基于数据挖掘的电力行业客户细分模型分析

合集下载

电力企业客户细分模型研究(全文)

电力企业客户细分模型研究XX：1004?373X（20XX）02?0091?040 引言随着电XX公司以用电业务处理能力与工作效率提升为核心的经营治理模式向以客户服务能力提升为核心的转变，电XX公司更加关注对用电客户的个性化差异服务中意度与质量情况，通过不断改进客户的用电体验，有效提升客户用电中意度，促进用电客户合理用电、高效用电的同时实现供电企业、用电客户及对整个社会的多赢。

对客户提供贴心服务的前提是对不同客户群体的行为特点与用电需求有准确了解，根据客户属性划分出不同的客户集合，即客户细分。

电力企业内部丰富的客户资料与用电行为历史数据，为有效运用各类细分技术开展客户细分提供了良好的数据基础。

本文结合服务目标市场的过程。

通常是按照客户的用电档案、用电行为特征、客户用电偏好与动因等分成若干客户群，其目的是使得同一群内的客户特征非常相似，不同群间的客户特征差异较大。

本文研究客户细分模型是为了寻求适合电XX公司用电客户细分要求，且具有通用应用能力与可扩展能力的客户分群方法，研究的过程是基于广东电XX佛山供电局专变客户细分实施的项目，以客户用电台帐与用电业务数据为基础、以信息技术手段为支撑的细分方法。

其细分功能项的落地是通过分析用电业务库中已有用电客户业务数据模式来对用电客户进行群体分类。

1 客户细分模型理论研究客户细分的过程包括五个步骤：目标群体选择、客户细分模型适用性分析与选取、客户细分、细分结果的深度分析、知识同化。

其中细分模型的适用性选择最为关键，直接决定客户细分结果的准确性与可用性。

客户细分是指通过有效收集、归类和分析各方面的需求，定义不同属性与行为特征的客户群，对客户价值、客户风险进行评估。

依据评估结果将客户划分为不同的类别，并对其进行治理，同时，针对不同的客户群体为客户提供个性化服务。

客户细分过程是典型的数据挖掘技术的运用过程，通过运用数据挖掘的建模方法，可以精确应用数据挖掘算法，有效地运用用电客户档案属性与用电行为特征数据，实现对客户群体的精细化分解。

电力营销与客户服务管理共享交流客户群体细分

2023-11-06contents •引言•电力客户细分概述•电力客户细分实践•电力客户细分优化建议•电力客户细分未来展望•结论目录01引言电力营销与客户服务管理共享交流客户群体细分的目的是为了更好地了解客户的需求和行为，以便为不同类型的客户提供更个性化的服务和产品。

在当前竞争激烈的市场环境中，电力公司需要不断提高客户满意度和服务质量，以保持竞争优势和市场份额。

目的和背景客户群体细分的意义通过将客户群体进行细分，电力公司可以更好地了解不同类型客户的需求和偏好，从而制定更加精准的营销策略和客户服务方案。

细分客户群体有助于提高客户满意度和忠诚度，进而增加客户的重复购买和推荐购买意愿。

对客户群体进行细分还有助于电力公司优化资源配置和提高运营效率，以实现可持续发展。

02电力客户细分概述客户细分概念客户细分是指将电力客户群体根据不同的特征和需求进行分类，以便更好地满足不同类型客户的需求，提高客户满意度和忠诚度。

客户细分可以基于客户属性、消费行为、市场反应等多种因素进行分类，如用电量、行业类别、缴费方式等。

客户细分的重要性有助于优化资源配置，提高营销和服务效率，降低成本。

有助于制定更加科学的市场策略，提高市场占有率和竞争力。

有助于识别不同类型客户的需求和偏好，为不同类型的客户提供更加精准的产品和服务，提高客户满意度和忠诚度。

基于数据分析和挖掘的客户细分方法，如聚类分析、决策树分类等。

基于市场调研的客户细分方法，如问卷调查、访谈等。

基于专家判断的客户细分方法，如经验判断、案例推理等。

客户细分方法03电力客户细分实践总结词了解客户用电行为是电力客户细分的基础。

详细描述通过收集和分析客户用电数据，了解客户的用电行为，包括用电量、用电时间、用电方式等，为后续的客户细分提供数据支持。

客户用电行为分析对客户用电数据进行深入挖掘和分析，识别出不同客户群体的用电特征和需求。

详细描述利用数据挖掘和机器学习等技术，对客户用电数据进行深入分析，识别出不同客户群体的用电特征和需求，为电力公司制定针对性的营销策略提供依据。

基于数据挖掘技术的电力行业客户关系管理

业必须改变原有经营模式，必须更深入了解和识别客户，实行全面的以客户为中心的经营方针，培育和创造出新的差异化的竞争优势。电力企业这种迫切的需求必然促进了数据挖掘技术在电力行业的广泛应用和推广。
【关键词】数据挖掘客户关系管理信用风险管理
一
些大量的数据成为可能，这就推动了数据库技术的极大发展。但是面对如潮水
、
引言
在２０年国家施行电力体制改革以０２来，实现了厂网分离、电力行业重组之后，电价机制改革、电网企业主辅分离、输配分开等方面的改革进程均在逐步推进，相关的市场化改革也在紧锣密鼓的开展，国内电力市场化格局基本形成。随着国内电力市场的不断壮大和繁荣，人们对电力的需求不断提高，虽然给各家电力企业提供了前所未有的发展空间和机会，但也使得各家电力企业都不得不直接面对以下两方面问题：１电力改革压力大随着中同市场经济进程的推进，中国国电公司适时而动，通过一系列具体措施逐步构筑现代供电服务机制，从体制、制等深层次问题人手，服务年活机以动为载体和开端，努力构筑现代服务机制。其中尤以建立客户满意度评价体系为核心目标，通过建立企业与社会的双向互动机制，确把握客户需求，力贴正努近客户需求，时满足客户需求，现与及实客户的 “ 零距离 ” ，获得最高的客户满意度，而在竞争中赢得先机。从从现代营销管理体系的入手，推进职能分工重构、业务流程整合、管理体系再造，建立配套联动、规范高效的智能化客户关系管理模式。这既是当前供电行业经营管理的迫

数据挖掘应用案例：RFM模型分析与客户细分综述

数据挖掘应用案例：RFM模型分析与客户细分分类：数据挖掘 | 标签：市场研究数据挖掘RFM模型2012-01-21 21:39阅读(16854)评论(9)这里，我先给各位朋友拜年，祝大家新春快乐！兔年就要过去了，本命年的最后一天再不更新博客有点对不住大家！正好刚帮某电信行业完成一个数据挖掘工作，其中的RFM模型还是有一定代表性，就再把数据挖掘RFM 模型的建模思路细节与大家分享一下吧！手机充值业务是一项主要电信业务形式，客户的充值行为记录正好满足RFM模型的交易数据要求。

根据美国数据库营销研究所Arthur Hughes的研究，客户数据库中有三个神奇的要素，这三个要素构成了数据分析最好的指标：最近一次消费(Recency)、消费频率(Frequency)、消费金额(Monetary)。

我早期两篇博文已详述了RFM思想和IBM Modeler操作过程，有兴趣的朋友可以阅读！RFM模型：R(Recency)表示客户最近一次购买的时间有多远，F(Frequency)表示客户在最近一段时间内购买的次数，M (Monetary)表示客户在最近一段时间内购买的金额。

一般原始数据为3个字段：客户ID、购买时间（日期格式）、购买金额，用数据挖掘软件处理，加权（考虑权重）得到RFM得分，进而可以进行客户细分，客户等级分类，Customer Level Value得分排序等，实现数据库营销！这里再次借用@数据挖掘与数据分析的RFM客户RFM分类图。

本次分析用的的软件工具：IBM SPSS Statistics 19，IBM SPSS Modeler14.1，Tableau7.0，EXCEL和PPT因为RFM分析仅是项目的一个小部分分析，但也面临海量数据的处理能力，这一点对计算机的内存和硬盘容量都有要求。

先说说对海量数据挖掘和数据处理的一点体会：（仅指个人电脑操作平台而言）∙一般我们拿到的数据都是压缩格式的文本文件，需要解压缩，都在G字节以上存储单位，一般最好在外置电源移动硬盘存储；如果客户不告知，你大概是不知道有多少记录和字段的；∙Modeler挖掘软件默认安装一般都需要与C盘进行数据交换，至少需要100G空间预留，否则读取数据过程中将造成空间不足∙海量数据处理要有耐心，等待30分钟以上运行出结果是常有的现象，特别是在进行抽样、合并数据、数据重构、神经网络建模过程中，要有韧性，否则差一分钟中断就悲剧了，呵呵；∙数据挖掘的准备阶段和数据预处理时间占整个项目的70%，我这里说如果是超大数据集可能时间要占到90%以上。

基于数据挖掘的客户细分模型研究及应用

2021年1月计算机工程与设计Jan.2021第42卷第1期COMPUTER ENGINEERING AND DESIGN Vol.42No.1基于数据挖掘的客户细分模型研究及应用原慧琳，杜杰，李延柯（东北大学信息科学与工程学院，辽宁沈阳110000）摘要：为企业更深入了解消费者的行为和偏好，帮助企业制定决策和发展客户关系，结合现有的客户细分方法，提出一种多指标客户细分模型。

从宏观和微观角度，对传统指标进行优化，构建RFMPA多指标客户体系；采用b值法客观赋权；采用因子分析降维；采用改进的K-means算法完成客户细分。

利用大型连锁超市客户消费数据进行实证研究，对比数据实验结果表明，该模型能够更好解决客户细分问题，提高企业客户关系管理和决策质量。

关键词：聚类；客户细分；数据挖掘；多指标；RFMPA模型中图法分类号：TP391文献标识号：A文章编号：1000-7024（2021）01-0057-08doi：10.16208/j.issnl000-7024.2021.01.009Research and application of customer segmentation modelbased on data miningYUAN Hui-lin,DU Jie,LI Yan-ke(College of Information Science and Engineering&Northeastern University,Shenyang110000,China)Abstract:To understand consumers，behaviors and preferences more deeply and help enterprises make decisions and develop cus-tomerrelationships,a multiindexMustomersegmentation modelwasproposedbasedontheexistingMustomersegmentation methods.Through data analysis technology,from the macro and micro perspectives,the traditional indicators were updated and refined to build an RFMPA customer indicator system.Objective weighting was implemented using entropy method.Data dimen-sionreductionwascarriedoutusingfactoranalysis6Theimproved K-meansalgorithm wasusedforcustomersegmentation6 Using the customer consumption data of a large supermarket chain for empirical research,and comparing the data experimental resulNs&Nhemodelcanbe N ersolveNheproblemofcusNomersegmenNaion&improveNhequaliyofenNerprisecusNomerrelaionship managemenNanddecision-making.Key words：clustering；customer segmentation；data mining；multi-indicator；RFMPA model/引言如今，零售行业的市场竞争日趋激烈，这给企业带来了巨大压力，迫使他们需要更有效了解客户需求，以获得或保持该行业的竞争优势。

数据挖掘应用案例RFM模型分析与客户细分

数据挖掘应用案例RFM模型分析与客户细分RFM模型分析与客户细分是一种常见的数据挖掘应用案例，用于帮助企业理解其客户群体、挖掘潜在商机以及制定有效的市场推广策略。

RFM模型通过对客户最近一次购买时间（Recency）、购买频率（Frequency）以及购买金额（Monetary）进行分析，将客户分成不同的细分群组，以便企业可以有针对性地开展营销活动。

首先，我们来看看如何通过RFM模型分析对客户进行细分。

1. Recency（最近一次购买时间）：根据客户最近一次购买时间的间隔，可以将客户分为活跃客户、不活跃客户以及休眠客户等不同群组。

活跃客户是指最近购买时间间隔较短的客户，他们对于企业来说非常有价值，因为他们可能是经常下单的忠实客户，或者是对新产品感兴趣的潜在客户。

不活跃客户是指最近购买时间间隔较长的客户，他们的购买意愿降低，可能需要通过一些特殊的优惠措施来刺激其再次购买。

休眠客户是指最近购买时间间隔很长的客户，他们已经很久没有购买了，通常需要采取一些激励举措才能重新激活他们的购买兴趣。

3. Monetary（购买金额）：根据客户的购买金额，可以将客户分为高价值客户、中等价值客户以及低价值客户等不同群组。

高价值客户是指购买金额较大的客户，他们对于企业来说非常有价值，可以为企业带来较高的利润。

中等价值客户是指购买金额适中的客户，他们对于企业来说也是重要的资产，可以通过特殊的优惠措施来提升他们的购买金额。

低价值客户是指购买金额较小的客户，他们通常需要通过一些激励措施来提高其购买金额。

通过对客户的Recency、Frequency和Monetary进行综合分析，可以将客户分为不同的细分群组，例如：1.VIP客户群：最近购买时间较短、购买频率较高、购买金额较大的客户，是企业最重要的客户群体。

企业可以通过特殊的服务和优惠措施来保持他们的忠诚度，并提高他们的购买额。

3.潜力客户群：最近购买时间较短、购买频率较低、购买金额较大的客户，虽然购买频率较低，但购买金额较高，有很大的潜在商机。

基于数据挖掘的电信企业客户细分研究

客户细分的内在依据。
后进行多维细分，当运营商着眼于更广泛的消费者特性分析但
时，这种主观定义的细分方法就显得力不从心，据挖掘方法相数比于基于统计的客户细分方法的功效就强大得多，运营商对数
据挖掘的重视程度也日益加深。基于数据挖掘技术的分类方法，
实现在此基础上进行的实际应用。如果变化太快，应用方案还未来
客户细分（ｕｔｍｒｅｍｅｔｉ）２世纪５Ｃｓｅｇｎｔｎ是０ｏＳａｏＯ年代中期由
美国学者温德尔・史密斯提出的。其理论依据主要是顾客需求的
异质性、企业有限的资源和有效的市场竞争。客户细分是指根据
获取客户价值提供理论和方法指导。
“ 零距离” “ 、用户至上，用心服务” 等词眼层出不穷。综合来说，这些与营销和服务相关的术语、理念，对象都是电信客户。服务源于良好的营销，因此，客户关系最终决定了电信市场营销。我国电信业发展到今天，不仅初步形成三大运营商同台竞技的市场格局，而且从“ 方市场” 向“ 卖转买方市场 ”决定了客户，关系的“ 大一统” 必然向细分客户关系和“ 个性化 ” 营销和服务的转变。因此，细分客户关系是电信营销的关键所在，客户细分可以对客户获取、客户保持、客户增值等提供全面的支持。恰当的细分标准必须得到有效的细分方法的辅佐，细分方法的选取应
该取决于细分的目的。当目的明确时，以选取若干细分标准而可
ＳｚｎｅＤｎｅ认为：正确的客户细分能够有效地降低成ｕａｎｏｎｒ本，同时获得更强、更有利可图的市场渗透。通过客户细分，企业可以更好地识别不同客户群体对企业的价值及其需求，以此指导企业的客户关系管理，达到吸引合适客户，保持客户，立客建

基于数据挖掘的客户细分及营销策略

基于数据挖掘的客户细分及营销策略近年来，数据挖掘技术的应用越来越广泛，尤其在商业领域的客户细分和营销策略上，其作用越发明显。

本文将探讨基于数据挖掘的客户细分及营销策略，探索如何利用数据挖掘技术解决企业在客户细分和营销策略上的难题。

1. 客户细分客户细分是企业营销策略的重要组成部分，其目的是根据消费者的需求、消费行为等因素将消费者划分为不同的群体，以便针对不同的群体制定具体的营销策略。

在数据挖掘技术的帮助下，企业可以更加准确地进行客户细分。

通过对历史销售数据、消费者行为数据等进行分析，可以确定不同群体的消费偏好、购买能力、购买频率等因素，从而将消费者划分为不同的群体。

例如，在一个商场中，同一类商品可能有不同的消费者群体，一部分人可能注重品质和服务，更愿意购买高价位的商品；另一部分则更注重价格，更愿意购买折扣力度较大的商品。

通过对消费者行为数据的分析，可以将消费者分为这两个群体，以便更好地推出针对性产品和营销策略。

2. 营销策略基于客户细分的结果，企业可以制定出更加具体化的营销策略，针对不同的消费者群体制定不同的推广方案。

例如，在B2C电商平台中，针对喜好高价位商品的消费者群体，可以推出高端品牌的产品和服务，提供更好的品质和服务以吸引他们的消费需求；而针对注重价格和折扣的消费者群体，则可以推出更多的打折、促销活动，以吸引他们的购买行为。

在制定营销策略时，数据挖掘技术可以起到重要的帮助作用。

通过对消费者行为、购物习惯等数据的挖掘和分析，企业可以洞察到消费者的需求和购物行为，为企业提供更加精细化、个性化的营销服务。

3. 技术实现基于数据挖掘的客户细分和营销策略，需要先获取大量的客户数据，然后进行数据清洗、处理和分析，最终得出客户分类的结果以及相应的营销策略。

在获取数据方面，企业可以通过多种途径来获取大量的客户数据，包括：通过线下销售渠道获得销售数据、通过在线平台获得消费者行为数据、通过调查问卷获得消费者信息等。

基于数据挖掘的客户细分分析

基于数据挖掘的客户细分分析前言随着信息化的加速发展，数据成为了一个企业不可或缺的资源，数据挖掘便是一门能够从数据中提取有价值信息的技术。

客户细分是企业中最重要的市场分析和思维导向之一。

基于数据挖掘的客户细分分析，不仅可以帮助企业更好地了解客户，提升客户满意度，还能够有效提高企业的竞争力和市场占有率。

一、数据挖掘技术数据挖掘技术是一种从大数据中挖掘出隐含的规律或者信息的技术。

数据挖掘一般分为分类（Classification）、聚类（Clustering）、关联规则挖掘（Association Rule Mining）等方法。

分类方法可以把客户分为几个不同的分类，以便企业可以针对不同的客户群体进行不同的营销活动和销售策略。

分类可以采用决策树和神经网络等方法进行分类。

聚类方法是把客户分为互相之间相似的小组。

聚类可以采用K-Means算法、层次聚类法、DBSCAN算法等方法进行聚类。

关联规则挖掘可用于查找数据集中不同物品之间的关系，可以用于推荐系统。

二、客户细分分析客户细分是根据客户的属性和行为特征的不同，将客户进行分类的过程。

企业在进行客户细分时，可以根据客户的人口学属性、购买行为、消费金额、地理位置、兴趣爱好和态度等方面进行分类。

客户细分分析可以让企业更好地将产品和服务针对性地推向不同的客户对象，提高销售量和客户满意度。

在客户细分的过程中，企业可以了解客户的需求、喜好和购买行为，制定出更加科学的营销策略和商品定价策略，从而提高利润和市场占有率。

三、基于数据挖掘的客户细分分析实例企业可以通过数据挖掘技术分析出客户的属性和行为信息，并将客户分为不同的类别，从而制定出适合不同客户群体的营销策略和销售策略。

下面以某电商平台为例，介绍基于数据挖掘的客户细分分析实例。

1. 数据采集企业需要从电商平台收集每个用户的属性和行为信息等数据，如购买记录、浏览记录、搜索记录等。

2. 数据预处理对于采集到的大量数据，需要进行数据清洗和数据转换等操作，从而去掉错误数据和冗余数据，保留有用信息。

应用于电力营销的数据分析模型

应用于电力营销的数据分析模型摘要：基于电网信息化水平的不断提高和电网企业信息管理模式积累的数据日益增多，提出了一种基于数据挖掘的电力营销分析模型。

为了实现模型架构的设计，要求模型满足兼容性要求，共享模型信息，因此设计了电力营销分析模型。

根据需求分析结果设计业务架构、应用架构、数据架构和技术架构。

电力营销分析模型主要包括数据挖掘模块、结果分析模块和模型管理模块。

为了保证模型的安全性，设计并测试了模型的安全结构。

实践表明，该模型具有较强的管理能力、决策能力和查询能力，响应速度快，操作简单，界面良好，能够提高企业的竞争力和经济效益。

关键词:数据挖掘技术；电力营销；营销分析；数据挖掘1电力营销分析模型设计框架电力营销分析模型是电力营销技术支持模型的高级应用模块，它以客户服务层、营销质量管理层和营销业务层为决策支持层，创建了以国家电网公司为核心，满足各省级公司营销管理智能监管、查询、分析和统计的高级应用模型平台。

可以挖掘营销数据，对数据进行提炼分析，共享模型信息，让管理层充分掌握各基层供电单位营销服务的各项业务和指标完成情况，支持对主要业务指标、宏观环境和市场发展预测的分析，从而达到前瞻性决策的目的[3-4]。

2电力营销分析模型的设计2.1模型的概要设计2.1.1业务架构设计基于需求分析的结果，为了提高营销业务部门的服务质量和风险管控能力，创建客户停电、电费回收风险、电力服务、大客户服务等场景，分析营销服务质量和风险管控能力的数据，形成报告，用于提高电网企业运营效率分析[5]。

2.1.2应用架构设计应用架构的主要目的是基于营销业务，实现承接业务架构内容的设计，分析业务需求点，细化吸收供应功能，扩展应用层数据挖掘统计分析、预测模拟、常规报表、优化、多维分析等，以展示分析结果。

2.1.3数据架构设计利用ogg和ETL在数据中心整合营销明细数据和索引数据，在数据中心的统一视图区和数据仓库中清理和流通ETL数据后，通过Hadoop和数据中心实现数据计算和存储，满足大数据分析条件，利用数据挖掘工具实现数据展示和分析[6]。

基于数据挖掘的电力行业客户细分建模浅探

．
电力客户细分的方法及存在的问题 Nhomakorabea一
值。客户综合价值分析法将定性与定量评价指标结合起来，有利于对客身价值进行评估时，当前价值评估包括利润贡献与成本占用指标，评估户的全面评估。的变量包括年度用电总量与负载率，潜在价值包括成长潜力与信用度指（二）电力行业客户细分存在的问题标，评估的变量包括用电增长率与付款率。本研究采用定量数据来评估我国旧的细分方式有很多的弊端存在，例如我们常见的客户的细分客户终身价值，这样可以尽可能地消除主观因素的影响。行为缺失、细分的方式较单一、具体行为操作的过程不规范等等问题，四．结柬语这些问题大大的影响了健康有序的发展。对于现阶段我国的基本情况，放眼望去，近几年的变化真的不敢想像。人们的生活水平随着经济用户的组成的板块较多，对于需求的也是十分的不同，在各个不同的用的发展在不断地提高，人们的生活在追求各方面的完美，人们在慢慢地电需求之间穿插着，为供电提供了很大的难度。就拿工业用电为例吧，懂得生活享受生活。社会的各个行业也在致力于满足人们的生活需求，在大的工业园区，会有很多的企业在使用电力资源，我们是知道的可能人｜Ｉ生化的管理而不断地进行改革服务的质量。电力行业就是其中最为重
用的是用电增长率，负载指标上采用的是负载率，负载率可以很好反映客户用电设备的负载状况，在信用指标上采用的是付款率，付款率在衡（一）电力客户细分的方法量客户信用状况方面有着重要的意义，在波动指标上采用的是变异系般来说，电力客户细分的传统方法是按照诸如供电区域、客户规数，变异系数是标准差和平均值的之比，表征波动的能力较强。模及客户性质等方面进行细分的。电力客户价值细分方法包括客户价（三）电力行业客户终身价值描述体系设计值组合分析法与客户综合价值分析法。其中客户价值组合分析法主张客客户价值评价指标体系包括当前价值评价指标，也包括未来价值户的现在的与潜在消费水平、客户的性质及客户的信誉影响到客户的价评价指标，其中未来评价指标包括忠诚度与信用度指标。在对客户终

基于数据挖掘的供电企业客户细分方法及模型研究

Ａｂｓｔｒａｃｔ：Ｗｉｔｈｔｈｅｃｏｎｓｔａｎｔｉｍｐｒｏｖｅｍｅｎｔａｎｄｕｐｇｒａｄｅｏｆｔｈｅｐｏｗｅｒｇｒｉｄｃｏｎｓｔｒｕｃｔｉｏｎ，ｔｈｅｒｅｑｕｉｒｅｍｅｎｔｓｏｆｔｈｅｑｕａｌｉ — ｔｙｆｏｒｅｌｅｃｔｉｃｒａｌｐｒｏｄｕｃｔｓａｎｄｓｕｐｐｏｒｔｉｎｇｓｅｒｖｉｃｅｓｃｏｎｔｉｎｕｅｔｏｂｅｅｎｈａｎｃｅｄｆｏｒｅｌｅｃｔｒｉｃｉｔｙｃｕｓｔｏｍｅｒｓ，ａｎｄｇｒａｄｕａｌｌｙ
ｒａｔｉｏｎａｌｌｙ，ａｎｄｔｏｉｍｐｌｅｍｅｎｔｄｉｖｅｒｓｉｔｙｍａｎａｇｅｍｅｎｔ．Ｉｎｔｈｉｓｐａｐｅｒ，ａｃｕｓｔｏｍｅｒｓｅｇｍｅｎｔａｔｉｏｎｍｏｄｅｌｈａｓｂｅｅｎｅｓｔａｂ— ｌｉｓｈｅｄｏｎｔｈｅｂａｓｓｅｓｏｆｔｈｅｄａｔａｍｉｎｉｎｇｔｅｃｈｎｏｌｏｇｙ．Ｆｉｒｓｔｌｙ，ａｓｕｂｄｉｖｉｓｉｏｎｉｎｄｅｘｓｙｓｔｅｍｉｓｃｒｅａｔｅｄｆｒｏｍｔｈｅｄｉｍｅｎ－ｓｉｏｎｓｏｆｐｏｗｅｒｓｕｐｐｌｙｒｅｌｉａｂｉｌｉｔｙｒｅｑｕｉｒｅｍｅｎｔｓ，ｃｕｓｔｏｍｅｒｖａｌｕｅａｎｄｃｕｓｔｏｍｅｒｂｅｈａｖｉｏｒ．Ｓｅｃｏｎｄｌｙ，ｃｒｉｔｉｃａｌｄａｔａｉｓｉｆｌ — ｔｅｒｅｄｆｒｏｍｔｈｅｐｏｗｅｒｓｕｐｐｌｙｅｎｔｅｒｐｒｉｓｅｄａｔａｂａｓｅ．Ａｎｄｉｆｎａｌｌｙ，ｃｕｓｔｏｍｅｒｓａｒｅｓｅｇｍｅｎｔｅｄｂｙｕｓｉｎｇｔｈｅＫ— ｍｅａｎｓｃｌｕｓ —

基于电力客户行为的客户细分与价值评价研究

基于电力客户行为的客户细分与价值评价研究摘要：随着电力市场的发展，我国电力市场需求多元化的特性逐渐凸显。

如何优化营销策略，满足不同客户的用电需求，提高核心竞争力，已成为电力企业迫切需要解决的一项问题，而电力客户细分与价值评价的研究能为制定有针对性的营销策略提供重要依据。

关键词：电力客户行为；客户细分；价值评价因各种体制原因，我国电力企业长期垄断经营，加之政企不分，造成对客户资源重视度不足。

在这种情况下，电力营销无疑是摆脱这一困境的一大利器。

近年来，随着各级电力公司营销体系的规范化建设和用户用电信息系统建设等的开展，建立了电力行业门户网站，拓展了电费支付渠道，建立了电力95598客户服务中心，基本实现了电力客户的专业化互动服务平台。

但目前仍有大量的用电数据未得到充分挖掘利用，电力营销服务在很大程度上还停留在同质化的普通服务中，缺乏针对性、时效性、准确性。

本文对基于电力客户行为的客户细分与价值评价进行了分析。

一、研究现状与内容1、电力客户细分研究现状。

当前，电力客户细分主要基于定性分类方法，而定量方法在电力客户细分中的应用十分有限。

用定性分类的方法对电力客户进行细分，往往不能对电力客户有一个全面的了解，而且客户间的区分标准较模糊，因此不能准确地划分客户。

定量方法则未考虑电力客户自身属性对电力客户的影响，不能很好地解释细分结果。

有文献综合采用定性和定量相结合的方法对电力客户进行细分，但可操作性不强，主要体现在：1）由于电力客户众多，专家评分过程中一些定性指标无法保持一致，主观性较强，从而使误差大；2）未形成基于电力客户经济行为和价值细分的综合评价，不能满足决策的精确性要求。

随着数据仓库及数据挖掘技术的完善，客户越来越成熟，客户数据也会越来越丰富及复杂，有些复杂的数据很难精确化，只有运用数据挖掘技术，才能贴近人类的思维方式，更易被人理解，从而使分类更加科学、规范。

相关文献涉及到数据挖掘技术在电力行业中的应用，但这些研究并未将电力客户细分和价值评价结合起来。

数据挖掘技术在电力营销系统中的应用

数据挖掘技术在电力营销系统中的应用【摘要】电力行业是一个充满激烈竞争的市场，有效的营销策略对于提高企业竞争力至关重要。

数据挖掘技术在电力营销系统中的应用，可以帮助企业更好地了解客户需求、提高市场预测准确性、实现用户画像分析等。

本文从电力营销系统概述出发，深入探讨了数据挖掘技术在客户细分、市场预测和用户画像分析中的具体应用。

结合实际案例，进一步分析了数据挖掘技术在电力营销系统中的实际应用效果，并展望了未来的发展趋势。

通过本文的研究，可以为电力营销系统的优化提供重要的参考，提高企业的市场竞争力和经济效益。

【关键词】数据挖掘技术、电力营销系统、客户细分、市场预测、用户画像分析、实际应用效果、未来发展趋势1. 引言1.1 研究背景电力行业是国民经济的重要支柱产业，电力营销系统的建设和运营对于保障能源供应、提高电力市场运行效率具有重要意义。

随着信息技术和数据挖掘技术的不断发展，数据挖掘技术在电力营销系统中的应用也日益受到关注和重视。

在传统的电力营销系统中，数据通常是通过手工录入和处理的方式进行管理，存在着效率低、容易出错等问题。

而数据挖掘技术则可以通过对大量的电力数据进行分析和挖掘，从中发现隐藏的规律和趋势，为电力营销系统的决策提供科学依据。

通过对客户数据的挖掘和分析，可以实现客户细分，了解不同客户群体的需求和偏好，从而制定针对性的营销策略，提高客户满意度和市场份额。

数据挖掘技术还可以应用于市场预测和用户画像分析，帮助电力企业更好地把握市场动向、挖掘潜在客户和优化服务。

数据挖掘技术在电力营销系统中的应用，可以提高电力企业的运营效率、降低成本、优化资源配置，从而实现更加精准的营销策略制定和业务决策，推动电力行业的现代化发展。

1.2 研究意义数据挖掘技术在电力营销系统中的应用具有重要的研究意义。

随着电力市场的不断发展和竞争的加剧，传统的营销方式已经不能满足市场需求，而数据挖掘技术可以通过分析大量的数据，挖掘出潜在的商机和市场趋势，帮助企业制定更加精准的营销策略，提高营销效率和市场竞争力。

基于数据挖掘的电信客户细分模型的分析与设计

ａｏａｌａｔａｌｔｏｆｒｅｄａｐｒｃｔｉｅｄ，ａｅｅｇｎｔｔｉｎｅｓｔｓａｉｄｏａｌｄｅｈｒｃｐｒｆｃｔｓｅｍｅａｏｒｕｉｉｇｎｅｔｖｉａｔｔｅａｔｉｎａｌｔｙ
ｐｃｔＪａｂｉｔｏｔｅｌｕｅｒａｃｌｉｙｆｈｃｓｔｒｉｎｍｅ１．ｇｏｄ
Ｋｅｗｏｄ：ＣｓｏｅｅｍｎａｏｖｒｓｕｔｍｒＳｇｅｔｔｉｎ；ＤｔＭｎｎａａｉｉｇ；ＣｕｔｒｎｌｏｉｈｌｓｅｉｇＡｇｒｔｍ；ＲＦＮｕａＮｔｏｋＢｅｒｌｅｗｒ
…
。
方式相似。应用客户细分理论进行客户分类时，首先要解决的问题是如何确定客户细分变量，即决定使用何种变量对客户进行细分。同的细分变量往往会产生不同的细分效果。不常见的几类细分方法有： ①地理细分； ②人口细分； ⑨心理细分；④行为细分； ⑤根据顾客从产品中追求不同的利益细分； ⑥用户状况细分；⑦使用率细分。
没
中图分类号：Ｐ９．Ｔ３１１
文献标识码：Ａ
文章编号：１７－７２（０７５０２－２６１４９－２０）— ０６０
计
Ａｂｔｃ：ｎｔｅｂｓｓｏｎｒｄｃｎｈｕｔｍｒＳｇｅｔｔｏｈｏｙａｄＤｔｉｎｅｈｏｏｙ，ｔｅｐｐｒｓｒｔＯｈａｉｆｉｔｏｕｉｇｔｅＣｓｏｅｅｍｎａｉｎｔｅｒｎａａＭｎｉｇｔｃｎｌｇａｈａｅ

基于大数据的电力用户画像与分析

基于大数据的电力用户画像与分析在当今数字化时代，大数据技术的应用日益广泛，为各个领域带来了深刻的变革。

电力行业也不例外，基于大数据的电力用户画像与分析成为了提升电力服务质量、优化电力资源配置以及实现智能电网的关键手段。

电力用户画像，简单来说，就是通过对大量电力用户数据的收集、整理和分析，描绘出每个用户的用电特征和行为模式。

这些数据来源多样，包括用户的基本信息（如姓名、地址、联系方式等）、用电量数据、用电时间分布、用电设备信息等等。

通过对这些数据的深入挖掘和分析，可以将用户划分为不同的类别，例如工业用户、商业用户、居民用户等，并进一步细分出不同的用电行为模式，如高耗能用户、峰谷用电差异明显用户等。

那么，为什么要进行电力用户画像与分析呢？首先，这有助于电力企业更好地了解用户需求，提供个性化的服务。

比如，对于用电量较大的工业用户，电力企业可以提供专门的节能方案和用电优化建议，帮助用户降低用电成本，同时也减轻电网的负荷压力。

对于居民用户，可以根据其用电习惯，推荐合适的电费套餐，提高用户的满意度。

其次，电力用户画像与分析能够帮助电力企业进行精准的市场营销。

通过了解用户的用电特点和需求，电力企业可以有针对性地推出新的产品和服务。

比如，针对峰谷用电差异明显的用户，推广峰谷电价套餐，鼓励用户在低谷时段用电，从而平衡电网负荷，提高电力资源的利用效率。

再者，这对于电网的规划和建设也具有重要意义。

通过对不同区域、不同类型用户的用电需求和增长趋势进行分析，电力企业可以更加科学合理地规划电网建设，避免出现电力供应不足或过剩的情况，提高电网的稳定性和可靠性。

在进行电力用户画像与分析时，数据的质量和准确性至关重要。

如果数据存在错误、缺失或者不准确，那么分析结果就会出现偏差，从而影响决策的科学性。

因此，电力企业需要建立完善的数据采集和管理机制，确保数据的完整性和可靠性。

同时，数据分析方法的选择也需要根据实际情况进行灵活应用。

常见的数据分析方法包括聚类分析、分类算法、关联规则挖掘等。

基于数据挖掘的客户分类与预测模型研究

基于数据挖掘的客户分类与预测模型研究客户分析是对企业市场细分和客户群特征分析的重要手段之一，它可以帮助企业更好地了解客户需求、提升客户满意度、制定更精准的营销策略。

而基于数据挖掘的客户分类与预测模型研究，则进一步提供了一种利用大数据和机器学习技术来实现客户分析的方法和工具。

在这篇文章中，我将探讨基于数据挖掘的客户分类与预测模型研究的重要性、方法论和实际应用。

首先，基于数据挖掘的客户分类与预测模型研究在市场营销中的重要性不可忽视。

通过对大量客户数据的收集和分析，企业可以识别不同类型的客户群体，并根据他们的特征和偏好制定个性化的营销策略。

这种个性化的市场策略可以有效提高客户对企业产品和服务的认知度和满意度，进而提升销售量和市场份额。

其次，基于数据挖掘的客户分类与预测模型研究依赖于一系列的数据分析技术和方法。

其中，数据预处理是整个数据挖掘过程的第一步，它包括数据清洗、数据集成、数据变换等步骤，旨在提高数据质量和适应性。

接下来，特征选择和降维是为了从海量的客户数据中提取出一些最重要和具有代表性的特征，以减少模型的复杂性和提高分类和预测的准确性。

最后，分类和预测模型的构建则利用机器学习、统计学和模式识别等方法，通过对训练数据的学习和拟合，来对新的客户数据进行分类和预测，并生成相应的结果和建议。

实际应用方面，基于数据挖掘的客户分类与预测模型研究已经在各个行业得到了广泛的应用。

以电商行业为例，企业可以通过对客户购买历史和行为数据的挖掘，对客户进行二分类（如忠诚客户和潜在客户）或多分类（如高价值客户、低价值客户和普通客户），进而制定个性化的促销优惠、延长产品寿命周期等策略，从而提高客户忠诚度和购买频率。

同样，在银行、保险、航空等服务行业，基于数据挖掘的客户分类与预测模型也可以帮助企业理解客户需求、预测客户流失、提供个性化服务等。

最后，基于数据挖掘的客户分类与预测模型研究也面临一些挑战和问题。

首先，数据质量和数据量是数据挖掘研究中的关键问题，如果数据质量不高或者数据量较小，将会影响模型的建立和分类效果。

基于数据挖掘的电力行业客户细分建模浅探

基于数据挖掘的电力行业客户细分建模浅探作者：蔡依晖来源：《科技与企业》2013年第22期【摘要】随着市场经济的大环境的影响，各行各业的竞争十分的激烈。

想要在如何的社会谋求生存与发展，就要不断地适应时代的需求，不断地满足人们的期望。

电力行业在如今的社会地位十分重要，在新的形势下也在不断的改革。

本文就在数据方面挖掘电力行业客户的细分建模进行了详细的阐述。

【关键词】数据挖掘；电力行业；客户细分电力行业是如今国民基础设施的重要组成部分，每天人们的生活生产都离不开电力资源的参与，电力资源在如今我们的生活中是不可缺少的。

长期以来我国的电力系统是以国有化为基础的，这种垄断的模式对于企业的发展有很大的弊端，直接导致服务的水平跟不上人民群众的实际需求，对于我们行业的发展是很大的弊病。

作为服务行业，自身最大的特点就是以自身优质的服务来服务有人们，近年来电力行业也慢慢地注意到了这一点，思想也在不断的改变，在具体的工作中在不断地反思改革，目的是更好的推动企业前行，使整个行业更好的前行。

电力行业服务的是客户，客户来自于社会的各个部分，有着不同的需求，有着不同经济基础，所以我们的客户戏份工作要更加的细致，更加的有条理，为后续工作开辟好的指引。

一、电力客户细分的方法及存在的问题（一）电力客户细分的方法一般来说，电力客户细分的传统方法是按照诸如供电区域、客户规模及客户性质等方面进行细分的。

电力客户价值细分方法包括客户价值组合分析法与客户综合价值分析法。

其中客户价值组合分析法主张客户的现在的与潜在消费水平、客户的性质及客户的信誉影响到客户的价值。

客户综合价值分析法将定性与定量评价指标结合起来，有利于对客户的全面评估。

（二）电力行业客户细分存在的问题我国旧的细分方式有很多的弊端存在，例如我们常见的客户的细分行为缺失、细分的方式较单一、具体行为操作的过程不规范等等问题，这些问题大大的影响了健康有序的发展。

对于现阶段我国的基本情况，用户的组成的板块较多，对于需求的也是十分的不同，在各个不同的用电需求之间穿插着，为供电提供了很大的难度。

基于数据挖掘的客户细分分析

基于数据挖掘的客户细分分析在现代商业中，客户细分是非常重要的课题。

客户细分是指根据客户群体的不同需求、行为及偏好等特征，将不同的客户划分为不同的群体，并对每个群体进行量身定制的营销策略。

这样可以有效地提高营销效果，提高客户满意度以及品牌认知度。

在过去，客户细分通常是通过市场调研来实现。

而在现今，数据挖掘技术的出现将客户细分带入了一个全新的的时代。

数据挖掘技术，就是从大量的数据中通过算法和模型挖掘出有价值的信息和模式。

数据挖掘技术能够对客户进行细致的、高效的分析，从而分辨出客户在其购买行为中的异同点，对客户进行分析评估，从而达到更好的客户细分，打造精细营销。

下面，我们将通过数据挖掘技术，来看看如何对客户进行更好的细分。

一、数据采集数据挖掘的基础是大量的数据，而在客户细分中，数据采集必不可少。

我们可以从以下途径采集数据：1. 企业自身系统，如CRM系统、销售系统、仓储系统、物流系统、售后系统等，能够获取客户信息、订单信息、交易信息等，并进行清洗和整理。

2. 外部数据，如舆情数据、行业数据、竞品数据等，能够从中挖掘出客户关注点、行为习惯、消费能力等信息。

3. 互联网抓取数据，如社交媒体、新闻、博客、论坛等，能够获取客户的言论、评价、反馈、意见等，能够挖掘出客户真实态度、兴趣等信息。

二、数据预处理数据预处理是数据挖掘的重要环节。

数据预处理的目的主要有以下两个：1. 数据清洗：清洗可以去除不合规的、没有用的或重复的信息，减少噪音，提高数据的质量。

2. 数据整合：将收集到的数据进行整合，整合后的数据具有较为统一的格式和结构，并能够进行有效的数据挖掘。

三、特征选择特征选择是指选择具有较高的相关性、较大的区分度和解释性的特征，作为分析方法的输入变量，来进行更好的客户群体分类。

一些常用的特征选择方法包括：过滤法、包装法、嵌入法等。

四、数据挖掘分析基于以上三个步骤，我们可以进入客户细分分析的重点环节——数据挖掘分析。

电力行业的数据分析与模型

电力行业的数据分析与模型随着科技的不断进步，信息技术在各个行业中的应用日益广泛，电力行业也不例外。

电力行业是一个数据密集型的行业，大量的数据需要进行分析和建模，以帮助企业进行决策和优化运营。

本文将讨论电力行业数据分析的重要性，并探讨一些常用的数据分析方法和模型。

一、电力行业数据分析的重要性在电力行业中，数据分析起着至关重要的作用。

电力企业通常会收集大量的数据，包括供电负荷、发电量、用电量、电力设备运行数据等等。

这些数据蕴含着丰富的信息，通过对这些数据的分析，可以获取有关电力系统运行情况、能耗特点、用户需求等方面的知识，为企业提供决策支持和优化建议。

数据分析可以帮助电力企业实现以下目标：1. 制定合理的供电计划：通过对历史数据的分析，可以了解供电负荷的变化规律，预测未来的供电需求，从而合理调配发电资源，确保供电的稳定性和可靠性。

2. 发现能耗特点和规律：通过对用电量和发电量数据的分析，可以了解不同用户群体的用电特点和用电规律，为制定差异化的电价政策提供依据，优化供需匹配，提高资源利用效率。

3. 预测电力设备的故障：通过对电力设备运行数据进行分析，可以早期发现设备的异常情况，预测可能发生的故障，及时进行维修和更换，提高电力设备的可靠性和安全性。

4. 优化电力系统运行：通过对电力系统运行数据的分析，可以掌握系统的运行状态和性能指标，及时发现问题，进行优化调整，提高系统的效率和稳定性。

以上仅是电力行业数据分析的一部分应用场景，实际上数据分析在电力行业中有着更广泛的应用。

二、电力行业常用的数据分析方法1. 回归分析：回归分析是一种利用历史数据来预测未来趋势的方法。

在电力行业中，可以利用回归分析来预测供电负荷、用电量等指标的变化趋势，提前调整资源配置，确保供需平衡。

2. 聚类分析：聚类分析可以将相似的样本归类到同一个群组中，帮助电力企业了解不同用户群体的用电特点和需求。

通过聚类分析可以制定差异化的用电策略，提高用户满意度和企业收益。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

基于数据挖掘的电力行业客户细分模型分析
发表时间：2019-01-14T15:34:01.547Z 来源：《防护工程》2018年第31期作者：窦常永
[导读] 电力作为国家经济发展的基础，其重要性不言而喻。

国网甘肃省电力公司电力科学研究院甘肃兰州 730046
摘要：电力客户细分对电力客户价值的分析研究是供电企业施差异化服务、实现利益最大化的基础。

设计电力价值评定指标，通过专家打分分别对客户当前价值、潜在价值标注等级，建立了基于ＣＡＲＴ决策树的客户价值决策模型，混合利用ＴＯＰＳＩＳ算法得到客户最终分值。

ＣＡＲＴ决策树价值划分模型预测的结果经过对比分析证实具有较高的预测准确度和鲁棒性，是一种有效的电力客户价值评价方法。

关键词：数据挖掘；客户营销；决策树；回归模型；客户细分
引言
电力作为国家经济发展的基础，其重要性不言而喻。

对此，为加快我国经济建设，国家出台了多项政策，对电力行业进行扶持，进而加快电力基础设施建设，满足不同地区和不同类型客户对电力的需求。

而随着电力行业的不断进步，也开始从原来的基础建设，朝着提升电力服务水平，加强电力营销工作中来。

特别是随着现代电力用户消费观念的提升，如何提高营销的工作效率，满足电力客户的电力需求，成为目前电力企业思考和探讨的重点。

1预测算法模型构建
1.1Logistic回归预测模型
Logistic回归本质上是线性回归，是在从特征到结果进行映射的过程中，加入一层函数进行映射。

具体来讲就是先对特征进行线性求和，然后通过函数g(z)作为假设函数来对其进行预测。

1.2决策树模型
决策树是一个预测模型；它代表的是属性与值之间的一种映射关系。

决策树(Decisiontree)由一个决策图和可能的结果组成，用来创建到达目标的规划，是一种特殊的树结构。

在决策树中，每个节点表示为一个特定的属性，并且每一个分叉的路径则代表某一个可能的值，而每一个叶节点则表示为根节点到叶节点经历的路径所表示的对象的值。

2客户细分模型构建
2.1建模流程
根据数据挖掘的流程，以停电敏感性客户作为研究样本，以SPSS软件对数据进行处理，从而将其细分模型设计为如图1所示。

图1SPSSModeler建模流程
2.2关键字段选取
在采用上述方法进行建模过程中，需要选定关键的字段，即对客户的评价指标。

本文则选取表1所示的字段。

3模型验证
3.1样本选取
为验证上述模型在客户细分中效果，以某市中的25万非居民用户和178万居民用户作为数据基础，在非居民用户中抽取40%的比例数据样本，在居民数据中抽取10%的样本，以此用于对模型的检验。

同时根据建模需要，将上述的数据拆分为4∶3∶3的比例，分别设定为训练集、验证集和测试集，具体如图2所示。

图2数据样本区分
3.2技术
选取上述样本中曾经拨打过95598咨询过有关停电信息的客户资料，结合上述的指标，对模型进行检验，从而得到如图3所示的验证结果。

通过上述的分析看出，通过对验证集进行评分排序后，在前5%的客户里敏感客户中，其提升度为2.96倍；而采用决策树方法，提升度为2.61倍。

由此，通过比较，本文选择逻辑回归模型对敏感客户进行细分。

图3逻辑回归模型结果提升度
3.3模型验证
通过分析节点，可以针对已知道其实际结果的记录来检验模型。

将分析节点连接至生成的模型，通过运行分析节点，它可以为我们提供模型预测的正确错误率比较。

分析表明，训练集中71001个记录中有70357个记录(约99.09%)的模型预测值与实际值相匹配；测试集中53336个记录中有52826个记录(约99.04%)的模型预测值与实际值相匹配；验证集中53520个记录中有52997个记录(约99.02%)的模型预测值与实际值相匹配。

可以看出，在采用回归模型预测的正确率均在99%以上，准确率较高。

图4居民模型评估分析
3.4客户打分
同时，结合逻辑回归模型，对客户进行打分，进而得到表1的结果。

同时，再结合客户细分标准，可以对其中的敏感性客户进行等级划分，最终得到不同的等级的敏感性客户。

而电力企业则可以根据上述的等级客户，采取不同的服务措施。

结束语
综上，本文针对目前电力营销上客户细分的需求，在传统的采用K均值聚类的基础上，提出采用逻辑回归模型和决策树对客户进行细分，并通过以某市电力客户数据作为基础，通过SPSS软件对上述的模型进行了验证。

通过结果看出，逻辑回归预测模型在对敏感性客户的分类精度来讲，要明显高于决策树算法，并且通过全量客户打分与测试集中的比例相当接近，由此验证了逻辑回顾模型在对客户进行细分中，其更加接近真实值，并验证其优势
参考文献：
[1]徐建民，粟武林，吴树芳，武晓波．基于逻辑回归的微博用户可信度建模［J］．计算机工程与设计，2015，(03)：772－777．
[2]高永梅，琚春华，邹江波．基于电信领域客户细分模型的个性化服务构［J］．数学的实践与认识，2015，(05)：44－54．
[3]郑芒英．湛江地区用电客户电费回收风险分析［J］．中国新通信2015(07)：101－103．
[4]张琪，周琳，陈亮，张晋昕，温兴煊，何贤英．决策树模型用于结核病治疗方案的分类和预判［J］．中华疾病控制杂志，2015，
(05)：510－513．
[5]覃文文，戢晓峰．基于K－means聚类的快递企业客户细分方法［J］．世界科技研究与发展，2011，(06)：955－958+969．
[6］曾小青，徐秦，张丹，林大瀚．基于消费数据挖掘的多指标客户细分新方法［J］．计算机应用研究，2013，(10)：2944－2947．。