第1页共4页基于聚类的商业营销数据分析及应用摘要：系统聚类法是聚类分析中应用最广泛的一种方法，凡是具有系统聚类分析数值特征的变量和样品都可以采用系统聚类法，选择不同的距离和聚类方法可获得满意的数值分类效果。该文将应用系统聚类法通过客户数据对银行营销进行分析，分类的目的是银行的客户群进行分类。关键词：聚类分析；分类营销：TP391文献标识码：A：1009-3044（2013）16-3853-03随着信息技术的发展，传统的商业模式发生了根本性的变化企业间的竞争越来越激烈，挖掘有价值的客户并制定相应的销售策略在商业中十分重要，与同时客户的期望也在快速变化，在这种情况下，建立和维护客户关系成了企业取得竞争优势最重要的基础。客户数据的挖掘对企业的发展就尤为重要，数据挖掘就需要研究一些第2页共4页数据挖掘技术，聚类分析也是一种重要的数据挖掘研究领域中的一个重要的研究课题。1聚类分析聚类（Clustering）：就是将数据分组成为多个类（Cluster），在同一个类内对象之间具有较高的相似度，不同类之间的对象差别较大。一个聚类就是有彼此相似的一组对象所构成的集合，不同聚类中的对象通常是不相似的，相似或不相似的度量是基于数据对象描述属性的取值来确定的。聚类分析依赖于对观测点间的接近程度（距离）或相似程度的理解，定义不同的距离量度，可以产生不同的聚类结果。系统聚类分析（HierachicalClusterAnalysis）是聚类分析中应用最广泛的一种方法，凡是具有数值特征的变量和样品都可以采用系统聚类法，选择不同的距离和聚类方法可获得满意的数值分类效果。第3页共4页3总结本文采用系统聚类法对银行营销客户数据进行了分类，系统聚类有很多种方法，对多种方法进行了实验，聚类分析所得的结果并不是一个确切的，只是一个大概范围的分类。在实际应用中，一般采用以下两种处理方法：一种办法是根据分类问题本身的专业知识结合实际需要来选择分类方法，并确定分类个数。另一种办法是多用几种分类方法去作，把结果中的共性取出来，如果用几种方法的某些结果都一样，则说明这样的聚类确实反映了事物的本质，而将有争议的样品暂放一边或用其它办法去归类。4展望随着技术的进步使得数据的收集变得越来越容易，导致数据库规模越来越大、复杂性越来越高，如各种类型的贸易交易数据以及其他领域的数据等，它们的属性通常可以达到成百上千维，甚至更高。许多在低维数据表现良好的聚类方法运用在高维空间上往往无法获得好的聚类效果。高维数据聚类分析是聚类分析中一个非常活第4页共4页跃的领域，同时它也是一个具有挑战性的工作。因此，对高维数据聚类分析的研究将在商业市场分析、信息安全、金融、娱乐、医学、生物等方面都会有很广泛的应用。对聚类分析的深入研究将成为非常重要的一个课题。参考文献：[1]于录.模糊聚类分析在商品销售中的应用[J].哈尔滨商业大学学报（自然科学版），2005（4）.[2]罗妤，余力.聚类数据挖掘在商场顾客分析中的应用[J].自动化技术与应用，2OO7（9）.[3]武森，程锴，陈凤洁.聚类分析在电信客户细分中的应用[J].技术经济与管理研究，2008（1）.[5]赵喜仓，崔冬梅，窦志红.聚类分析在客户细分中的研究与应用[J].江苏商论，2007（8）.