聚类分析在零售业客户细分中应用.docVIP

聚类分析在零售业客户细分中应用摘要：基于购买行为的客户细分方法，将数据挖掘中的聚类分析技术应用于零售业客户细分，完成了模型的建立与实现，为零售业客户细分提供了一种有效而实用的分析方法 关键词：零售业客户细分聚类分析 客户细分是客户关系管理的基本任务之一，在目前客户终生价值研究还没有成熟的情况下，采用基于购买行为的客户细分方法不失为一种有效的选择。对于零售企业而言，通过一定的技术将客户细分为不确定型客户、经常性客户、乐于消费型客户和最好的客户，然后对每一类客户的特征进行分析，有助于提高营销活动的针对性和有效性，有助于客户关系管理的良好实施。零售业客户人数众多，客户类别属性难以确定，通过运用数据挖掘中的聚类分析技术，可以对零售业客户群进行合理的细分 一、基于购买行为的客户细分方法 RFM分析是广泛应用于数据库营销的一种客户细分方法。R(Recency)指上次购买至今之期间，该时期越短，则R越大。研究发现，R越大的客户越有可能与企业达成新的交易。F(Frequency)指在某一期间内购买的次数。交易次数越多的客户越有可能与企业达成新的交易。M(Monetary)指在某一期间内购买的金额。M越大，越有可能再次响应企业的产品与服务。RFM分析的所有成分都是行为方面的，应用这些容易获得的因素，能够预测客户的购买行为。以最近的行为预测客户的购买行为比用其他任何一种因素进行预测更加准确和有效 为了消除购买次数与总购买额间的多重共线性，Marcus提出对传统的RFM分析进行修正，用平均购买额代替总购买额。另外，为了解决传统RFM分析过多细分客户群的缺陷，他提出用购买次数（F）与平均购买额（A）构造的客户价值矩阵简化细分的结果，该矩阵将客户细分为四个客户群，其中平均购买额与购买次数都较低的为不确定型客户；平均购买额较低而购买次数较高的为经常性客户；平均购买额较高而购买次数较低的为乐于消费型客户主；平均购买额与购买次数都较高的为最好的客户。第三个变量Recency在客户价值矩阵中被剔除 二、聚类分析及聚类算法 将物理或抽象对象的集合分组成为由类似的对象组成的多个类的过程被称为聚类。由聚类所生成的簇是一组数据对象的集合，这些对象与同一个簇中的对象彼此相似，与其他簇中的对象相异。聚类分析通常用到两种数据结构：一是数据矩阵，这种数据结构是关系表的形式，或者看成n×p（n个对象×p个变量）的矩阵；一是相异度矩阵，这里的d(i,j)是对象i和对象j之间相异度的量化表示，通常它是一个非负的数据值，当对象i和j越相似或“接近”，其值越接近0；两个对象越不同，其值越大 k-means算法是一种采用划分的方式实现聚类的算法，k代表该算法在数据集上分割并计算后输出的聚类的数量。数据集是由n个对象（或称数据点）组成的。在初始化时，根据输入参数k随机性地从n个对象｛i1, i2,…, in｝找出k个原型｛W1, W2,…Wk｝。令Cj表示第j个聚类，聚类的质量是由以下的函数确定的： 选择客户的平均购买额和购买次数，采用聚类的方法对客户进行分类，这样每个客户都有一个确定的分类，该过程是在Visual Foxpro 6.0环境下采用编程方式来实现的，得到的挖掘结果如表3所示 对表3数据分析可知，C1客户群的平均购买额与购买次数都较低，属于不确定型客户，C4客户群的平均购买额较低，但购买次数较高，应属于经常性客户，C2客户群的平均购买额较高，但购买次数较低，属于乐于消费型客户，而C3客户群的平均购买额与购买次数都较高，应属于最好的客户。从客户数量比例来看，也基本与帕累托原则相符 表3聚类挖掘结果 把经过聚类得到的客户类别信息作为Cluster属性写入到数据集中，经过简单的统计便可对各客户群的特征进行进一步的分析，如年收入在1万元到3万元之间的客户当中有86.84%的客户属于不确定型客户，年收入在3万元以上且未成年孩子数小于等于2的客户当中有79.4%的客户属于经常性客户，而在年收入在3万元以上且未成年孩子数大于2人的客户当中有57.69%的客户属于最好的客户 四、结论 聚类分析是一种无指导的学习方法，无需预先知道样本的类型。因此，在零售企业面对众多客户的情况下，利用基于购买行为的细分理论和数据挖掘中的聚类分析技术可以有效地实现对零售业客户群的细分 参考文献： [1].邵峰晶,于忠清编著.数据挖掘原理与算法[M].北京：中国水利水电出版社,2003.197-228． [2].Jiawei Han,Micheline Kamber.数据挖掘概念与技术[M].范明，孟小峰等译.北京：机械工业出版社，2001：223-236． [3].刘义,万迪，张鹏．基于购买行为的客户细分方法比较研究[J]