[发明专利]一种移动海量客户群识别的并行数据挖掘方法

说明书

技术领域

本发明涉及经济学、计算机科学的技术领域，尤其是指一种移动海量客户群识别的并行数据挖掘方法。

背景技术

随着经济全球化时代的进一步扩大，越来越多的行业产品同质化速度加快，市场竞争日益加剧，企业之间的竞争不仅仅是能源人才技术的竞争，客户资源的竞争也从来没有停止过，任何一家企业都希望本企业的客户是忠诚的，这样就可以给企业带来更高的利润。然而往往事与愿违，许多客户面对众多的商家和产品，往往表现得极不忠诚且客户需求多样化和个性化的特点也日渐明显，因此对于企业来说如何识别客户，从而针对不同的客户开展差异化的营销策略，提高客户管理水平，大大提高企业客户的忠诚度，势必对企业的发展大有益处。

对于如何识别客户群，国内国外的一些研究者都做出了相应的理论研究。基本可以分为两个方面，一是客户价值识别（即识别有价值客户，也称为客户计分；主要采用统计、预测、模型计算等方法计算客户的某些指标，以判断客户的重要性、价值等来识别客户。最常见的是客户生命周期价值模型），二是客户行为分析（根据客户历史行为数据，预测客户的行为类别或客户行为发生的可能性、盈利性等，对客户做一些业务推荐。主要采用数据挖掘的方法）。基于客户统计学特征（年龄，性别，收入，职业，地区等）的客户识别方法已为大家所熟悉，客户统计识别方法虽然简单易行，但缺乏有效性，难以反映客户需求客户价值和客户关系阶段，难以指导企业如何去吸引客户保持客户，难以适应核心客户关系管理的需要；基于客户交易行为的客户识别中的ABC分析法是由意大利经济学家帕累托首创的，该分析方法的核心思想是在决定一个事物的众多因素中分清主次，识别出少数的但对事物起决定作用的关键因素和多数的但对事物影响较少的次要因素，该类方法在实际操作中较易得到实施，而且数据较易获得，但是其缺点是以历史交易为主要依据对客户进行识别的主观性比较强；由于客户和企业的关系是随时间不断地发展变化的，处于不同关系阶段的客户有不同的特征和需求。所以，客户生命周期管理是客户关系管理的重要内容，依据客户生命周期进行客户识别也就成为一种重要的识别方法，但该方法难以识别相同生命周期阶段的客户差异，同是形成期的客户，客户价值存在差异，无法识别且如果平均用力，将难以避开不良客户。通过分析客户行为，可以实现精准营销，故结合客户价值识别和客户行为分析综合对客户进行分群才是最好的方法。

目前，数据挖掘作为一种以数据驱动的深层次数据分析方法已经成功地用于大型数据仓库的知识挖掘，在各行业也得到了广泛的应用，如银行业，医药业，电信业等，随着数据挖掘技术的不断发展和客户识别要求的不断提高，将数据挖掘应用于客户群的识别越来越显示出了其优越性，通过对信息系统数据库中大量历史数据的处理,分析和发现大量数据中所蕴含的规律,挖掘出有价值的数据规则,根据数据的具体特征等做出判断,这种技术排除了人为因素的干扰,所得到的结果客观性强。通过挖掘获取有价值的知识，来帮助做出决策。数据挖掘主要包含三个步骤,即数据预处理，建模以及模型评价。其中运用最多的就是数据挖掘中的K-means聚类算法来对客户进行分类，

随着科学技术的发展，以及数据库计数的成熟和数据应用的普及，个人、企业等单位需要处理的数据量越来越大，如何快速处理这些数据，并得出有用的结果是一个亟待解决的问题。而解决该问题的方法之一就是运用并行化技术，设计出一个高效的数据挖掘类并行算法，将直接影响到结果的满意程度。经过学者们多年的研究，根据不同的计算机结构建立了多个不同的并行计算模型，如PRAM模型、BSP模型、logP模型等。而如今，云计算作为一个新兴的商业计算模型得到了人们广泛关注，而基于云计算的Hadoop并行计算平台，也日渐流行。其主要特点为成本低、扩容能力强、效率高等特点。其主要由Hadoop分布式文件系统（HDFS）和MapReduce计算模型两部分组成，使用Hadoop模型能更方便地编写出高效的并行算法。

发明内容

本发明的目的在于现有技术的不足与缺陷，提供一种移动海量客户群识别的并行数据挖掘方法，对不同客户群进行推荐不同增值服务或定制适合该客户群的业务，为企业利润最大化带来重要的指导作用。

为实现上述目的，本发明所提供的技术方案为：一种移动海量客户群识别的并行数据挖掘方法，包括以下步骤：

1）建立客户价值模型