一种基于数据挖掘的零售业客户细分方法研究-重庆工商大学学术期刊社.PDF

第３２卷第２期 重庆工商大学学报（自然科学版） ２０１５年２月 Ｖｏｌ３２　 ＮＯ．２　 　 　 　 　 　 　 　 Ｊ Ｃｈｏｎｇｑｉｎｇ Ｔｅｃｈｎｏｌ Ｂｕｓｉｎｅｓｓ Ｕｎｉｖ（Ｎａｔ Ｓｃｉ Ｅｄ）　 　 　 　 　 　 　 　 Ｆｅｂ．２０１５ － ｄｏｉ：１０．１６０５５／ ｊ．ｉｓｓｎ．１６７２ ０５８Ｘ．２０１５．０００２．００９ 一种基于数据挖掘的零售业客户细分方法研究∗ ∗∗ 蔡玖琳，张　 磊 ，张秋三 （青岛大学 管理科学与工程学院，山东 青岛２６６００１） 　 　 摘　 要：针对零售业客户细分指标粗糙和方法精准性低的问题，提出一种基于数据挖掘聚类分析的零 售业客户细分方法；方法构建了一套基于ＲＦＭ的多指标客户细分指标体系，采用熵值法赋予指标权重，进而 使用Ｋ⁃Ｍｅａｎｓ算法进行客户细分；实证研究结果表明：方法在客户行为特征区分能力和聚类紧凑性方面均优 于传统基于ＲＦＭ的细分方法，方法可行、有效，能够更好地解决零售业客户细分问题，提升客户关系管理和 营销决策质量． 关键词：客户细分；ＲＦＭ；熵值法；Ｋ⁃Ｍｅａｎｓ － － － 中图分类号：ＴＰ３９２　 　 　 文献标识码：Ａ　 　 　 文章编号：１６７２ ０５８Ｘ（２０１５）０２ ００４３ ０６ 作为国民经济的重要组成部分，零售业发展迅猛．但是随着竞争的加剧和开放的深入，零售业的利润日 渐微薄，迫切需要寻找新的利润增长点．对于现在供过于求的零售业来说，如何赢得和保留客户并将客户价 值最大化变得尤为重要，也日渐成为企业最为关注的问题之一．零售业存在大量的客户数据和销售数据，这 些数据的数量随着时间的推移呈现爆炸式增长．信息技术的飞速发展和大数据时代的到来使企业能够借助 数据挖掘等技术，充分利用这些海量数据对客户进行细分，帮助企业制定决策，在更好地满足客户需求的同 时，为企业获取持续忠诚的客户和更高的利润． 企业自身资源的局限性，一定程度上决定了企业不可能达到让所有客户都满意的目标．依据８０／ ２０ 法 ［１］ 则，企业最具赢利性的２０％的客户创造了企业８０％的利润 ．通过对会员客户进行细分，制定更加贴近客户 需求的营销策略，能够使企业更有效地利用自身资源，提升客户满意度和客户收益．相对其他细分方法，数据 挖掘方法更加准确和科学，在传统基于ＲＦＭ（Ｒｅｃｅｎｃｙ，Ｆｒｅｑｕｅｎｃｙ，Ｍｏｎｅｔａｒｙ）的方法基础上，提出一种基于聚 类算法的多指标客户细分方法，并结合具体零售企业实例验证其有效性． １　 客户细分方法研究现状 客户细分方法主要有基于经验的方法、统计分析方法以及非统计分析方法３种．前两种方法只能进行相 对简单的客户细分，已经无法满足企业的需求．随着２０世纪９０年代数据挖掘技术的兴起，复杂的零售业客 户细分有了全新的非统计分析方法．数据挖掘技术中应用于客户细分最为广泛的是聚类技术，使用聚类分析 来对客户进行分组，使组内成员具有类似的特征，而组间成员之间的差异较大，以此加强客户关系管理的商 ［２］ ［３］ ［４］ ［５］ 务策略，帮助改进服务质量，提高顾客满意度和忠诚度 ．叶孝明、黄祖庆 （２００６）、周颖 （２００７）、Ｃｈｅｎｇ ［６］ （２００９）、徐翔斌 （２０１２）等在研究中都采用了聚类技术来进行客户细分，衡量客户价值，效果显著．其中，最