客户细分

作品数:810被引量:1664H指数:18
导出分析报告
相关领域:经济管理更多>>
相关作者:邹鹏李一军吴春旭朱艳丽郝媛媛更多>>
相关机构:北京邮电大学华东理工大学上海交通大学哈尔滨工业大学更多>>
相关期刊:更多>>
相关基金:国家自然科学基金教育部人文社会科学研究基金国家社会科学基金广东省自然科学基金更多>>
-

检索结果分析

结果分析中...
选择条件:
  • 期刊=计算机系统应用x
条 记 录,以下是1-8
视图:
排序:
改进k-means算法在电信CRM客户分类中的应用被引量:4
《计算机系统应用》2012年第11期153-155,186,共4页左国才 周荣华 黎自强 
湖南省教育厅科学研究项目(11C0724;11C0723)
电信市场的竞争在于客户的竞争,为了在激烈的竞争中保持优势,必须将客户进行细分,针对不同的客户,研究出相应的营销策略.K-means算法能对大型数据集进行高效分类,但对"噪声"敏感,聚类结果不准确,本文对该算法进行改进,使其能够实现更加...
关键词:电信CRM 客户细分 数据挖掘 K-means聚类分析算法 
证券公司客户综合分析系统的设计与实现被引量:1
《计算机系统应用》2010年第10期126-130,共5页刘斌 邱华勇 
介绍基于数据仓库与数据挖掘技术的证券公司客户综合分析系统的设计与实现,其中着重介绍了系统的设计原则、设计思想以及有证券特色的数据挖掘模型及其应用等重要内容。用k-Means聚类方法构建了客户偏好细分模型,将客户有效划分为8群;...
关键词:证券 流失预警 客户细分 数据仓库 数据挖掘 K-MEANS聚类 LOGISTIC回归模型 决策树 
自组织映射聚类算法在电信客户细分中的应用被引量:7
《计算机系统应用》2010年第8期168-172,共5页吴春旭 鲍满园 苟清龙 
安徽省自然科学基金(090416240);高等学校优秀人才基金(2009SQRS001ZD)
将自组织映射SOM(Self Organization Map)聚类算法应用于电信客户细分,并与采用K-means聚类算法得到的结果进行比较。实验表明,SOM可以有效的进行电信客户细分且聚类效果较优,但需付出训练时间的代价。同时对两种算法的复杂度、误差等...
关键词:自组织映射 神经网络 电信 聚类 客户细分 
基于信息熵的蚁群聚类算法在客户细分中的应用被引量:1
《计算机系统应用》2010年第7期171-174,共4页吴春旭 刘艳泽 苟清龙 
安徽省自然科学基金(090416240);高等学校优秀青年人才基金(2009SQRS001ZD)
传统的蚁群聚类算法需设置较多参数,且聚类时间较长。基于信息熵的蚁群聚类算法通过信息熵改变蚂蚁拾起和放下数据的规则,减少了参数的设置、缩短了聚类的时间,将其应用于客户细分,并且与采用传统的蚁群聚类算法得到的细分结果进行比较...
关键词:信息熵 蚁群算法 聚类 客户细分 应用 
支持交叉营销的金融产品客户数据挖掘
《计算机系统应用》2010年第5期100-103,共4页黄洪 洪毅 
首先比较了DBSCAN,CLIQUE,CLARANS,K-means和X-means等聚类算法,接着选用X-means聚类算法建立了金融产品客户细分模型,然后结合关联强度分析,设计了支持交叉营销的金融产品客户数据挖掘系统,并给出了一个系统使用示例。
关键词:交叉营销 X—means聚类算法 客户细分 金融产品营销 
蚁群聚类组合算法在证券行业客户细分中的应用被引量:4
《计算机系统应用》2008年第3期84-86,共3页邵良杉 王鹤 
本文提出了基于信息素的蚁群聚类组合算法,将此种算法应用于证券行业中客户的细分。这种方法既避免了人为事前设定簇的数目,又改善了传统算法中易于陷入局部最优的缺陷。
关键词:数据挖掘 聚类分析 蚁群算法 信息素 证券行业 
客户细分在电信营销中的应用研究被引量:4
《计算机系统应用》2008年第3期105-108,共4页马子斌 杨鸿宾 
今天的电信行业面临着如何更好的理解客户信息将其转变为有用的知识,如何维护客户关系和发展有价值客户并提供个性化的服务的难题。数据挖掘能从大量客户数据中发现潜在和有价值的知识,这无容质疑的为电信营销提供的极大的支持。进行客...
关键词:数据挖掘 客户细分 客户聚类 个性化营销 
一种基于动态模糊聚类算法的客户细分方法被引量:2
《计算机系统应用》2008年第2期21-24,共4页吴春旭 吴镝 蒋宁 
本文提出了基于信息熵和K均值算法混合迭代模糊聚类的客户细分模型,解决了模糊聚类的原型初始化参数问题。将信息熵和K均值算法引入模糊聚类中进行分析,并结合联通客户的大样本数据进行实际分析,与传统方法相比,取得了较好的效果。
关键词:客户细分 模糊聚类 信息熵 K均值算法 FMC 
检索报告 对象比较 聚类工具 使用帮助 返回顶部