注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 基于数据挖掘的零售业客户细分研究

  2. 基于数据挖掘的零售业客户细分研究 ●叶孝明黄祖庆 摘要：文章根据基于购买行为的客户细分方法，运用数据挖掘中的聚类分析和决策树分类技术，对零售业客户细分 模型进行了研究、建立及实验分析，为零售业客户细分提供了一种有效而实用的分析方法。 关键词：零售业；客户细分；数据挖掘 客户细分是客户关系管理的基本任务之一，在目前客 户终生价值研究还没有成熟的情况下。采用基于购买行为 的客户细分方法不失为一种有效的选择。对于零售企业而 言．通过一定的技术将客户细分为不确定型客户、经常性 客户、乐于消费型客户和最

  3. 所属分类：餐饮零售

    • 发布日期：2010-10-14
    • 文件大小：399kb
    • 提供者：gadflyyy

  1. 数据挖掘分析师之硬技能+-+零基础到数据挖掘精通（Excel、Oracle、SPSS初步）

  2. 对于数据挖掘的初步入门，包含：数据挖掘初探，功能介绍，EXCEL基础，ORACLE数据库安装，数据预处理，预测算法-线性回归，决策树，关联算法-Apriori,聚类算法-kmeans, 最优化求解，SPSS Modeler探索与分析，回归分析，RFM分析等。

  3. 所属分类：Python

    • 发布日期：2018-05-10
    • 文件大小：14mb
    • 提供者：tongtongliwei

  1. 1-CSTPCD 北大核心 汽车4S店TFM客户细分模型及其方法研究.pdf

  2. 针对汽车4S 店客户消费模式不同于其他行业,而传统RFM 模型难以适用于汽车4S 店客户细分的问题,课题组对传统RFM 模型的数据分析指标进行优化改进,形成可适用于汽车4S 店的TFM 客户细分模型. 该模型可依据客户的行为属性通 过K 均值聚类算法进行客户细分,最后随机抽取某汽车4S 店客户数据进行实验验证. 实验结果表明,改进的TFM 模型能够有效细分客户,为汽车4S 店针对不同价值的客户制定相应的个性化服务以及营销策略提供了良好的参考依据.

  3. 所属分类：互联网

    • 发布日期：2020-05-14
    • 文件大小：1mb
    • 提供者：nczfkb

  1. 1-CSSCI 北大核心-基于改进RFM聚类的高校图书馆用户画像研究.pdf

  2. 用户画像技术作为实现精准营销及服务的有效工具，在很多领域已经得到广泛验证和应用，也为高校图书馆的精准服务提供了新的思路。文章以某高校图书馆的读者信息和行为数据为例，引入并改进客户细分领域中的RFM 模型，对读者群体进行聚类细分，同时建立了具有不同行为特征的图书馆读者群体的用户画像。最后，提出了基于改进RFM 聚类的高校图书馆用户画像构建方法，以期为高校图书馆用户描述和精准服务提供参考。

  3. 所属分类：互联网

    • 发布日期：2020-05-14
    • 文件大小：1mb
    • 提供者：nczfkb

  1. 零售业顾客忠诚度的模型研究与聚类挖掘

  2. 大连交通大学 硕士学位论文 零售业顾客忠诚度的模型研究与聚类挖掘 姓名：徐鹏 申请学位级别：硕士 专业：计算机应用技术 指导教师：田宏 20081220 摘要 面对市场的激烈竞争，仅依靠商品本身很难在瞪趋激烈的竞争中取胜，现今市场的 竞争，实际怒赢得顾客的竞争。因此，如何建立蹶客忠诚度模型分析顾客的忠诚度是+ 分重要的。因为这为企业如何更好的去识别和保留忠诚度高的顾客，挖掘潜在和提升顾 客忠诚度，以及预防顾客流失都起着至关重要的作用。 本文研究重点在于分析国内零售业颤客消费行为特性，探讨圈内零

  3. 所属分类：餐饮零售

    • 发布日期：2010-10-22
    • 文件大小：3mb
    • 提供者：gadflyyy

  1. Cohort模型.docx

  2. Cohort Analysis是一个最常用的分析工具，Cohort其实是一个组群的意思， Cohort Analysis就是分组分析，也可以叫做同期分析。Cohort分析通过对性质完全一样的可对比群体的留存情况的比较，来发现哪些因素影响短、中、长期的留存。Cohort分析受到欢迎的另一个原因是它用起来十分简单，但却十分直观。相较与比较繁琐的损失分析，RFM或者用户聚类等，Cohort只用简单的一个图表，甚至连四则运算都不用，就直接描述了用户在一段时间周期（甚至是整个LTV）的留存（或流失）变化情

  3. 所属分类：其它

    • 发布日期：2020-08-02
    • 文件大小：321kb
    • 提供者：u012772803

  1. 模糊C聚类示例.zip

  2. 模糊C均值聚类，包含200名用户RFM真实行为数据表格，本案例通过模糊C均值聚类，将200名用户聚类成所设定类别数目，通过指定迭代次数，查找cluster_table变量查看用户所属类别

  3. 所属分类：机器学习

  1. Customer-Segmentation-By-Book-Purchase-History-源码

  2. 客户细分（按书购买）的历史记录 问题背景 背景： 我们客户的先前方法是“最受欢迎的”商品推荐系统，该系统基于客户的购买历史以及所购买商品与电子商务网站的关系，指导用户将商品添加到购物车中，该方法成功地增加了销售量过去是针对此网站的，但我们拥有一个更好的“推荐引擎”系统，该系统可以应用于更广泛的客户群（通过对客户进行聚类并将不同的进一步方法应用于不同的细分市场）。 数据： 网上图书电子商务数据。 方法： 我们针对该电子商务网站的“推荐引擎”人工智能解决方案是实施无监督聚类（K-Means）方法，该

  3. 所属分类：其它

  1. RFM-Analysis-and-modelling:使用K-Means和聚集聚类基于RFM功能创建客户细分-源码

  2. RFM分析与建模 使用K-Means和聚集聚类基于RFM功能创建客户细分

  3. 所属分类：其它

    • 发布日期：2021-03-14
    • 文件大小：490kb
    • 提供者：weixin_42118770

  1. 4.-Customer-Segmentation-of-Online-Retail-Store--源码

  2. 4.在线零售商店的客户细分 在线零售是一个跨国数据集，其中包含2010年12月12日至2011年12月9日之间在英国注册的非商店在线零售发生的所有交易。 该公司主要销售各种场合的独特礼品。 公司的许多客户都是批发商。 我们的主要目标是根据RFM（汇率，频率和货币）细分客户。 使用的技术：MinMaxScaler K均值肘*廓分数分层聚类DBSCAN MeanShift

  3. 所属分类：其它

  1. RFM聚类：使用聚类算法的RFM分析-源码

  2. RFM集群

  3. 所属分类：其它

  1. 献血者细分：献血者聚类-源码

  2. 献血者分段 献血者聚类 该项目检查了基于行为的特征集在分割捐赠者以及识别血浆捐赠操作中活跃和不活跃的捐赠者特征方面的有效性。 为了实现此目标，该分析实施了一个分为两部分的方法，包括使用K模式的聚类任务以及使用监督学习方法测试特征集在识别活动供体方面的性能的预测任务。 分析产生了一组与供体行为的频率，持续时间，一致性和季节性特征有关的新颖行为特征。 将该测试功能集的性能与常规的基于行为的功能集（例如新近度，频率，货币（RFM）模型）进行了比较。 二手工具：Pyspark，Pandas，Numpy

  3. 所属分类：其它

    • 发布日期：2021-02-17
    • 文件大小：166kb
    • 提供者：weixin_42105169

  1. 推荐者：基于RFM和决策树模型合并专家推荐系统。融合了RFM模型和决策树模型，结合专业运营人员的业务运营，发掘潜在用户，进行推荐营销召回-源码

  2. 推荐人 推荐模型简介 目标：有三款产品某企通，某赋通和某票，通过推荐提高用户群体从某企通和某票到某赋通产品的转化率。 数据情况：用户数据体量，某企通：某赋通：某票= 100：10：1 推荐算法选型：试验过当下十分流行的Item_CF和User_CF，产生的推荐效果并不理想，具体过程如下： -推荐模型：选择了RFM模型，决策树模型和专业运营人员的经验知识，具体的推荐架构如下： 购买某赋通的数学期望 核心思想：将某某通的用户通过Kmeans聚类进行分群，跑手肘法使分段数依次为2、3、4 ....

  3. 所属分类：其它

  1. 【Python_002】RFM人群模型 X Kmeans 聚类算法

  2. 数据分析中常用RFM分析消费者人群，但常见RFM是用均值区分。 均值区分与利用Kmeans区别在于前者人为划定R、F、M高低界限（以均值为界限），后者为通过不断迭代确定界限（不过两者对于异常点都较为敏感） RFM模型 首先介绍一下RFM模型 R – Recency 最近一次消费的时间 F – Frequency 一段时间内的消费频次 M – Monetary 一段时间内的消费金额 RFM模型主要用来划分客户/消费者，通过上述三个指标衡量客户/消费者价值 每个指标都分为0和1两档，1就是高，0就是

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：155kb
    • 提供者：weixin_38684743