鐵路貨運(yùn)大數(shù)據(jù)平臺(tái)下基于聚類的客戶細(xì)分應(yīng)用研究.pdf

1、近年來(lái)，我國(guó)鐵路貨運(yùn)信息化建設(shè)取得了很大的突破和成果，但沉淀的大量貨運(yùn)數(shù)據(jù)缺乏有效的管理利用，開(kāi)展大數(shù)據(jù)技術(shù)在鐵路貨運(yùn)業(yè)務(wù)上的數(shù)據(jù)挖掘研究具有重要的應(yīng)用價(jià)值?？蛻艏?xì)分是貨運(yùn)營(yíng)銷的基礎(chǔ)，能夠更好地識(shí)別客戶群體，合理地配置企業(yè)資源，為企業(yè)創(chuàng)造更大的利潤(rùn)。但目前鐵路貨運(yùn)的客戶細(xì)分采用基于經(jīng)驗(yàn)和統(tǒng)計(jì)的簡(jiǎn)單劃分的方法，不能準(zhǔn)確區(qū)分客戶類別，無(wú)法有效地支持營(yíng)銷決策。本文將客戶細(xì)分的常用方法RFM模型做出改進(jìn)，并與聚類挖掘算法相結(jié)合，為鐵路貨運(yùn)海量數(shù)

2、據(jù)下復(fù)雜的客戶細(xì)分問(wèn)題提供了新的解決方法。
　　本文的主要工作包含以下幾個(gè)方面:
　　(1)針對(duì)鐵路貨運(yùn)的特點(diǎn)，對(duì)傳統(tǒng)的客戶細(xì)分方法RFM模型做了改進(jìn)，提出了KFM模型。
　　(2)由于傳統(tǒng)的K-means聚類算法存在對(duì)初始聚類中心敏感且容易陷入局部最優(yōu)的缺點(diǎn)，本文提出了改進(jìn)的K-means聚類算法。實(shí)驗(yàn)表明改進(jìn)后的算法提高了客戶細(xì)分的準(zhǔn)確率。
　　(3)將KFM模型與改進(jìn)后的K-means聚類算法相結(jié)合，利用鐵

3、路電子商務(wù)系統(tǒng)的貨運(yùn)數(shù)據(jù)進(jìn)行了客戶細(xì)分。細(xì)分結(jié)果很好地展現(xiàn)了各類客戶的特征，彌補(bǔ)了傳統(tǒng)的基于RFM模型的客戶細(xì)分對(duì)數(shù)據(jù)挖掘不夠深入的缺陷。
　　(4)在Hadoop大數(shù)據(jù)平臺(tái)下，實(shí)現(xiàn)了數(shù)據(jù)標(biāo)準(zhǔn)化方法和K-means聚類算法基于MapReduce的并行化。實(shí)驗(yàn)表明基于MapReduce的并行化提升了算法的性能，能勝任大量數(shù)據(jù)分析處理任務(wù)。
　　本文將聚類挖掘技術(shù)應(yīng)用于鐵路貨運(yùn)大數(shù)據(jù)平臺(tái)下的客戶細(xì)分，確定不同價(jià)值和行為傾向的客戶