模糊聚类在客户关系管理中的应用

企业积累了大量的客户消费数据,如何从大量的数据中发现用户的消费模式,对企业的营销策略具有重要的指导意义,数据挖掘技术正是可以从大量的数据中挖掘出对企业决策有价值的信息。针对客户数据的特点,提出一种基于Kruskal算法的最小生成树模糊聚类算法KTFC,并将其应用在客户关系管理中。实验证明,该模糊聚类算法可以有效地对企业客户群进行分类,并分析出每类客户的特点,动态地选取不同的A值可以获得不同的聚类结果,大大地提高了聚类的灵活性。     

KWNN特征选择在客户关系管理系统中的应用研究

为了提高基于数据挖掘的客户关系管理系统的决策性能和决策效率,首先进行KWNN特征选择,选取客户数据集中分类最优的决策特征子集,然后对该特征子集的数据集中进行挖掘抽取知识,作为企业的决策依据。KWNN特征选择过程分3步：原始数据初始化、基于K-W的H值计算和依据H值采用神经网络分类器挑选最优特征子集。采用UCI数据库中German数据集进行验证,实验证明KWNN特征选择的可行性。     

模糊聚类在客户关系管理中的应用

企业积累了大量的客户消费数据,如何从大量的数据中发现用户的消费模式,对企业的营销策略具有重要的指导意义,数据挖掘技术正是可以从大量的数据中挖掘出对企业决策有价值的信息。针对客户数据的特点,提出一种基于Kruskal算法的最小生成树模糊聚类算法KTFC,并将其应用在客户关系管理中。实验证明,该模糊聚类算法可以有效地对企业客户群进行分类,并分析出每类客户的特点,动态地选取不同的λ值可以获得不同的聚类结果,大大地提高了聚类的灵活性。     

KWNN特征选择在客户关系管理系统中的应用研究

为了提高基于数据挖掘的客户关系管理系统的决策性能和决策效率,首先进行KWNN特征选择,选取客户数据集中分类最优的决策特征子集,然后对该特征子集的数据集中进行挖掘抽取知识,作为企业的决策依据。KWNN特征选择过程分3步:原始数据初始化、基于K-W的H值计算和依据H值采用神经网络分类器挑选最优特征子集。采用UCI数据库中German数据集进行验证,实验证明KWNN特征选择的可行性。