基于聚类的电信客户细分.pdf

SOM-K-Means聚类算法在零售银行客户细分中的应用研究.pdf

在银行业务管理中， 经常需要从大量的数据中提取或发 现与营销决策、服务提升相关的有价值的信息。大型商业银 行数据中心所拥有的海量数据， 其内容主要包括银行业务数 据、信息系统服务数据等。而客户信息、交易日志、后台系 统性能数据综合分析已经逐渐成为大型商业银行数据中心 在现阶段新的工作突破口， 为了适应大型商业银行工作的现 实需要，迫切需要建立起一套具有自动采集、自动传输、可 实现综合查询、具备分析功能的数据挖掘系统。数据挖掘是 从大量的、不完全的、有噪声的、模糊的、随机的实际应用 数据中，提取隐含在其中的、人们事先不知道的、但又是潜 在有用的信息和知识的过程， 又称为从数据库中的知识发现 (Knowledge Discovery in Database，简称KDD)。[1] 数据挖掘 为商业银行提供了许多商业价值。 本文实现了银行数据仓库 的设计， 并使用数据挖掘算法对其中数据进行了有效采集和 分析。

电信行业是典型的数据密集型行业,拥有大量的甚至是海量的客户数据资源.对电信行业客户消费数据进行深入挖掘可以为企业的资源优化配置和客户关系管理提供理论支持和技术保障.以电信行业的客户消费数据为基本研究对象,在衍生特征构造、样本调整以及特征选择等数据预处理的基础上,本文采用可处理混合数据且具有近似线性时间复杂度的一趟聚类算法建立电信行业的客户细分模型.经实证研究表明,该模型可以将电信的客户有效划分成四个具有不同忠诚程度和消费能力的客户群体,同时从各客户群的消费行为中还可以有效地分析出他们的消费偏向和流失倾向.说明提出的方法是一种有效的客户细分方法.

SPSS（十五）spss之聚类分析（图文+数据集） spss之聚类分析​​​​​​​--移动通讯客户细分

客户细分 CRM之RFM模型英文介绍, 根据客户最近购买时间，购买频率，购买金额来判断客户价值

最近正好刚帮某电信行业完成一个数据挖掘工作，其中的RFM模型还是有一定代表性，就再把数据挖掘RFM模型的建模思路细节与大家分享一下吧!手机充值业务是一项主要电信业务形式，客户的充值行为记录正好满足RFM模型的交易数据要求。根据美国数据库营销研究所ArthurHughes的研究，客户数据库中有三个神奇的要素，这三个要素构成了数据分析最好的指标：最近一次消费(Recency)、消费频率(Frequency)、消费金额(Monetary)。我早期两篇博文已详述了RFM思想和IBMModeler操作过程，有兴趣的朋友可以阅读!RFM模型：R(Recency)表示客户最近一次购买的时间有多远，F(Fre