1. 研究目的与意义（文献综述包含参考文献）
2019年11月21日，经济合作与发展组织（OECD）最新一期经济展望报告称，预计2019与2020两年经济将分别增长2.9%。
但是近期由于中国的特殊情况，下调了对全球经济增长的预期，即便如此全球的经济竞争仍是愈演愈烈，企业更难把控自身未来的发展。
传统企业的经营往往只注重产品的品牌、规模、制造和经销等，仅根据利润、成本等一些指标过于片面。
在这个以客户和服务为中心的时代，对于企业客户关系的管理需要花费更多精力研究，而客户价值的管控必须首先对客户价值进行准确分析并预测其流失，基于机器学习算法的聚类分析是目前广泛应用的分析方法之一，对客户进行精准的分群，并对不同客户群体制定个性化的服务方案，从而提高客户的体验感，将可以减少企业的利润流失，提高企业的竞争力。
二、研究现状学者们利用不同聚类分析方法对客户进行价值分类，并通过不同模型进行客户流失分析。
下面从模型视角对已有研究进行综述。
（一）对于客户价值分析的主要聚类算法研究聚类分析算法是给定一个对象的集合，假设每个对象含有m个特征，在此用向量的方式来表示对象的特征，聚类分析主要是依据对象的特征分析他们的相似度，从而通过聚类的决策来取得所需要的结果[1]。
1、K-Means算法Means主要基于数据点之间的均值和与聚类中心的聚类迭代而成，这是比较常用的一种聚类方法，操作简单，在各个领域都有应用，但是K-means存在一定的缺陷，不能对结果重复操作，显示不了非凸集的数据[2]，对异常点和噪点非常敏感。
冀薇[3]应用K-means算法将客户使用服务的期限划分为四类不同类型，制定了有针对性的资源配置和客户管理方案。
朱琦、朱正键、刘肖[4]则将模型应用于移动运营商，根据用户对流量不同的使用情况分类，来预测对未来客户的服务需求，从而制定相应营销策略。
2. 研究的基本内容、问题解决措施及方案
要研究的问题：①企业客户价值的分析；②企业客户价值的流失预测。
拟采用的研究手段：①选择不同类型并带有流失标记的客户研究样本数据并清洗处理数据；②构建关键特征，对数据进行标准化处理，以K-means聚类算法为基础，同时尝试利用其它聚类算法进行客户价值分类，对结果进行比较判别，确定最合理的客户分群，聚成类数之后，根据算法的R、F、M特征值根据实际进行具体分析；③收集客户的信息以及消费记录④构建客户流失的特征，将客户的流失特征数据划分为训练集和测试集，构建决策树模型，分析结果，计算预测的精确率；⑤根据决策树结果对企业客户进行多方面的分析，并提出具体针对性改进意见，来提高经济收益以及企业未来发展的长远性。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
