客户忠诚度论文：基于数据挖掘的客户忠诚度的预测与实现摘要：客户忠诚度对企业效益有巨大的影响。
本文在构建客户行为评价指标的基础上，采用神经网络算法，对客户忠诚度进行了分析和评价，并实现了客户忠诚度评价和预测的完整数据挖掘流程。
关键词：客户忠诚度、数据挖掘、神经网络客户忠诚度对企业经济收益有着巨大的影响，企业能够从忠诚的客户那里获得最高的利润。
忠诚者会长期、大量的购买企业的服务，愿意为企业的优质服务支付较高的价格，进而给企业带来更多的经济收益。
客户不断变化的企业往往需要花费大量的营销费用，劝说新客户购买自己的服务。
有大批忠诚客户的企业通常可以节省营销费用和启动性服务费用。
此外，忠诚客户的口头宣传可为企业吸引大批新客户，极大地降低企业的广告费用。
因此，培育客户的忠诚感应该是企业经营管理工作的目标［1］。
基于此，本文将在对客户忠诚度概念明确界定的基础上，构建客户忠诚度评价指标，并运用数据挖掘的方法，使用神经网络算法，对客户忠诚度进行了评价和预测。
一、神经网络算法神经网络是一种模拟生物神经元如何工作来解决神经生物学之外的技术问题的新方法，在应用之前必须使其学习一个复杂的非线性映射（即训练），在实际应用中，80%～90%的人工神经网络模型是采用误差反传算法或其变化形式的网络模型（简称bp网络），目前主要应用于函数逼近、模式识别、分类和数据挖掘［2，3］。
（一）多层网络结构神经网络包含一组节点（神经元）和边，这组节点和边形成一个网络。
节点的类型有三种：输入、隐含和输出。
每条边都通过一个相关联的权值来连接两个节点。
边的方向代表预测过程中的数据流，每个节点都是一个处理单元。
输入节点形成网络的第一层。
在大多数神经网络中，每个输入节点都被映射到一个输入属性。
输入属性最初的值在处理之前必须被转换为相同范围（通常在-1~1之间）的浮点数。
隐含节点是在中间层中的节点。
隐含节点从输入层或前面的隐含层中的节点上接收输入。
它基于相关边的权值来组合所有的输入，处理一些计算，然后将处理的结果传给下一层。
