改進的K-means算法及其在客戶關系管理中的應用.pdf

1、在市場競爭日趨激烈的今天，客戶關系管理(CRM)正逐步成為網通等服務性行業(yè)提升自身核心競爭力的有效手段。企業(yè)能否為客戶提供差異化、一對一的營銷服務關系到企業(yè)在市場競爭中的成敗，而差異化、一對一的營銷服務的核心是有效的客戶細分，客戶細分的關鍵問題就是找出客戶的特征，通過一些統(tǒng)計分析方法將客戶隱藏在數據中的特征挖掘出來，從而進行分類?？蛻艏毞滞ǔＳ镁垲惙治龇椒▉韺崿F，其中K-means算法是最為常用的數據挖掘算法之一。
　　 本文在

2、對K-means算法的深入分析過程中發(fā)現選擇適當的初始質心是K-means算法執(zhí)行過程的關鍵步驟，一般的方法是隨機的選取初始質心，會導致不同的運行產生不同的總誤差平方和(Sum of the Squared Error,簡稱SSE)，進而影響到最終結果的準確性和穩(wěn)定性。為了克服隨機選取質心的 不足，美國學者Pang-Ning Tan提出二分K-means算法，這種算法的基本思想是將所有點的集合分裂成兩個簇，從這些簇中選取一個繼續(xù)分裂，如

3、此下去產生K個簇。本文發(fā)現二分K-means算法雖然不太受初始質心的影響，但是這種算法“局部地”使用了K-means算法，因此，最終的簇集并不代表使SSE局部最小的聚類。基于以上不足，本文提出了一種新的改進算法，稱為F-K-means算法，該算法通過對數據集進行L次取樣，再對取樣的數據集采用K-means算法進行聚類，這樣會產生L×K個聚類中心，對這L×K個聚類中心采取距離法選出K個聚類中心。為了驗證算法的有效性，作者采集山西網通客戶數

4、據樣本及Iris數據庫模擬數據，對聚類結果進行了分析和對比，實驗結果表明，該算法不僅克服了初值對聚類結果的影響，而且是產生較低SSE的算法,且改進的F-K-means算法運行效率較高。
　　 本文以山西網通預訂信息平臺項目為背景，把改進的F-K-means算法應用于山西網通客戶關系管理系統(tǒng)客戶細分模塊，實現了對網通客戶數據的有效分類，為企業(yè)提供差異化、一對一的營銷服務奠定了基礎。在此基礎上，以ASP.NET+SQL Server

5、2005為開發(fā)平臺、采用基于組件的構建模式、按照Microsoft.NET的數據層(DAL)、邏輯層(BLL)、表示層(UI)三層架構設計并實現了客戶關系管理系統(tǒng)的其它子系統(tǒng)，包括內網坐席管理系統(tǒng)、內網預訂后臺管理系統(tǒng)、外網在線預訂管理系統(tǒng)、外網商家管理系統(tǒng)等，完成了山西網通客戶關系管理系統(tǒng)的全部功能。經過半年的試運行，2009年1月該系統(tǒng)已經正式投入使用，運行效果表明：改進的F-K-means算法提高了客戶細分的準確性和穩(wěn)定性。有效的