| 【中文题名】 | 基于支持向量机的零售企业客户消费行为分析与研究 |
| 【英文题名】 | Study on Retail Customer Behaviour Based on Support Vector Machine |
| 【学科专业】 | 管理科学与工程 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-10-30 |
| 【中关键词】 | 客户关系管理,数据挖掘,支持向量机,客户消费行为,客户分类,DCSS模型 |
| 【英关键词】 | CRM,data mining,SVM,customer behavior,customer classification,DCSS model, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>> |
| 【论文摘要】 |
近年来，随着经济快速发展，客户的消费水平有了明显地提高和突破，这给企业客户关系管理系统存储带来了巨大的压力，尤其是大型零售企业，面对日益膨胀的各种数据资源，面对海量的静态客户信息和动态交易数据，传统的数据库技术已经无法满足现代需求的分析能力，如何发现隐藏在大量数据背后的规则、关系和有价值的知识已成为企业今后研究的重点和难点。随着数据挖掘方法的不断改进和创新，目前也有很多方法在实际应用中已经取得了一定程度的效果，比如决策树方法，神经网络还有贝叶斯方法等等。本文则引入支持向量机的方法应用在大型零售企业客户消费行为分析中，它是在统计学习理论基础上发展起来的一种新的模式识别方法，在解决有限样本，非线性及高维模式识别问题中表现出许多特有的优势。
基于以上问题，本文主要研究了以下三方面的内容：
第一，阐述了零售业客户消费行为的相关概念、研究现状以及客户分类的研究方法；对消费者的在线消费行为分析后指出网上消费行为将成为今后企业重点关注的内容。
第二，对客户消费行为分析中所采用的数据挖掘技术作了重点剖析，尤其详细介绍了支持向量机(SVM)理论，从统计学理论出发，结合最优化和对偶理论对SVM原... |
| 【论文题纲】 |
|
摘要 |
2-4 |
|
ABSTRACT |
4-8 |
|
第一章 绪论 |
8-18 |
|
1.1 研究背景 |
8-15 |
|
1.1.1 CRM研究深化的理论背景 |
8-11 |
|
1.1.2 攻关项目的实际应用背景 |
11-15 |
|
1.2 本文主要工作及创新点 |
15-16 |
|
1.3 本文的结构 |
16-18 |
|
第二章 零售业客户消费行为分析 |
18-29 |
|
2.1 经典消费行为理论 |
18-20 |
|
2.2 零售业客户消费行为概述 |
20-25 |
|
2.2.1 零售业现状分析 |
20-22 |
|
2.2.2 客户消费行为的内涵 |
22-25 |
|
2.3 客户分类研究 |
25-26 |
|
2.4 网上在线消费行为分析 |
26-29 |
|
第三章 客户消费行为分析中的数据挖掘技术 |
29-48 |
|
3.1 数据挖掘理论 |
29-32 |
|
3.1.1 数据挖掘的过程 |
29-31 |
|
3.1.2 数据挖掘的功能 |
31-32 |
|
3.2 在客户消费行为分析中的数据挖掘技术 |
32-34 |
|
3.3 支持向量机理论 |
34-48 |
|
3.3.1 统计学原理 |
34-37 |
|
3.3.2 支持向量机 |
37-46 |
|
3.3.3 核函数研究 |
46-47 |
|
3.3.4 SVM算法的优势 |
47-48 |
|
第四章 基于 SVM的客户消费行为分析模型 |
48-58 |
|
4.1 DCSS模型的构建 |
48-51 |
|
4.2 多类分类问题描述 |
51-53 |
|
4.3 序贯最小优化(SMO)算法 |
53-58 |
|
4.3.1 算法的提出 |
53-54 |
|
4.3.2 算法的原理和框架 |
54-55 |
|
4.3.3 改进算法的描述和分析 |
55-58 |
|
第五章 算法在零售业的具体实现和应用 |
58-65 |
|
5.1 大型零售企业客户数据分析 |
59-60 |
|
5.2 消费者客户分类实例分析 |
60-65 |
|
第六章 总结与展望 |
65-67 |
|
6.1 总结 |
65 |
|
6.2 展望 |
65-67 |
|
参考文献 |
67-73 |
|
附录1 攻读硕士论文期间发表的主要相关论著 |
73-74 |
|
附录2 文章中使用的符号和数学基础 |
74-79 |
|
附录3 SMO算法伪码描述 |
79-82 |
|
致谢 |
82-83 |
|
| 【DOI】 | LunWen.ID:2.2008.389166 |
