双聚类算法在电信高价值客户细分的应用

被引：8

作者：

林勤 ^{[1
]}

薛云 ^{[2
]}

机构：

[1] 广东医学院信息工程学院

[2] 华南师范大学物理与电信工程学院

来源：

计算机应用 | 2014年 / 34卷 / 06期

基金：

广州市科技计划项目;

关键词：

高价值客户; 客户细分; 差异化营销; 双聚类; K均值;

D O I：

暂无

中图分类号：

TP311.13 [];

学科分类号：

1201 ;

摘要：

针对传统客户价值细分方法在高价值客户细分时不够精细化的问题,引入了大均值子矩阵(LAS)双聚类算法。该方法在客户样本和消费属性两个维度上对消费记录进行双向聚类,可以挖掘出高消费、高价值的客户群体。以某电信公司的高价值客户细分为实例,通过定义一个价值尺度和构建一个PA指标,将所提算法与K均值(Kmeans)算法进行性能比较,实验结果表明,所提算法能挖掘出更多的高价值客户群体,且能够对客户属性进行更加精细的划分,因此它更适合应用于高价值客户市场的识别和细分。

引用

页码：1807 / 1811

页数：5

共 13 条

[1]

A dendrite method for cluster analysis[J] . T. Calinski,J. Harabasz. &nbspCommunications in Statistics - Theory and Methods . 1974 (1)

[2]

The customer pyramid: creating and serving profitable customers. Zeithaml VA,Rust RT,Lemon KN. California Management Review . 2001

[3] 聚类分析在电信消费模式中的应用 [J].

郑国荣 ;

张邦礼 ;

郭鹏 ;

张颖 .

重庆大学学报(自然科学版), 2006, (04) :119-121

[4]

A Survey of Collaborative Filtering Techniques[J] . Xiaoyuan Su,Taghi M. Khoshgoftaar,Jun Hong. &nbspAdvances in Artificial Intelligence . 2009

[5]

Customer lifetime value: Marketing models and applications[J] . Paul D. Berger,Nada I. Nasr. &nbspJournal of Interactive Marketing . 1998 (1)

[6] 基于聚类实现客户行为分析 [J].

曲昭伟 ;

郑岩 ;

吕廷杰 .

东北师大学报(自然科学版), 2006, (02) :19-21

[7] K-means与朴素贝叶斯在商务智能中的应用 [J].

赵敏 ;

倪志伟 ;

刘斌 .

计算机技术与发展, 2010, 20 (04) :179-182

[8]

Biclustering of expression data. CHENG Y,CHURCH G M. ftp://samba.ad.sdsc.edu/pub/sdsc/biology/ ISMB00/157.pdf . 2013

[9]

A generalized maximum entropy approach to bregman co-clustering and matrix approximation. Banerjee A,Dhillon I,Ghosh J,et al. Proc of the 10th ACM SIGKDD Int Conf on Knowledge Discovery and Data Mining . 2004

[10]

Well-separated clusters and the optimal fuzzy partitions. Dunn J C. Journal of Cybernetics . 1974

← 1 2 →