英国零售市场中客户分群的聚类算法探索
个性化营销通过为个人定制服务来改善客户的购物体验，然而预测客户的下一个购买清单是一个困难的问题，我们提出了一种基于 SDTW 相似性匹配的新型市场购物清单预测器，并利用 Wasserstein 距离来衡量嵌入购买历史记录的相似性，实验证明我们的方法能够有效地识别跨客户的模式，提高了与现有文献决策规则相比的准确性。
May, 2019
本文提出了一种数据挖掘预处理方法来开发客户画像系统，以提高销售业绩，包括客户权益估算和客户行为预测，研究强调客户分割方法和算法以提高预测准确性，主要结果是创建客户资料和商品销售预测。
Feb, 2023
本文提出了一种利用二元值向量映射到低维连续特征空间所得到的隐含类别作为协变量类进行聚类的策略，实现了在分类大数据上有效地进行聚类，以提供个性化推荐系统和商业智能决策支持。
May, 2023
数字革命已经导致了人类行为的数字化，出现了众筹和众包等新增的行，这给营销研究和实践者带来了前所未有的机会，但同时也面临着数据过于庞杂和复杂的挑战。为了解决这些问题，开发了计算方法以管理与消费者行为相关的“大数据”等技术，特别是机器学习，使得对多方面数据的有效解析和处理成为可能。本文综述了新的数据来源和分析技术，旨在将计算社会科学应用于理解和利用公开的消费者数据。
Jun, 2023
金融包容确保个人能够获得满足其需求的金融产品和服务，此论文提出了一种新颖的时间序列聚类算法，以了解客户的金融行为，并在不依赖限制性信用惯例的情况下根据客户的需求提供独特的产品。
Feb, 2024
本研究提出了一种基于用户行为的推荐系统，通过聚类活跃用户、确定邻域、收集相似用户、基于相似用户计算产品声誉以及推荐高声誉产品等方法，结合产品类别的无监督聚类方法，提供精确的个性化推荐，改善了电子商务推荐系统的性能和准确性。实验结果显示，该方法在阿里巴巴等电子商务平台的行为数据集上表现优于基准方法。
Mar, 2024
我们提出了一种名为RE-RFME的端到端管线用于将客户细分为高价值、有潜力、需关注和需激活的四个群体。具体地，我们提出了一种新颖的RFME（最近性、频率、货币和参与度）模型来跟踪客户的行为特征并将其细分为不同的类别。最后，我们使用K-means聚类算法将用户划分为4个类别之一。我们展示了该方法在房产网站和移动应用用户的真实Housing.com数据集上的有效性。
Apr, 2024
该研究旨在引入先进的智能零售分析系统（SRAS）来应对零售业面临的挑战，包括低效的排队管理、需求预测不准确和无效的营销策略，并通过利用基于机器学习的创新方法来提高零售效率和增强客户参与度。
Feb, 2024
本文通过分析一个具有个性化特征的特定案例研究，提出了一种对于客户细分的稳健且创新的方法，该方法通过方便的数据划分、自适应距离函数定义以及遗传算法的优化来增强数据集可靠性，从而改进了运营效率和市场营销策略，最终提高了客户体验。
May, 2024