资源预览内容
第1页 / 共7页
第2页 / 共7页
第3页 / 共7页
第4页 / 共7页
第5页 / 共7页
第6页 / 共7页
第7页 / 共7页
亲,该文档总共7页全部预览完了,如果喜欢就下载吧!
资源描述
四川农业大学本科生毕业论文(设计)开题报告毕业论文(设计)题目邮政业务的交叉销售模型研究选题类型应用基础课题来源自选学 院专 业指导教师职 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发展态势数据挖掘是指从存放在数据库、数据仓库或其他信息库中的大量数据中挖掘人们感兴趣知识的过程。其中知识表示为概念、规则、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现的机会,可以用数据挖掘技术来发现。在交叉销售建模过程中,主要运用分类、聚类以及业务关联分析进行建模。 分类算法在分类算法中,决策树的应用十分普遍。它起源于概念学习系统,具有分类精度和效率较高、结果易于理解、能够导出分类规则等优点。决策树建模包括了建树和剪枝两个阶段。构造决策树算法有多种,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的复杂-代价剪枝、Quinlan的减少错误的剪枝和悲观估计剪枝。关于决策树的规则提取研究包括Quinlan提出的直接由训练数据推导规则的方法、Clark提出的CN2规则推导算法、Smyt等提出ITRULE算法、Major和Mangano提出的规则精炼策略。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。 聚类算法聚类分析算法最早是由Kaufman等提出的,探讨了聚类分析的单连接方法;Alfred进一步给出了单连接方法的通用公式;Aronis提出了著名的K-means算法;Chen提出了区分自然划分与分切的差异阵;Aronis开发了极大似然分类方法;Karypis提出了如何使用分枝定界思想来扩大穷举方法评估聚类使用范围,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等人阐述了层次聚类在基因数据上的应用;Wedel和Kaufman分析了混合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混合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。 关联规则挖掘技术近年来,关联规则挖掘技术取得了很大的进展。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进;Silbershcatz等探讨了关联规则的后期处理问题;Imielinski和Sarawagi讨论了把关联规则集成到数据库系统中的问题;Mannila等人介绍了在序列中发现片段的算法;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技巧;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则增量式更新算法;Brijs等人以及Lawrence等人讨论了关联规则在零售业交叉销售中的应用问题。(2)交叉销售研究现状和发展态势交叉销售是通过研究客户的产品使用情况、消费行为特点,发现客户潜在的需求,通过挖掘产品之间的关联,寻找实现销售更多产品的机会,为产品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,交叉销售是提升企业销售额的有效手段。早在1965年,国外银行业就开始应用交叉销售,向老客户推荐他们可能需要的其他金融产品和服务。利用数据挖掘技术去发现客户购买规律可以追溯到NCR公司为沃尔玛超市发现了啤酒和尿片之间的关联关系。数据挖掘辅助交叉销售主要通过识别交叉销售机会和发现客户购买规律。近年来,国内外学者对交叉销售的研究越来越多,很多学者都在致力于识别交叉销售的方法研究。Knott等利用Logistic回归、多元回归、判别分析和神经网络四种技术来识别交叉销售机会,确定交叉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,并引出了交叉营销的概念。段云峰等人研究了移动通信业务中的业务关联关系。目前,有关交叉销售机会识别的方法和模型主要有四种,即潜在特质模型(Kamakura,1991; 2003)、获得模式(Peas & Kuijlen, 2001)、NPDP模型(Knott et al., 2002))和市场细分方法(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方法的基础上,来考察将这些方法应用于识别交叉销售机会的可能性的。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获得模式来研究和利用Mokken量表测量法;而Peltier等人则主要采用了市场细分法。目前学术界对这四种方法众说纷纭。因此,识别交叉销售机会的方法有待整合和完善。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,为保证人民用邮需求而构建的邮运基础网络每天都耗费着大量的人力、物力成本;另一方面,随着通信网络技术的发展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。如何才能在这种严峻的形势下,突破发展的瓶颈,寻找新的增长点,是摆在邮政企业面前的主要问题。随着客户关系管理理念的不断深入,邮政企业已经意识到“客户”对于企业发展的重要性。但邮政客户消费状态并不稳定,客户的价值取向和消费心理也在不断发生变化,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,又使邮政企业获得新用户的成本变得越来越高。如何提升客户现有的价值、发掘其潜在价值,延长客户的生命周期,是解决邮政企业市场问题的关键点之一。鉴于此,本文引入基于数据挖掘的“交叉销售”理论对邮政业务进行研究。其一,交叉销售可以实现对客户终身价值的挖掘,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、数据仓库技术及客户关系管理系统的发展,以及基于现代统计学、人工智能和机器学习等现代计算技术的数据挖掘工具的应用,又为交叉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叉销售研究奠定了基础。本文通过应用数据挖掘技术建立交叉销售分析模型,可为邮政企业制定销售目标和策略提供有力的依据,从而主动地、预先地发现交叉销售的机会,优化市场活动,提高营销活动的有效性,降低营销成本,增大销售利润,增强客户满意度,保留客户资源。此外,在数据分析过程中可提取出隐含的、具有应用价值的信息或模式,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。把这些信息和知识传递给企业的业务分析员和决策者,将从本质上改善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服务,提高企业的服务质量,减少企业的运营风险,提高经济效益。因此,本文的研究无论从理论上还是实践上,都具有研究的可行性和价值性。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方法,针对数据挖掘技术在邮政企业营销和客户关系管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不同于一般的电信、金融或零售行业的数据,因此需要对其数据的特征进行分析,从而提取有效的指标属性。而邮政数据的复杂、分散、冗余、不一致的特点,又需要对其数据清洗和预处理的问题(主要包括数据的选择、转换、整合、抽样、随机化和缺失值处理等)进行思考。(2)数据挖掘理论方法研究及算法的选择主要研究本课题涉及到的各种数据挖掘方法,主要包括分类技术、聚类以及关联规则分析等,研究其基本原理,分析不同算法的优缺点,从而结合邮政业务的实际特点,选择合适的挖掘算法。(3)构建邮政业务的交叉销售模型基于数据挖掘的理论和技术,通过运用关联分析、聚类分析和分类技术,发现产品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,进而建立邮政业务的交叉销售模型。 业务关联研究邮政企业为客户提供了多种多样的产品和业务,但在客户办理各种业务中,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分析和挖掘,就可以确定客户个人的业务使用习惯和消费特征,发现业务之间隐含的关联关系。客户分群研究本文将运用聚类技术按照客户的基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。通过分析客户在业务使用额度上的差异,将客户分为不同的级别,挖掘客户群和客户级别之间的关系,帮助企业更好地了解客户,有针对性地发展和培养优质客户。潜在客户发掘邮政企业各项业务性质的差异决定了其收益的差别。在关联性分析的基础上,结合业务价值,将业务分为不同的组,进而挖掘业务价值的差异性,分析业务组和客户等级之间的关系,利用分类技术,提取业务现有客户的特征,为其寻找潜在目标客户。(4)交叉销售模型的检验和评估通过测试数据对模型的有效性进行验证和评估,提出邮政业务交叉销售的详细解决方案。2、预期目标本文拟从客户属性(包括自然属性和行为属性)出发,针对客户基本属性、客户业务使用属性和客户帐务属性,从不同侧面对数据进行深层次的分析,构建邮政业务交叉销售模型。从而发现客户的消费偏好、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计划提供信息支持。三、研究方案1、拟采取的主要理论(1)客户关系理论:客户生命周期理论、客户价值理论、关系营销理论、交叉销售理论(2)商务智能理论:决策树、关联规则、聚类技术等相关的数据挖掘技术与理论2、拟解决的关键问题(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。(2)如何选择合适的算法构建基于数据挖掘的邮政业务交叉销售模型。3、技术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,通过分析客户属性、客户的业务使用属性、客户消费行为记录等,发现产品或业务之间的内在联系,确定可以实施交叉销售的产品或业务;然后进行详细的客户分群,了解客户的消费特征;进而通过分类技术寻找潜在客户,确定实施交叉销售的对象,建立交叉销售的预测模型。其实施的技术路线如下图所示:四、论文进度安排 起始时间完 成 内 容2008.092008.11查阅文献资料,完成论文框架设计2008.122009.3客户和业务特征分析,数据提取,模型构建2009420097交叉销售模型的验证和评估2009.82009.12论文初稿完成2010.120104论文修改及终稿完成 五、主要参考文献(不少于15篇,其中英文文献不少于5篇)1 Hans-Peter Kriegel, Karsten M Borgwardt, Peer Krger, Alexey Pryakhin, Matthias Schubert, Arthur Zimek. Future trends in data mining J. Data Mining and Knowledge Discovery. 2007,15(1): 87-972 Tom Breur. How to evaluate campaign response- The relative contribution of data mining models and marketing execution J. Journal of Targeting,
网站客服QQ:2055934822
金锄头文库版权所有
经营许可证:蜀ICP备13022795号 | 川公网安备 51140202000112号