摘要：随着互联网的发展和相关技术的普及，使得我国数字经济有了长足的发展，并由此每天都产生了数以万计的交易数据。在海量的交易数据中，精确地捕抓客户信息、消费习惯、喜好的产品等重要信息，并以此描写每一类客户群体的画像以及特点，针对不同的客户群体实施对应的销售策略使得企业的经济效益最大化。在仔细研读国内外关于聚类算法在客户群体细分这一领域内的相关文献以及研究成果后，提出了本篇论文的研究方法、研究路线以及研究意义。本文研究数据来源于kaggle上的一组商场顾客数据，数据量为200组。对于同一组数据分别进行基于动态的K-means、基于密度、基于期望最大值以及基于层次的四种聚类算法分析，并输出对应结果的聚类效果图，由此探讨四种聚类方法的优缺点以及聚类算法在客户群体细分邻域的实际应用。

关键字：聚类分析；客户细分；数据挖掘

目录

摘要

Abstract

1.绪论-1

1.1研究背景和研究意义-1

1.2研究现状概括-1

1.3本文研究方法以及研究路线-2

1.3.1 研究方法-2

1.3.2 研究路线-3

2.聚类算法理论-4

2.1 基于动态的K-means聚类算法-5

2.2 基于密度的聚类算法—DBSCAN-5

2.3 基于期望最大值(EM)的聚类算法-6

2.4 基于层次的聚类算法-6

3.聚类算法在细分客户群体上的应用-8

3.1 数据预处理-8

3.1.1 标准化数据集-9

3.1.2 数据处理-9

3.2 四种聚类算法的实际应用-10

3.2.1 基于动态的K-means的聚类算法-10

3.2.2 基于密度的聚类算法—DBSCAN-12

3.2.3 基于期望最大值(EM)的聚类算法-14

3.2.4 基于层次的聚类算法-17

3.3 聚类结果分析-18

4.-结论-19

参考文献-20

附录-21

致谢