中国工程论文网
代写工程论文
当前位置:工程论文网 > 物流工程论文 > 基于数据挖掘技术的物流企业客户关系管理的研究

基于数据挖掘技术的物流企业客户关系管理的研究

时间:2017-10-03 22:55来源:www.e-lunwen.com 作者:lgg 点击:
本文是物流工程论文,本文在综合国内外理论研究成果的基础上,进一步梳理了数据挖掘、客户关系管理及物流客户客户关系的理论联系,有效论证了数据挖掘技术的几类常见算法。
第一章 绪论 
 
1.1 选题背景 
在经济全球化的大背景下,社会分工日益明显,物流逐渐成为了企业的第三方利润源泉和企业培养核心竞争力的重要领域,面对激烈的市场竞争,物流企业被迫转变以往的经营管理模式,开始并探索客户关系中数据技术的应用和创新。在现代化的物流企业中,物流成本问题一直是困扰企业发展的难题,而客户获取成本、客户维系成本和客户管理成本则是导致物流成本过高的重要原因,因此做好精准交叉销售、客户价值细分和客户流失预测等客户系统管理的精细化设计已经成为物流企业降低成本,获取核心竞争力的重要指标。 物流企业的信息化建设和应用推广使物流企业在业务拓展中累积了大量运营数据,而由于现阶段以劳动密集型为主的物流企业的信息化应用程度不高,缺乏相应的数据技术和精准的数据分析能力,这导致不能通过海量数据产生的商业价值及时做出市场判断和制定客户管理问题的战略决策。因此通过数据挖掘技术的探索在客户关系管理系统或者 MRP 系统中构建数据分析模型对物流企业全面了解客户、改善客户关系、推进企业制度改革至关重要。 客户关系管理的发展最早起源于美国。近年来,随着物流业的快速发展,物流领域的客户关系管理开始受到多数物流企业的关注,由于第三方物流企业是供应方(制造商)和需求方(零售商)之间的连接纽带,供应链服务呈现双向或多向的客户关系,为促进供应链上下游之间紧密合作、信息共享和服务效率的最大化,通过物流客户关系管理系统可以提高市场反应的灵敏度,全面了解客户需求。 大数据、云计算和人工智能时代的到来使数据挖掘技术的应用更加广泛,为顺应时代发展的技术要求,国内外 IT 工作者和软件开发商不断开发出相关软件,并且成功运用在电商、物流、银行、保险、通信、制造业等重要细分行业领域,现已取得了显著效果。如今全球理论研究者对在物流客户关系管理中如何通过数据技术的创新来解决客户关系的问题极为关注,该类主题学术研究成果也层出不穷,这给本篇论文的写作提供了便利。 
.........
 
1.2 研究意义 
(1)现实意义:有效改进物流企业客户关系管理 1)制定个性化服务,提高客户满意度。本文在数据技术算法深入研究的基础上,分模块对物流客户关系管理的模型进行构建,进一步分析了不同算法在实现交叉销售、客户价值细分和客户流失预测方面的实践应用。最终帮助物流企业制定一套基于算法模型构建的客户关系管理系统,通过管理系统的算法模型可以充分了解客户的价值等级、业务需求组合和产品体验度,从而实行柔性定制,提供差异化服务,提高客户对产品和服务的满意度,实现利益共享的双赢局面。 2)改善客户关系,降低管理成本。通过数据挖掘设计物流客户关系管理系统,一方面充分利用了物流企业累积的大量业务数据所带来的转化价值,另一方面也避免了物流企业盲目拉拢客户带来的客户成本流失问题。通过客户数据模型识别客户行为,为物流企业制定战略决策提供有效的参考依据,既能维护和改善客户关系,又能降低客户关系管理的运营成本,提高企业利润和市场竞争力。 
(2)理论意义:进一步丰富算法的理论研究成果 本文在综合国内外理论研究成果的基础上,进一步梳理了数据挖掘、客户关系管理及物流客户客户关系的理论联系,有效论证了数据挖掘技术的几类常见算法的适用性,创造性的提出将三类算法构建在物流客户关系管理系统中,并针对模型结论为企业提出了若干建议。为后续的研究者提供了理论借鉴和参考价值。 
........
 
第二章 相关理论概述 
 
2.1 数据挖掘理论
从技术角度定义:数据挖掘(Data Mining)是从大量、不完全、有噪声、模糊、随机的应用数据中,提取隐含在其中、人们事先不知道、但又是潜在有用的信息和知识的过程[21]  。数据挖掘是通过分析数据,从大量数据中寻找其规律的技术,主要有数据准备、规律寻找和规律表示 3 个步骤。同时,数据挖掘是一门广义交叉学科,汇聚了不同领域的研究者,尤其是数据库、人工智能、数理统计、并行计算等方面的学者和专家[22]。商业角度定义:数据挖掘是一种新的商业信息处理技术,主要对商业数据库中的业务数据进行抽取、转换、分析和模型化处理,从中提取辅助商业决策的关键性数据,在早期的研究领域,学习者对数据挖掘算法的理解较为初浅,而为了方便理解和学习,通常把它分为间接数据挖掘和直接数据挖掘两种[23][24]。随着对算法学习的深入和算法特征的了解,如今以预测和描述为分类标准的算法分类成为了被业界广泛认可的分类方法。预测中有分类和回归两种,分类中主要包括决策树、神经网络、贝叶斯算法,回归主要有线性回归和逻辑回归;描述中有聚类分析、关联规则、时间序列和偏差分析。由于不同行业的人从不同角度和不同属性去看待和研究这类算法特征,所以研究方法和参考价值有所不同,而不同的方法也局限于解决不同类型的问题,但算法之间也存在一定的共性和借鉴意义。 
....
 
2.2 客户关系管理
CRM(Customer Relationship Management)—客户关系管理,是一种以"客户关系一对一理论"为基础,旨在改善企业与客户间关系的新型管理机制。客户关系管理是指企业为提高核心竞争力,利用信息及互联网技术来协调企业与顾客在销售、营销和服务上的交互,从而提升管理方式,向客户提供创新式的个性化的客户交互和服务过程。其最终目标是吸引新客户、保留老客户及将已有客户转为忠实客户,增加市场份额[27]。为深刻理解 CRM 概念的形成和发展,我们通过 CRM的起源和宗旨进行阐述。 客户关系最早起源于美国,1980 年 Gartner Group 经过研究提出了“接触管理”的概念,主要用于搜集整理企业与客户之间的相关信息;1990 年“接触管理”逐渐演变为一个新的概念,即客户关怀;1999 年,Gartner Group Inc 公司为强调供应链的整体管理,正式提出了 CRM 概念。 
.........
 
第三章  数据挖掘的算法研究 ........... 15 
3.1 聚类分析 ...... 15
3.1.1 聚类分析的定义 .... 15
3.1.2 聚类分析的意义 .... 15 
3.1.3 聚类分析的算法步骤 ........ 15 
3.2 关联规则 ...... 17 
3.3 决策树分类 .... 20 
3.3.1 决策树的定义 ...... 20 
3.3.2 决策树的意义 ...... 20 
3.3.3 决策树的算法步骤 .......... 21 
3.4 神经网络 ...... 25 
第四章 物流企业客户关系管理的模型构建 ........ 27 
4.1 精准交叉销售的关联规则的挖掘 .......... 27 
4.2 客户价值细分的决策树分析 ...... 32 
4.3 客户流失预测的神经网络分析 .... 46
第五章 结论 .......... 58 
 
第四章 物流企业客户关系管理的模型构建 
 
4.1 精准交叉销售的关联规则的挖掘 
“以客户为中心”经营理念的转变不仅要求每一个物流企业需要持续关注客户的生存状态,还要不断根据现有的客户信息挖掘客户的真实价值,了解客户购买外包服务和产品的喜好。通过数据挖掘技术中关联规则模型的建立,可以实现精准的交叉销售,发现客户喜爱或购买频率额高的产品群以及不同产品或服务的组合关系,进而做好物流企业的个性化产品(服务)营销,促使客户购买新的产品和服务,稳定客户群体,提高企业的经济效益。同时也可提升企业形象、培育客户忠诚度、推进企业可持续发展的战略[35]。  问题说明:在本小节关联规则分析中,我们选取一家第三方物流企业为客户提供的外包服务项目(运输,仓储,包装,信息管理,增值服务)的案例。 1)由于第三方物流企业服务的性质是 B2B,主要面向企业,而不是个体商户,客户群体比较稳定,所以样本数据相对较少,只选择了 10 条客户样本数据集。 2)在案例中,每个客户均选择了不同的服务组合,通过关联规则我们需要了解的是客户为什么会选择这样的服务组合,服务产品之间存在什么联系,哪个服务产品起到了购买其它服务的主导作用,哪个产品是附属于主导产品的。 3)模型构建的过程中,我们设置了两个重要参数(支持度和置信度),支持度表示交易记录中购买一项服务的百分比,置信度表示购买该项的服务中又购买了其它服务所占的比例,如果同时满足前期设置的最小支持度和最小置信度,则定义为强关联规则。 
.........
 
结论 
 
随着物流行业的快速发展,物流成本一直是物流企业比较关注的问题,在这种大业态背景下,物流客户关系管理价值的挖掘将被认为是降低物流成本的一个重要途径。而物流客户价值的挖掘一方面需要大量的业务数据作为支撑,另一方面需要合适的数据挖掘技术模型对数据进行价值转化处理。考虑到目前我国物流业的发展现状,物流企业仍处于初期粗放阶段,科技信息化应用程度不高,专业化物流技术薄弱,通过数据挖掘技术进行客户关系的管理的应用还较少。但从另一个方面来看,我国中小型第三方物流企业的数量不断增加,大型物流企业逐渐开拓国外市场,移动互联网发展迅速,大数据和人工智能成为科技行业的主题,这直接为物流企业海量业务数据的产生创造了前提条件,而自动化物流技术的发明创新也在物流企业逐渐得到普及和广泛应用,所以关于数据挖掘技术与客户关系管理的结合应用将会逐渐成为现实。 综上所述。本文在数据挖掘和物流客户关系管理理论的基础上,结合国内外研究现状,介绍了四种数据挖掘的技术算法在物流客户关系管理的应用,重点对关联规则、决策树分析和 BP 神经网络在 LCRM 中的应用进行模型分析,并结合具体案例进行了大量实证研究。本文研究的主要贡献在于: 
(1)丰富了数据挖掘、客户关系管理和物流客户关系管理方面的理论基础。通过对国内外文献综述的广泛阅读,使我们在充分了解目前国际的研究成果的理论基础上,进一步系统梳理了数据挖掘、客户关系管理及物流客户客户关系管理间的理论联系,并有效论证了数据挖掘技术的几类常见算法的适用性。本文中我们创造性的提出将三类算法构建在物流客户关系管理系统中,实现了数据挖掘技术与物流的美妙结合,契合了当今行业技术发展的特点。这为后续的研究者提供了理论借鉴,也为物流企业在降低物流成本的决策方面提供了参考价值。 
(2)本文巧妙的设计了 LCRM 的三个重点模块。精准交叉销售,客户流失预警,客户价值细分。针对不同的模块匹配不同的数据挖掘算法,使企业可以根据客户关系管理不同情况采取不同的算法模型,从而解决不同的业务问题。关联规则的实证研究,则使企业开始关注不同客户购买服务的行为特征,并利用关联规则的挖掘正确预测哪些客户在未来可能购买哪些产品和服务,为企业的精准营销指明了方向; 在决策树模型的构建过程中,我们借助了 WEKA 的数据挖掘平台验证了决策树的性能,同时和其它的分类方法进行了比较分析。决策树分析技术对客户价值的划分可以让企业将宝贵的资源用在那些对企业利润贡献最大的客户身上,提高企业的经济效益;在神经网络模型的构建过程中,我们采用了MATLAB6.5 软件环境进行实验,通过设置不同的参数了解模型的学习情况,并且通过引进客户流失评价矩阵计算出了客户流失预测的准确率和覆盖率,以满足物流企业的业务需求。神经网络模型的构建从根本上为决策者预测客户流失提供了技术保证。 
.........
参考文献(略)
(责任编辑:gufeng)
顶一下
(0)
0%
踩一下
(0)
0%
------分隔线----------------------------
发表评论
请自觉遵守互联网相关的政策法规,严禁发布色情、暴力、反动的言论。
评价:
栏目列表
点击提交代写需求
点击提交代写需求
点击提交代写需求
推荐内容