邮政业务交叉销售模型研究论文

时间:2022-06-30 18:32:01 浏览量:

 四川农业大学本科生结业论文(设计)开题陈诉 结业论文(设计)题目 邮政业务的交错销售模型研究 选题类型 应用底子 课题来源 自选 学

  院

 专

 业

 指导西席

 职

 称

 姓

 名

 年

 级

 学

 号

  一、 立题依据 1 、国内外研究现状 ( (1 )数据挖掘的研究现状和生长态势 数据挖掘是指从存放在数据库、数据堆栈或其他信息库中的大量数据中挖掘人们感兴趣知识的历程。其中知识体现为看法、规矩、规律、模式等形式,它们是隐含的、事先未知的潜在有用信息,在商务数据深处蕴藏着未被发明的时机,可以用数据挖掘技能来发明。在交错销售建模历程中,主要运用分类、聚类以及业务关联阐发进行建模。

 ① ① 分类算法 在分类算法中,决策树的应用十分普遍。它起源于看法学习系统,具有分类精度和效率较高、结果易于理解、能够导出分类规矩等优点。决策树建模包罗了建立和剪枝两个阶段。结构决策树算法有多种,较有代表性的有 Quinlan 的 ID3 算法、Breiman 等人 CART 算法、Loh和 Shih 的 QUEST 算法、Magidson 的 CHAID 算法;剪枝算法有 Breiman 的庞大-代价剪枝、Quinlan 的淘汰错误的剪枝和悲观预计剪枝。关于决策树的规矩提取研究包罗 Quinlan 提出的直接由训练数据推导规矩的要领、Clark 提出的 CN2 规矩推导算法、Smyt 等提出 ITRULE 算法、Major 和 Mangano 提出的规矩精炼战略。除了决策树,支持向量机和朴素贝叶斯网络也是主要的分类算法。

 ② ② 聚类算法 聚类阐发算法最早是由 Kaufman 等提出的,探讨了聚类阐发的单连接要领;Alfred 进一步给出了单连接要领的通用公式;Aronis 提出了著名的 K-means 算法;Chen 提出了区分自然分别与分切的差别阵;Aronis 开发了极大似然分类要领;Karypis 提出了如何使用分枝定界思想来扩大穷举要领评估聚类使用范畴,同时还讨论了基于图的聚类算法阵;Zhang 等人描述了适用于庞大数据集的聚类算法;Eisen 等人论述了条理聚类在基因数据上的应用;Wedel 和Kaufman 阐发了殽杂模型在消费者建模和市场方面的应用;Zamir 和 Etzioni 介绍了专门用于聚类网络文档的聚类算法;Cadez 等人描述了马尔可夫殽杂模型在聚类网络文档方面的应用;闰德勤等基于万有引力原理提出了一种新的聚类算法;周新华等提出了一种基于蚁群算法的模糊 C 均值聚类算法。

 ③ ③ 关联规矩挖掘技能 近年来,关联规矩挖掘技能取得了很大的进展。Han 等人提出了基于频繁模式树(FP-树)的频繁模式挖掘算法,范明等对该算法进行了改造;Silbershcatz 等探讨了关联规矩的后期处

 理惩罚问题;Imielinski 和 Sarawagi 讨论了把关联规矩集成到数据库系统中的问题;Mannila等人介绍了在序列中发明片段的算法;Aronis 等人探讨了如何实现用于海量数据集的高效归纳算法以及一些实践的本领;Adamo 等人提出了有助于提高算法效率的特征空间网格结构上的算法集;朱玉全等提出了基于频繁模式树的关联规矩增量式更新算法;Brijs 等人以及Lawrence 等人讨论了关联规矩在零售业交错销售中的应用问题。

 ( (2 )交错销售研究现状和生长态势 交错销售是通过研究客户的产物使用情况、消费行为特点,发明客户潜在的需求,通过挖掘产物之间的关联,寻找实现销售更多产物的时机,为产物寻找现有用户中的目标群体。在新客户的获取越来越难的形势下,交错销售是提升企业销售额的有效手段。早在 1965 年,外洋银行业就开始应用交错销售,向老客户推荐他们可能需要的其他金融产物和办事。利用数据挖掘技能去发明客户购买规律可以追溯到 NCR 公司为沃尔玛超市发明了啤酒和尿片之间的关联干系。数据挖掘帮助交错销售主要通过识别交错销售时机和发明客户购买规律。

 近年来,国内外学者对交错销售的研究越来越多,许多学者都在致力于识别交错销售的要领研究。Knott 等利用 Logistic 回归、多元回归、判别阐发和神经网络四种技能来识别交错销售时机,确定交错销售目标客户的有效性。幸莉仙等人研究了数据挖掘在零售行业中的应用,并引出了交错营销的看法。段云峰等人研究了移动通信业务中的业务关联干系。

 目前,有关交错销售时机识别的要领和模型主要有四种,即潜在特质模型(Kamakura,1991; 2003)、得到模式(Peas & Kuijlen, 2001)、NPDP模型(Knott et al., 2002))和市场细分要领(Peltier, 2002)。学者们大多是在借鉴市场营销以及其他学科和领域现有要领的底子上,来考察将这些要领应用于识别交错销售时机的可能性的。例如,Kamakura 等人主要借鉴心理学研究的潜在特质理论;Peas 和 Kuijlen 主要利用耐用消费品的得到模式来研究和利用 Mokken 量表丈量法;而 Peltier 等人则主要采取了市场细分法。目前学术界对这四种要领众说纷纭。因此,识别交错销售时机的要领有待整合和完善。

 2、 、 研究意义 中国邮政的政企合一,市场的对外开放,以及日益提高的社会需求对中国邮政提出了巨大的挑战。一方面,为包管人民用邮需求而构建的邮运底子网络每天都泯灭着大量的人力、物力本钱;另一方面,随着通信网络技能的生长和新兴物流企业的崛起,邮政的几项传统支柱型业务正呈逐年下滑的趋势。如何才华在这种严峻的形势下,突破生长的瓶颈,寻找新的增长点,是摆在邮政企业面前的主要问题。

 随着客户干系治理理念的不绝深入,邮政企业已经意识到“客户”对付企业生长的重要性。但邮政客户消费状态并不稳定,客户的代价取向和消操心理也在不绝产生变革,从而导致邮政企业的客户市场极其不稳定。而市场竞争的加剧和日益饱和,又使邮政企业得到新用户的本钱变得越来越高。如何提升客户现有的代价、掘客其潜在代价,延长客户的生命周期,是解决邮政企业市场问题的要害点之一。

 鉴于此,本文引入基于数据挖掘的“交错销售”理论对邮政业务进行研究。其一,交错销售可以实现对客户终身代价的挖掘,提高客户的满意度和忠诚度,促进企业市场占有率的增大和效益的提高;其二,数据库、数据堆栈技能及客户干系治理系统的生长,以及基于现代统计学、人工智能和呆板学习等现代盘算技能的数据挖掘东西的应用,又为交错销售的实

 施提供了可能。其三,邮政是数据密集型行业,在企业的业务数据库中存储着客户大量的历史行为记录。这就为邮政企业进行基于数据挖掘的交错销售研究奠定了底子。

 本文通过应用数据挖掘技能创建交错销售阐发模型,可为邮政企业制定销售目标和战略提供有力的依据,从而主动地、预先地发明交错销售的时机,优化市场运动,提高营销运动的有效性,低落营销本钱,增大销售利润,增强客户满意度,保存客户资源。

 别的,在数据阐发历程中可提取出隐含的、具有应用代价的信息或模式,从真正意义上实现了数据到信息的转化,进而实现知识的识别。把这些信息和知识通报给企业的业务阐发员和决策者,将从本质上改进企业的业务决策流程,使企业能高效、快捷地制定决策。有针对性地选择和推出新的业务和办事,提高企业的办事质量,淘汰企业的运营风险,提高经济效益。

 因此,本文的研究无论从理论上照旧实践上,都具有研究的可行性和代价性。

 二、研究的主要内容及预期目标 1 、主要内容 本文拟运用理论建模与实证研究相结合的要领,针对数据挖掘技能在邮政企业营销和客户干系治理中应用的具体问题进行研究。其研究的主要内容如下:

 ( (1 )研究邮政业务数据的特征及数据的准备 邮政业务的数据差别于一般的电信、金融或零售行业的数据,因此需要对其数据的特征进行阐发,从而提取有效的指标属性。而邮政数据的庞大、疏散、冗余、不一致的特点,又需要对其数据清洗和预处理惩罚的问题(主要包罗数据的选择、转换、整合、抽样、随机化和缺失值处理惩罚等)进行思考。

 ( (2 )数据挖掘理论要领研究及算法的选择 主要研究本课题涉及到的种种数据挖掘要领,主要包罗分类技能、聚类以及关联规矩阐发等,研究其根本原理,阐发差别算法的优缺点,从而结合邮政业务的实际特点,选择符合的挖掘算法。

 ( (3 )构建邮政业务的交错销售模型 基于数据挖掘的理论和技能,通过运用关联阐发、聚类阐发和分类技能,发明产物或业务之间的内在联系、了解客户的消费特征、将客户进行分群,进而创建邮政业务的交错销售模型。

 ① ① 业务关联研究 邮政企业为客户提供了多种多样的产物和业务,但在客户治理种种业务中,身份证是唯一标识。因此,通过对同一身份证号所使用的业务深入的阐发和挖掘,就可以确定客户小我私家的业务使用习惯和消费特征,发明业务之间隐含的关联干系。

 ②

 客户分群研究 本文将运用聚类技能凭据客户的根本属性和业务使用状况对客户进行分群,体现群内客户业务属性的相似性。通过阐发客户在业务使用额度上的差别,将客户分为差别的级别,挖掘客户群和客户级别之间的干系,资助企业更好地了解客户,有针对性地生长和培养优质客户。

 ③

 潜在客户掘客

 邮政企业各项业务性质的差别决定了其收益的差别。在关联性阐发的底子上,结合业务代价,将业务分为差别的组,进而挖掘业务代价的差别性,阐发业务组和客户品级之间的干系,利用分类技能,提取业务现有客户的特征,为其寻找潜在目标客户。

 (4 4 )

 交错销售模型的查验和评估 通过测试数据对模型的有效性进行验证和评估,提出邮政业务交错销售的详细解决方案。

 2 、预期目标 本文拟从客户属性(包罗自然属性和行为属性)出发,针对客户根本属性、客户业务使用属性和客户帐务属性,从差别侧面对数据进行深条理的阐发,构建邮政业务交错销售模型。从而发明客户的消费偏好、业务之间的内在联系,对客户下一步可能的购买行为进行预测,为市场部营销策划人员制定营销筹划提供信息支持。

 三、 研究方案 1 、拟 采取的主要理论 (1)客户干系理论:客户生命周期理论、客户代价理论、干系营销理论、交错销售理论 (2)商务智能理论:决策树、关联规矩、聚类技能等相关的数据挖掘技能与理论

 2 、拟解决的要害问题 (1)如何有效获取业务信息和客户信息,以及对所需业务相关数据的提取和处理惩罚。

 (2)如何选择符合的算法构建基于数据挖掘的邮政业务交错销售模型。

 3、 、 技能路线与实施 方案 本文拟基于数据挖掘的思想和理论,运用挖掘算法,通过阐发客户属性、客户的业务使用属性、客户消费行为记录等,发明产物或业务之间的内在联系,确定可以实施交错销售的产物或业务;然后进行详细的客户分群,了解客户的消费特征;进而通太过类技能寻找潜在客户,确定实施交错销售的东西,创建交错销售的预测模型。

 其实施的技能路线如下图所示:

 总结 与展望 邮政业务交叉销售模型 研究理论基础

 ◆数据挖掘技术

  ◆交叉销售理论

 业务关联 交叉销售模型的检验和评估 客户分群 绪 绪 论 ◆研究背景

 ◆研究意义 ◆研究现状

 ◆研究思路 关联分析 潜在 客户 挖掘 聚类算法 分类技术

  四、 论文进度摆设

 起始时间 完

 成

 内

 容 2008.09—2008.11 查阅文献资料,完成论文框架设计 2008.12—2009.3 客户和业务特征阐发,数据提取,模型构建 2009.4—2009.7 交错销售模型的验证和评估 2009.8—2009.12 论文初稿完成 2010.1—2010.4 论文修改及终稿完成

  五、 主要参考文献 (于 不少于 15 篇,其中英文文献不少于 5 篇 篇)

 )

 [1] Hans-Peter Kriegel,

 Karsten M Borgwardt,

 Peer Kröger,

 Alexey Pryakhin,

 Matthias Schubert,

 Arthur Zimek.

 Future trends in data mining [J]. Data Mining and Knowledge Discovery. 2007,15(1): 87-97 [2] Tom Breur.

 How to evaluate campaign response- The relative contribution of data mining models and marketing execution [J]. Journal of Targeting, Measurement and Analysis for Marketing: Special Issue: Mobile Marketing. 2007,15:103-112. [3] Lukasz A Kurgan, Petr Musilek. A survey of Knowledge Discovery and Data Mining process models [J]. The Knowledge Engineering Review. 2006, 21: 1-24. [4] Quinan J R. Simplifying decision trees[J].International Journal of Man-Machine Studies,1987,(27): 221-234 [5] Magidson J. The CHAID approach to segmentation modeling: CHI-squared automatic interaction detection [J]. Advanced Methods of Marketing Research,1994,118-159 [6] Smyth, P IdeK, Ghil M. Multiple regimes in northern hemisphere height fields via mixture model clustering [J]. Journal of the Atmospheric Sciences, 1999, 56(21):3704-3723 [7] Major J, Mangano J. Selection among rules induced from a hurricane database[J].Journal of Intelligent Information System, 1995,4:39-52 [8] N. Friedman, D.Geiger, M. Goldszmidt. Bayesian network classifier[J].Machine Learning, 1997, 29(l):131-163 [9] Alfred Inselberg. Visualization and datamining of high-dimensional data [J]. Chemometrics and Intelligent Laboratory System,2002, 60:147-159. [10]Chen X, Wallace J M. Cluster analysis of the Northern Hemisphere wintertime 500-hPa height field: spatial pattern [J].Journal of the Atmospheric Sciences, 1993, 50, 2647-2696 [11] Karypis G, Kumar V. A parallel algorithms for multilevel graph Partitioning and sparse matrix ordering[J].Jo...

推荐访问:交叉 模型 邮政

版权所有:天海范文网 2010-2022 未经授权禁止复制或建立镜像[天海范文网]所有资源完全免费共享

Powered by 天海范文网 © All Rights Reserved.。鲁ICP备10209932号