...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Knowledge-Based Systems >Statistics-based CRM approach via time series segmenting RFM on large scale data
【24h】

Statistics-based CRM approach via time series segmenting RFM on large scale data

机译：通过按时间序列对大型数据进行RFM分割的基于统计的CRM方法

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Conventional customer relationship management (CRM) is typically based on RFM model, whose parameters are the recency, frequency and monetary aspects of target customers. The latest comprehensive analysis has enabled CRM to present parameters with time series. For example, researchers can account for changing trends based on an RFM model for flexible marketing strategies. Such changes might inspire telecommunication service scenarios that user value relies on long-term performance. In this study, we propose a statistic-based approach to value latent users via time series segmenting time interval of RFM in large scale data set. Apart from utilizing in Spark platform, we integrate multiple corresponding analysis (MCA) to regularize clustering results by the RFM model and extend these approaches to multiple levels. A comprehensive set of experiments, revealed interesting observations regarding the co-existence of time interval and RFM model. First, the clustering method along time interval in three dimensions of the RFM model outperforms the method along the three dimensions in each interval. Subsequently, the cooperation of RFM and MCA provides a convenient methodology for exploring CRM in large-scale data. Therefore, the RFM model with time intervals integrated with MCA in CRM are essential. (C) 2017 Elsevier B.V. All rights reserved.
机译：传统的客户关系管理（CRM）通常基于RFM模型，其参数是目标客户的新近度，频率和金钱方面。最新的综合分析使CRM可以按时间序列显示参数。例如，研究人员可以基于RFM模型来说明变化的趋势，以实现灵活的营销策略。此类更改可能会激发用户价值依赖长期性能的电信服务场景。在这项研究中，我们提出了一种基于统计的方法，通过在大型数据集中通过RFM的时间序列分段时间间隔来对潜在用户进行估值。除了在Spark平台中利用外，我们还集成了多个相应的分析（MCA）以通过RFM模型对聚类结果进行正则化，并将这些方法扩展到多个级别。一组全面的实验揭示了有关时间间隔和RFM模型共存的有趣观察。首先，在RFM模型的三个维度中沿时间间隔的聚类方法优于在每个间隔中的沿三个维度的聚类方法。随后，RFM和MCA的合作为探索大规模数据中的CRM提供了一种方便的方法。因此，具有时间间隔的RFM模型与CRM中的MCA集成至关重要。 （C）2017 Elsevier B.V.保留所有权利。

著录项

  • 来源
    《Knowledge-Based Systems》 |2017年第15期|21-29|共9页
  • 作者

    Song Meina; Zhao Xuejun; Haihong E.; Ou Zhonghong;

  • 作者单位

    Beijing Univ Posts & Telecommun, Sch Comp Sci, Beijing 100876, Peoples R China;

    Beijing Univ Posts & Telecommun, Sch Comp Sci, Beijing 100876, Peoples R China;

    Beijing Univ Posts & Telecommun, Sch Comp Sci, Beijing 100876, Peoples R China;

    Beijing Univ Posts & Telecommun, Sch Comp Sci, Beijing 100876, Peoples R China;

  • 收录信息
  • 原文格式 PDF
  • 正文语种 eng
  • 中图分类
  • 关键词

    CRM; RFM; Large-scale data; MCA; Time interval;

    机译：CRM;RFM;大规模数据;MCA;时间间隔;

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号