SOM-K-Means聚类算法在零售银行客户细分中的应用研究

论文摘要

大数据背景下零售银行业的竞争日益加剧,根据客户的特征,将客户进行细分,为客户提供差异化的产品和服务是零售银行实现精准营销的有效途径。K-Means聚类算法是客户细分中的一种重要算法,它的基本思想是将具有更多相同特性的样本聚集到一个类中,使不同类中的样本之间尽可能的远离,而同一类中的样本之间尽可能的相近。为了提高客户细分的精度,提出一种自组织特征映射神经网络（SOM）的KMeans聚类算法（SOM-K-Means）。该算法可以解决K-Means聚类算法随机确定聚类个数和初始聚类中心等影响聚类结果准确性的问题。对某零售银行实证研究表明,SOM-K-Means聚类算法对购买某产品客户的数据进行有效的挖掘分析,根据聚类之间客户的不同特征,为不同客户群体提供个性化营销策略。

论文目录

• 1 SOM-K-Means聚类算法
•   1.1 K-Means聚类算法
•   1.2 SOM-K-Means聚类算法
•     1.2.1 SOM聚类网络
•     1.2.2 SOM-K-Means聚类算法
• 2 实证分析
•   2.1 数据的理解和准备
•   2.2 数据的预处理
•   2.3 聚类结果分析
• 3 结论

文章来源

类型: 期刊论文

作者: 张石

关键词: 零售银行,聚类算法,客户细分,精准营销

来源: 攀枝花学院学报 2019年05期

年度: 2019

分类: 社会科学Ⅱ辑,基础科学,经济与管理科学

专业: 数学,宏观经济管理与可持续发展,金融

单位: 北京银行博士后科研工作站

基金: 中国博士后科学基金资助项目(2018M641268),北京市博士后工作经费资助项目

分类号: F224;F832.2

DOI: 10.13773/j.cnki.51-1637/z.2019.05.015

页码: 66-70

总页数: 5

文件大小: 289K

下载量: 236