首页|优化的K-means聚类算法在客户细分中的应用研究

优化的K-means聚类算法在客户细分中的应用研究

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
传统的K-means聚类算法虽然操作简单快捷,但因随机选取聚类中心等问题容易陷入局部最优,导致算法不稳定.本文从样本间的关系出发,利用样本密度来优化K-means算法,并利用聚类有效性指标进行比较,优化后的K-means算法更具有稳定性且聚类准确率更高.最后,将该算法应用到客户细分RFM模型中,依据聚类结果找到适合不同消费者的营销策略,从而帮助企业更好地为其提供差异化、个性化服务.
Research and application of customer segmentation model based on optimized K-means algorithm

K-means clusteringsample densitycustomer segmentationRFM model

唐欣

展开 >

北方民族大学 数学与信息科学学院,银川 750021

K-means算法 样本密度 客户细分 RFM模型

2023

智能计算机与应用
哈尔滨工业大学

智能计算机与应用

影响因子：0.357
ISSN：2095-2163
年,卷(期)：2023.13(9)
  • 2
  • 3