發(fā)布時(shí)間：2024-07-11 01:20

　　21世紀(jì)以來(lái),我國(guó)經(jīng)濟(jì)社會(huì)持續(xù)高速發(fā)展,公路貨運(yùn)物流行業(yè)迎來(lái)了翻天覆地的深刻變化。在“互聯(lián)網(wǎng)+公路貨運(yùn)”這一大背景下,我國(guó)公路貨運(yùn)物流行業(yè)提出了無(wú)車承運(yùn)人的新模式,后無(wú)車承運(yùn)人更名為“網(wǎng)絡(luò)貨運(yùn)平臺(tái)”。與此同時(shí),大數(shù)據(jù)時(shí)代下巨大的流量也為企業(yè)的產(chǎn)品和服務(wù)帶來(lái)了一連串的重塑,平臺(tái)若能有效利用這些數(shù)據(jù)資源并加以分析和評(píng)估,通過(guò)數(shù)據(jù)平臺(tái)搭建、數(shù)據(jù)可視化、用戶畫像建模等方式讓靜止的數(shù)據(jù)走出數(shù)據(jù)倉(cāng)庫(kù),對(duì)用戶價(jià)值深入挖掘研究,預(yù)估或推測(cè)用戶潛在的行為偏好,對(duì)用戶精準(zhǔn)細(xì)分,并制定出合理有效的精準(zhǔn)營(yíng)銷方案,將會(huì)幫助平臺(tái)有效實(shí)現(xiàn)降本增利。本文以G網(wǎng)絡(luò)貨運(yùn)平臺(tái)貨主用戶為研究對(duì)象,深入挖掘平臺(tái)當(dāng)下亟需解決的貨主用戶管理粗放、劃分規(guī)則模糊、激勵(lì)作用過(guò)低的痛點(diǎn),創(chuàng)新提出了基于CLV和AHP的RFMD貨主用戶價(jià)值模型,修正傳統(tǒng)RFM模型指標(biāo)R的含義和引進(jìn)新指標(biāo)D(發(fā)貨能力),結(jié)合用戶生命周期價(jià)值模型CLV,將RFMD模型指標(biāo)完善為7項(xiàng),依據(jù)AHP層次分析法建立G網(wǎng)絡(luò)貨運(yùn)平臺(tái)貨主用戶價(jià)值的指標(biāo)梯階層次結(jié)構(gòu)模型,再對(duì)價(jià)值指標(biāo)進(jìn)行權(quán)重賦值,得到本研究樣本數(shù)據(jù)集的貨主用戶價(jià)值標(biāo)準(zhǔn)值。接著以此標(biāo)準(zhǔn)數(shù)據(jù)集為基礎(chǔ)利用數(shù)據(jù)挖掘的K...

【文章頁(yè)數(shù)】：104 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
致謝
摘要
ABSTRACT
1 緒論
    1.1 研究背景及研究意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國(guó)內(nèi)外相關(guān)文獻(xiàn)綜述
        1.2.1 網(wǎng)絡(luò)貨運(yùn)平臺(tái)領(lǐng)域文獻(xiàn)綜述
        1.2.2 用戶價(jià)值挖掘領(lǐng)域文獻(xiàn)綜述
    1.3 研究方法及研究?jī)?nèi)容
        1.3.1 研究方法及相關(guān)算法
        1.3.2 研究?jī)?nèi)容及結(jié)構(gòu)安排
    1.4 創(chuàng)新點(diǎn)及技術(shù)路線
        1.4.1 創(chuàng)新點(diǎn)
        1.4.2 技術(shù)路線
2 相關(guān)技術(shù)與理論基礎(chǔ)
    2.1 數(shù)據(jù)挖掘相關(guān)技術(shù)理論
        2.1.1 數(shù)據(jù)挖掘概念原理
        2.1.2 數(shù)據(jù)挖掘流程步驟
        2.1.3 數(shù)據(jù)挖掘分析工具
    2.2 網(wǎng)絡(luò)貨運(yùn)平臺(tái)相關(guān)理論
        2.2.1 公路網(wǎng)絡(luò)貨運(yùn)平臺(tái)發(fā)展現(xiàn)狀
        2.2.2 對(duì)網(wǎng)絡(luò)貨運(yùn)平臺(tái)的相關(guān)定義
    2.3 用戶相關(guān)理論
        2.3.1 網(wǎng)絡(luò)貨運(yùn)平臺(tái)用戶行為
        2.3.2 用戶價(jià)值的內(nèi)涵與模型
        2.3.3 用戶畫像的概念與應(yīng)用
    2.4 本章小結(jié)
3 貨主用戶價(jià)值挖掘設(shè)計(jì)與構(gòu)建思路
    3.1 貨主用戶價(jià)值評(píng)價(jià)模型構(gòu)建
        3.1.1 對(duì)傳統(tǒng)RFM模型的改進(jìn)
        3.1.2 基于CLV時(shí)間價(jià)值的RFMD模型構(gòu)建
        3.1.3 基于AHP的RFMD模型指標(biāo)權(quán)重加成
    3.2 貨主用戶價(jià)值聚類流程設(shè)計(jì)
        3.2.1 基于RFMD的用戶價(jià)值分群
        3.2.2 基于K-MEANS聚類算法的用戶分群
    3.3 貨主用戶特征選擇流程設(shè)計(jì)
        3.3.1 用戶特征選擇流程設(shè)計(jì)
        3.3.2 基于隨機(jī)森林算法的用戶特征選擇
    3.4 實(shí)驗(yàn)環(huán)境及評(píng)價(jià)指標(biāo)
    3.5 本章小結(jié)
4 G網(wǎng)絡(luò)貨運(yùn)平臺(tái)概況及貨主用戶分析
    4.1 G網(wǎng)絡(luò)貨運(yùn)平臺(tái)概述
        4.1.1 G網(wǎng)絡(luò)貨運(yùn)平臺(tái)企業(yè)基本情況
        4.1.2 G網(wǎng)絡(luò)貨運(yùn)平臺(tái)運(yùn)單交易模式
        4.1.3 模糊粗放的貨主用戶細(xì)分模式
    4.2 數(shù)據(jù)準(zhǔn)備
        4.2.1 數(shù)據(jù)采集與字段說(shuō)明
        4.2.2 數(shù)據(jù)預(yù)處理
    4.3 貨主用戶基本屬性探索性數(shù)據(jù)分析
    4.4 本章小結(jié)
5 G網(wǎng)絡(luò)貨運(yùn)平臺(tái)貨主用戶價(jià)值挖掘?qū)嵤?br>    5.1 基于RFMD模型7 項(xiàng)指標(biāo)價(jià)值標(biāo)準(zhǔn)制定
    5.2 基于K-MEANS算法的貨主用戶價(jià)值分群
    5.3 基于隨機(jī)森林算法的貨主用戶特征選擇
    5.4 貨主用戶群體畫像成型與精準(zhǔn)營(yíng)銷設(shè)計(jì)
    5.5 本章小結(jié)
6 結(jié)論與展望
    6.1 研究結(jié)論
    6.2 研究展望
參考文獻(xiàn)
附錄A 聚類
附錄B 特征選擇
作者簡(jiǎn)歷及攻讀碩士學(xué)位期間取得的研究成果
學(xué)位論文數(shù)據(jù)集



本文編號(hào)：4005026