模糊聚类在客户关系管理中的应用.docVIP

模糊聚类在客户关系管理中的应用 　　摘要：企业积累了大量的客户消费数据，如何从大量的数据中发现用户的消费模式，对企业的营销策略具有重要的指导意义，数据挖掘技术正是可以从大量的数据中挖掘出对企业决策有价值的信息。针对客户数据的特点，提出一种基于Kruskal算法的最小生成树模糊聚类算法KTFC，并将其应用在客户关系管理中。实验证明，该模糊聚类算法可以有效地对企业客户群进行分类，并分析出每类客户的特点，动态地选取不同的λ值可以获得不同的聚类结果，大大地提高了聚类的灵活性。 　　关键词关键词：客户关系管理；数据挖掘；模糊聚类；最小生成树 　　中图分类号：TP312文献标识码：A文章编号文章编号2013）0010004902 　　基金项目基金项目：河北省科技支撑项目 　　作者简介：傅玥（1977-），女，硕士，石家庄经济学院信息工程学院讲师，研究方向为数据挖掘、客户关系管理、信息融合；潘世英（1979-），女，硕士，河北师范大学职业技术学院讲师，研究方向为数据库、网络安全。 　　0引言 CRM[12]是客户关系管理（Customer Relationship Management）的简称，CRM作为一种先进的管理模式，其内容无论在广度和深度上都在不断扩展。目前的CRM产品还远未达到人们对数据访问、分析处理的期望，主要问题在于目前的数据库系统可以高效地实现数据的录入、查询、统计等功能，却无法发现数据中存在和隐含的关系和规则，无法根据现有的数据预测未来的发展趋势。数据挖掘技术可以从大量的顾客消费数据中发现客户的消费行为模式，可以使客户关系管理更加智能化，从而可以显著提高企业的经济效益和社会效益。数据挖掘在客户关系管理的研究主要有7个方向[3]，分别是关联（Association）、 分类（Classification）、聚类（Clustering）、预测（Forecasting）、回归（Regression）、序列发现（Sequence Discovery） 和可视化（Visualization）。在聚类分析中K均值算法属于硬聚类（任一元素只能属于某一类，非此即彼的），但是在做客户分析时，并不能指出某个客户一定属于或一定不属于某一客户群体，恰恰相反，一个客户样本可以属于不同的客户群，从而帮助营销人员制定出针对客户的营销策略，以提高客户的价值贡献，因此选择模糊聚类能更好地体现客户特征。传统的模糊聚类算法FCM存在以下3个方面的不足[47]： ①迭代次数多，计算量大；②参数m的优选仍有待进一步研究；③对初始值较敏感，易于陷入局部最小。聂呈启等人在2003年提出了一种利用最大树做模糊聚类的方法[8]，该模糊聚类方法不存在FCM聚类中存在的问题，但是这种模糊聚类方法不适合处理大量的数据，而客户关系管理系统中存在着大量的客户数据，因此不能直接把文献[8]中的模糊聚类算法应用到客户关系管理系统中。针对文献[8]存在的不足，提出了一种基于Kruskal算法的最小生成树模糊聚类算法KTFC并将其应用于客户关系管理中。实验证明，KTFC算法具有较好的正确性和有效性。 　　1模糊聚类算法KTFC 　　1.1原始数据模糊处理 　　类别单位与饭店距离家庭与饭店距离月消费频率（次）每人每次消费金额（元）类Ⅰ很近或较近很远或较远10≤20类Ⅱ不限不限≤1020 　　选取λ=0.2时，根据客户聚类结果可以得到以下客户消费行为模式：第Ⅰ类人员的特点是每次每人消费的金额比较少，月消费频率比较高，因为这些人的工作单位在饭店附近，而家又离单位比较远，所以经常在该饭店吃工作餐。通过这些分析，可以得知该饭店的低档菜口味较好，价位合适，比较受附近工作的客户欢迎，这部分客户群体是饭店的稳定客源。第Ⅱ类人员的特点是每人每次消费的金额比较多，月消费频率比较少，这部分会员消费水平比较高。 　　类别单位与饭店距离家庭与饭店距离月消费频率（次）每人每次消费金额（元）类Ⅰ很近或较近很远或较远10≤20类Ⅱ不限不限2～10≥100类Ⅲ不限近或较近220～100 　　选取λ=0.1时，根据客户聚类结果可以得到以下客户消费行为模式：（1）第Ⅰ类人员的特点是每人每次消费的金额比较少，月消费频率比较高，因为这些人的工作单位在饭店附近，而家又离单位比较远，所以经常在该饭店吃工作餐。通过这些分析，可以得知该饭店的低档菜口味较好，价位合适，比较受附近工作客户的欢迎，这部分客户群体是饭店的稳定客源。（2）第Ⅱ类人员的特点是宴请宾客，这类人员每次每人消费的金额很高，但是月消费频率中等。（3）第Ⅲ类人员的特点是在饭店附近居住的人员，一般选择在这里家庭聚餐，这类人员每人消费的金额中等，月消费频率中等。由上面的实验结果可知，选取不同的λ值，会得到不同的聚类结果