,同时为数据挖掘在客户关系管理中的应用研究提供一些新思路。
闻卫军[3]2007年在《基于粗糙集的决策树技术在电子商务中的应用研究》文中提出随着互联网技术的发展，电子商务正在改变着社会经济中各个行业的传统经营模式，尤其是彻底地改变了企业与客户之间的关系。如何实现客户价值最大化，这就要进行客户价值分析，找到最有价值的客户，开展特别的促销活动，提供更个性化的服务，设法保持这类客户，使企业以最小的投入获得最大的回报。本文的主要研究内容是把基于粗糙集的数据挖掘技术应用到电子商务的客户管理中来，以基于粗糙集的决策树方法来构造模型，进行电子商务客户价值研究，从大量数据中提取有用的分类规则，为电子商务企业进行客户管理提供智能决策支持。主要研究成果有：(1)将客户的当前价值(即客户购买情况)和客户的潜在价值(即客户兴趣度等)结合起来构建客户价值度量模型。(2)以粗糙集理论和数据挖掘理论为出发点，将粗糙集理论与数据挖掘中的决策树技术有机结合，进行了基于粗糙集理论的数据挖掘模型研究，提出了一种ID3算法的改进算法——基于粗糙集属性依赖度理论的决策树算法，进一步提高了算法效率。(3)结合青岛中科英泰公司的国家级项目——面向零售业的商业智能分析平台，进行了基于粗糙集的决策树技术在电子商务客户价值研究项目中的实证分析，获取了有效的电子商务客户价值分类规则，使得本文的研究既具有理论意义，又具有实用价值。
曲斌[4]2004年在《数据挖掘技术在零售业CRM中的应用研究》文中研究表明随着中国加入WTO，市场经济逐步发展和完善，零售企业之间的竞争也日趋激烈，人们都已经逐渐认识到客户对于企业的重要性，没有优良的客户资源，企业就无法发展。因此，如何更多地了解客户的信息，并将这种信息转变成“知识”，从而更好地为客户提供高质量的个性化服务，提高客户满意度，保持和发展高价值的客户，已经成为各企业开展业务的一个紧迫的课题。 数据挖掘技术是一种新的信息处理技术，其主要特点是对数据库中的大量业务数据进行抽取、转换、分析，从中提取辅助商业决策的信息。数据挖掘能够从海量的商业类客户关系管理信息数据中发现一些未知的、有价值的规律，帮助企业向管理智能化发展。 本文重点研究数据挖掘技术在零售业客户关系管理系统中的应用，对基于数据挖掘的零售业客户关系管理系统进行了设计，建立了零售业客户价值、客户满意度和客户细分的数据挖掘模型，并运用数据挖掘工具SAS Enterprise Miner对模型进行了验证和评价。 本文的研究可以为零售企业开展业务带来新的思路，为国内零售企业提升客户关系管理水平，提升客户满意度、获取竞争优势提供一定的帮助。
梁莹[5]2008年在《面向连锁零售业客户消费行为的分布式挖掘模型研究》文中进行了进一步梳理随着信息技术的发展、经济全球化进程的加快,人们消费观念、消费模式、消费环境和购买行为发生重大转变;连锁零售业各个分布节点积集了大量关于客户的静态信息和动态交易数据信息,并与总店间通过网络互连形成了分布型的商业共享数据环境,形成了规模庞大的分布商业数据金矿。连锁零售业不能只依据某一结点的数据库进行经营决策,否则不能发现全面的商业信息,而需综合所有分布数据库,从中发现隐藏在大量客户消费数据背后的规则,获取分析决策模式和知识,让海量数据发挥出驱动营销业务的能量与价值,从而将零售业的“商品经营”演绎成“信息经营”,已成为企业研究的重点和难点。本文建立面向连锁零售业客户消费行为的分布式数据挖掘模型,有效利用分布式数据挖掘技术深度挖掘每个分结点中的数据库中客户消费行为信息、客户消费能力和客户消费趋势,支持连锁零售业在细分客户的消费行为中把握商机,提高企业的经营分析决策水平、最终提高企业的核心竞争力。主要研究内容包括:第一,针对目前数据分布环境下客户消费行为分析理论和研究存在的不足,提出了面向连锁零售业客户消费行为的分布式数据挖掘模型(DDMMRCB,Distributed Data Mining Model Based on Consumerbehavior Analysis):以连锁零售业分布的各结点的客户消费行为数据为数据源,以移动Agent运行平台为框架基础,以基于XML的异构数据处理、基于FP-树的分布式关联规则DARMAIF算法(DistributedAssociation Rules Mining Algorithms based on Improved FP tree)和分布式神经网络IDNNA算法(Improved Distributed Neural NetworkAlgorithm)为叁大技术关键。第二,本文提出基于知识的元素映射集转换规则及动态匹配机制,并利用XML的可扩展性、结构化、自描述以及跨平台的特点,来解决分布式数据挖掘环境下异构数据源的挖掘问题。第叁,本文提出基于FP-树的分布式关联规则DARMAIF算法,将局部站点的原始数据库进行分解并逐步组合成频繁1-项集的项总数个数据库子集,然后再将局部的子数据库的有关项集存储到改进的FP-树结构中,再通过基于被约束子树的数据挖掘算法,挖掘出约束项频繁项目集,并逐渐生成全局的基于约束的关联规则。第四,本文提出了改进型分布式神经网络IDNNA算法,在保留信息的前提下对数据进行有效降维,并通过分布式神经网络IDNNA算法的分布自学习功能得出客户评价的定量评价。第五,最后本文对DMMRCB模型在连锁零售业客户消费行为中的应用做了有益的探索,通过从客户个人特征、客户消费行为、客户态度等角度挖掘连锁零售企业的客户的消费行为,得出相关性分析、客户消费模式分析和客户分类等主题指标,从而为提高连锁零售业的经营分析、决策支持和商品管理等水平都提供了有力支持。
卢琦蓓[6]2009年在《基于分布式关联分类的连锁零售业客户细分模型研究》文中进行了进一步梳理在管理思想更新、管理实践需求及信息技术发展的推动下,客户关系管理正在成为21世纪全球企业界最关心的管理议题和发展方向之一。客户细分是客户关系管理系统的核心功能之一,可以对客户获取、客户保持及客户增值等客户关系管理过程提供全面支持,其结果对客户关系管理有着十分重要的影响。目前,大型连锁商业企业借助于网络和信息技术迅速扩张并向国际化经营方向发展,商品经营已演变为“信息经营”。大量分布的连锁分店、配送中心与总店间通过网络互连,形成了分布型的商业共享数据环境。在这个分布型数据环境中,每个节点积集了大量的经济运行数据,形成了规模庞大的分布商业数据金矿。传统的客户细分方法已经无法满足日益增长的数据量以及日益复杂的分析需求,而基于分布式数据挖掘技术的分类方法,为进行更深入的客户细分提供了新的实现手段。本文在国内外研究基础上,以连锁零售业的消费者为研究对象,建立了基于分布式关联分类的连锁零售业客户细分模型(CustomerSegmentation Model Based on Distributed Associative Classification,简称DCSM)。主要研究内容包括:第一,对传统的客户细分相关理论和关联分类算法进行了深入的研究与分析,尤其是关联分类经典算法CBA、CMAR,以期取其之长运用到连锁零售业客户细分问题中来。第二,针对目前数据分布环境下连锁零售业客户细分方法存在的不足,提出了基于分布式关联分类的连锁零售业客户细分模型DCSM。该模型以连锁零售业各分布结点的客户数据为数据源,以具有移动Agent功能的Bee-gent系统为框架,以基于改进型FP-树的分布式关联分类算法为关键技术,从分布的商业数据库中训练得到全局的关联分类器,利用全局的关联分类器实现对客户的细分。第叁,本文提出了基于改进型FP-树的分布式关联分类算法。首先,在各局部站点分别生成改进后的频繁模式树,再通过各站点间传送条件模式树形成全局条件模式树;其次,引入显着度概念挖掘全局条件模式树,得到初始的全局显着分类规则;最后,通过剪枝策略选择一个小规则集构造全局的关联分类器。该算法能够有效地减小网络通信量,提高挖掘效率,同时保证规则的统计显着性,提高了对隐含规则的发现能力。第四,在上述研究工作的基础上,本文设计了一个面向连锁零售业客户细分的数据挖掘原型系统。该系统初步实现了数据的导入、预处理、模型建立和模型使用等功能。最后结合一个具体商业应用,通过对客户个人特征、客户消费行为、客户价值等多个维度的挖掘,得出客户的细分结果,从而为提高连锁零售业的经营分析、决策支持和商品管理等水平提供有力支持。
段蕾[7]2008年在《数据挖掘分类技术及其在CRM中的应用研究》文中研究指明近年来,现代市场营销理念和商业运作方式的核心逐步向客户关系管理(CRM)转移,CRM是一个将客户信息转化成为积极的客户关系的过程。随着客户信息的日趋复杂、客户数据的大量积累,分析复杂的客户数据,发现客户行为趋势,挖掘客户对企业的真正价值逐渐成为企业成功的关键因素,决策者迫切需要将海量数据转换成有价值的信息和知识。数据挖掘的出现为这一需要提供了有力的技术支持。数据挖掘在CRM中的有效运用可以从大量的客户数据中挖掘出对企业经营决策有价值的知识和规则。而分类方法是目前商业领域中应用最广泛的数据挖掘技术。分类及其在CRM中的应用研究已经成为学术界和企业界共同关注的领域。本文首先介绍了客户关系管理、数据挖掘、数据挖掘技术在客户关系管理中应用的基本理论,提出了数据挖掘技术处理CRM专业问题的详细流程。然后介绍了分类的一般过程、目前常用的分类算法;对现有的算法评价指标做了系统的概括和总结,针对这些指标在处理CRM领域具体问题时的不足,提出了一种评价指标体系,为CRM领域中应用分类方法时的总结和评价提供了新思路。同时,在研究现有分类算法的基础上,根据CRM领域问题的实际需求,提出了一种新算法。最后将新的评价指标体系和算法应用到汽车销售领域客户发现问题中,为分类技术在该领域的应用提供了一个详尽的解决方案,建模结果也证明了指标体系和新算法的科学性和实用性。在此基础上,进一步构建了分类技术应用于CRM领域的系统框架,该系统框架对于解决CRM中分类方法的应用问题具有一定的代表性,也为数据挖掘技术在CRM领域的应用发展做出了一些新的探索和尝试。随着数据挖掘分类技术的进一步发展和深化,这一研究领域也体现出越来越重要的研究价值。同时,分类技术在电子商务时代CRM中的进一步深入应用,必然使CRM具有更广泛的市场价值,为CRM带来更广阔的应用前景。因此,本文关于数据挖掘分类技术及其在CRM中应用的研究主题具有重要的学术价值和现实意义。
崔继凯[8]2004年在《零售业中OLAP和数据挖掘若干算法的研究与实现》文中指出“数据挖掘”(包括olap)是一门与实践紧密相连的具有较强技术性的学科。面对着国内各个领域，包括零售、金融、科学、医学等每年都在积累下海量的数据的现实状况，数据挖掘越来越需要把它的对数据内在模式和规律的深入分析和发现的思想贯穿到实际应用当中。 遗憾的是，尽管每年都产生大量的论文和文章探讨数据挖掘技术，大部分是对数据挖掘概念和理论的探讨，很难看到具体的实现和应用。本文作者在实习期间，参与并完成了基于微软分析服务器的销售分析与报表系统；并在公司即将开始的数据挖掘项目中，完成了多个重要算法的设计和c++程序实现：基于多层分类商品树的商品关联规则算法，会员顾客的购物频繁序列模式产生算法；基于信息熵理论和条件概率树的会员顾客分类(决策树)算法，并分别使用数据进行了测试，取得了较好的结果。其中第一个和第叁个算法具有相当的可扩展性，第二个算法在小规模以及中等规模的数据量下是有效的。
刘东升[9]2008年在《面向连锁零售企业的客户关系管理模型（R-CRM）研究》文中研究说明随着信息技术的发展,经济全球化进程的加快,以沃尔玛(Wal-Mart)、家乐福(Carrefour)、麦德龙(Metro)等为代表的国际大型连锁零售企业通过20世纪80年代的观望和探测,90年代的潜心“修炼”,已“水土渐服”,已潮水般抢滩中国零售市场。面对拥有雄厚资本与先进管理理念的大型外资连锁零售企业,我国连锁零售企业必须转变管理理念,实施以4C(Customer、Cost、Convenient、Communication)为中心的现代企业管理模式,从分布数据中得到有用的信息、获取分析决策模式和知识,支持连锁商业企业经营决策,将零售业的“商品经营”演绎成“信息经营”,才能提高我国零售企业自身竞争力和发展能力。其中,连锁零售企业客户关系管理CRM系统应用正是实现这一现代管理理念的基础关键之一,但是我国零售业能深层次实施CRM的企业并不多,因此面向连锁零售企业客户关系管理R-CRM(Retail Customer Relationship Management)模型与决策机制的研究具有重大的现实意义和广阔的发展前景。本文在国内外研究基础上,以连锁零售企业商品驱动、供需联动为主线,全面分析并建立了面向连锁零售企业的客户关系管理模型,并就此模型的叁个方面进行了深入分析和探讨。本文主要研究内容包括:第一,分析了面向连锁零售企业的客户关系管理管理结构,阐述了连锁零售企业客户关系管理R-CRM的客户消费分类分析、供应商评价分析、企业经营决策机制叁个问题的解决思路。第二,提出了面向连锁零售企业的客户关系管理R-CRM框架,对该R-CRM框架的业务流程、叁维结构体系、分析指标与方法、功能模块等进行了深入研究,并以此为基础构建了基于商品驱动、供需联动的R-CRM模型,实现对连锁零售企业的消费者、业务伙伴供应商、内部客户等的全方位管理管理。第叁,针对连锁零售企业客户消费特点和连锁零售企业商品种类繁多的特性,提出了基于支持向量机(Support Vector Machine)的连锁零售企业客户分类模型:R-DCSS模型,采用云状处理过程的映射机理和非确定性推理,结合SVMDT中的概率分布函数,应用SMO算法对连锁零售企业客户进行分类。最后对该模型在连锁零售企业客户分类中进行了验证,结果表明该模型的分类精度优良。第四,针对连锁零售企业的商品驱动、供需联动的特点与要求,提出了基于BP神经网络的连锁零售企业供应商评价模型,该模型采用主成分法从大量评价因素中筛选出供应商评价的主要因素,即在保留评价信息的前提下对数据进行有效降维,并通过BP神经网络的自学习功能计算出供应商评价的定量评价。通过试验表明该模型具有良好的适用性、准确性,是连锁零售企业供应商评价的一种有效方法。第五,结合连锁零售企业数据分布、异构等的特点,提出了基于贝叶斯网络的连锁零售企业分布式决策模型:R-BNs模型,该模型以贝叶斯网络相关性学习理论为方法,以Bee-gent系统为框架,从分布连锁企业数据库中训练得到迭代型贝叶斯网络,实现连锁零售企业高效、精确的分布式迭代决策。最后对该算法进行了验证,结果证明该算法具有精确、高效并节省空间。最后,设计实现了一个支持连锁零售企业的客户关系管理原型系统:HZ-RCRM。该原型系统结合银泰百货集团的实际需求,将本论文中的改进算法和模型应用到系统中,实现了基于商品驱动的对供应商进行评优选择、客户消费行为分析分类、连锁零售企业的分布式决策等功能。同时,系统对分布式数据挖掘技术在连锁零售企业客户关系管理中的应用也做了有益的探索,为提高连锁零售企业的经营分析、决策支持和商品管理等水平都提供了有力支持。
钟卫民[10]2008年在《基于数据仓库的决策支持系统在连锁零售业中的应用研究与实现》文中认为连锁零售业作为一类重要的行业,为人们提供种类繁多的商品。传统的零售业信息系统主要是一个大型的管理信息系统(MIS),提供前台POS系统和后台管理系统。但是,随着竞争的加剧,连锁零售业面临着巨大的机遇和挑战。采用新的方法对连锁零售业数据进行处理、分析和管理成为必要。90年代以来,随着计算机软硬件技术的发展,运筹学、人工智能、机器学习等领域研究的不断深入,数据挖掘和数据仓库的应用有了巨大的发展。特别是数据挖掘工具的产生和逐渐标准化,基于数据仓库,采用数据挖掘算法的决策支持系统已经被越来越多的企业和政府应用。本文尝试从客户关系管理(CRM)的角度出发,建立基于数据仓库的连锁零售业决策支持系统。主要完成了以下工作。(1)研究了连锁零售业CRM的现状和理论框架,提出了决策支持系统的基本架构,并分析了决策支持系统(DSS)架构中两种基本技术(数据仓库和数据挖掘技术)的原理和方法。(2)提出了基于数据仓库的连锁零售业决策支持系统的系统框架;分析了叁大功能子系统:POS系统、MIS系统和DSS系统;分析和设计了连锁零售业客户信息数据仓库。(3)研究了关联规则算法的两种实现方法:广度优先的Apriori和深度优先的FP-Growth。并使用数据库软件SQL Server 2005的Analysis Services工具,采用Apriori算法实现对客户购买行为的预测。(4)研究了聚类分析的基本原理,并采用k-means聚类算法对连锁零售业的客户进行细分的实验分析。
参考文献：
[1]. 面向零售业客户关系管理的数据挖掘模型研究[D]. 汪毅. 湖南大学. 2003
[2]. 数据挖掘在客户关系管理中的应用研究[D]. 叶孝明. 东南大学. 2006
[3]. 基于粗糙集的决策树技术在电子商务中的应用研究[D]. 闻卫军. 青岛科技大学. 2007
[4]. 数据挖掘技术在零售业CRM中的应用研究[D]. 曲斌. 浙江大学. 2004
[5]. 面向连锁零售业客户消费行为的分布式挖掘模型研究[D]. 梁莹. 浙江工商大学. 2008
[6]. 基于分布式关联分类的连锁零售业客户细分模型研究[D]. 卢琦蓓. 浙江工商大学. 2009
[7]. 数据挖掘分类技术及其在CRM中的应用研究[D]. 段蕾. 合肥工业大学. 2008
[8]. 零售业中OLAP和数据挖掘若干算法的研究与实现[D]. 崔继凯. 西安电子科技大学. 2004
[9]. 面向连锁零售企业的客户关系管理模型（R-CRM）研究[D]. 刘东升. 浙江工商大学. 2008
[10]. 基于数据仓库的决策支持系统在连锁零售业中的应用研究与实现[D]. 钟卫民. 上海交通大学. 2008
标签：贸易经济论文; 数据挖掘论文; 关联规则论文; 市场营销论文; 大数据论文; 数据挖掘算法论文; 客户细分论文; 客户信息论文; 客户分类论文; 商业分析论文; 客户分析论文; 商品管理论文; 客户管理论文; 关联分析论文; 连锁经营模式论文; 系统评价论文; 分类数据论文; 关联营销论文; 零售业论文; 数据分析论文; 商业论文;