论文部分内容阅读
本文结合数据挖掘和CRM,针对A公司现存的人力、财力、物力等服务资源不充足,资源分配不合理的现状,提出了一套应用于A公司的CRM客户细分模型,并在此基础上开发了一套解决该公司资源分配不合理的现状智能客户系统,该系统采用数据挖掘领域的改进的聚类和分类算法,对现有客户重要性细分以及营销成本规则库进行挖掘,获取隐含在数据集中的潜在有用的知识,帮助企业决策者合理调度公司内部相关服务资源以便服务于优质客户,从而从根本上解决了资源分配不合理造成的小客户的资源浪费、大客户流失的问题,达到企业利润最大化的目的。本系统采用了双重CRM客户特征性指标分别对客户重要性以及营销成本指标进行分析,双重CRM客户特征性的设计相对于传统的只对客户重要性指标进行分析的CRM系统更能准确的体现出客户的当前状态信息以及投入产出回报比率,因为只考虑客户重要性指标,虽然能够准确掌握客户对公司的重要程度,但却忽视了像“强强联合”这样的行业供应链相关规律,容易造成公司投入的盲目冲动性,另外它也无法准确的衡量公司的产出回报比率。营销成本属性指标正是基于此种目的提出的。基于双重特征量指标的双重CRM客户特征性的设计,即能帮助企业对现有客户状况有一个明确的定位,又能给出企业产出回报的理性分析,从而从根本上解决了资源调配不均,营销方向不明确的问题。另外,本文在前人理论研究的基础上实现了两种经典算法的改进:基于平方误差密度划分准则的改进的K-means算法和基于确信度支持度框架的分类算法。其中,改进的K-means算法选择平方误差密度较大的样本点作为初始质心,从而从根本上解决了传统K-means算法对初始质心随机设置性或者凭借个人主观经验设置的随意性问题,另外给出了簇集个数K值的确定方法,成功的解决了算法初始执行时无法有效确定簇集个数的问题。改进的分类算法提出了一种新的基于确信度和支持度的框架,该算法的核心思想是MYCIN推理模型的确定性因子理论(certainty theory),并且通过一个算例分析证明了该算法在解决某些问题时,性能要好于传统的基于置信度框架的关联规则算法。