基于神经网络模型商场客户细分.docVIP

基于神经网络模型商场客户细分 　　[摘 要]遗传神经网络模型具有快速学习网络权重和全局搜索的特点。本文基于遗传神经网络模型,将商场客户细分为四类,并对每一类客户群提出了具有差异性的营销策略。 　　[关键词]商场客户细分 营销策略 遗传神经网络 　　 　　一、引言 　　现代社会中,商场之间的竞争日益激烈。商场服务的对象是客户,商场之间的竞争归根结底也是客户资源的竞争。不同的客户对企业的贡献率不同,这就需要企业进行客户细分,整合有限资源针对重点客户,实行差异化营销策略。 　　在客户细分方面,国内外学者进行了大量研究。张全成[1]从消费者行为的内因与外因,对消费者的消费行为进行细分,将客户细分为享乐主义、实用主义、冲动的购买行为的消费者等八类。Hughes提出RFM客户细分方法,R(Recency)指上次购买至今的时期、F(Frequency)指某一段时期内购买频率、M(Monetary)指某一时期购买金额。RFM分析是对这三个要素进行打分,然后相乘。按照三个要素乘积的大小,对所有客户的交易数据进行排序,前面的20%是最有价值的客户,后面20%是企业应该避免的低价值客户,中间60%的客户是需要向上迁移的客户。国内学者汪涛[3]根据客户价值和客户特征将客户划分为灯塔型客户、跟随型客户、理性客户和逐利客户四类。 　　本文对零售业中商场的客户进行细分,为企业制定更适合自己的营销策略提供一些理论依据。 　　二、遗传算法 　　一般的客户细分方法有人工神经网络、遗传算法、决策树法、贝叶斯法等。 　　本文拟采用遗传算法进行商场客户细分。 　　遗传算法是模仿自然界生物进化机制发展起来的随机全局搜索和优化方法,其本质是一种高效、并行、全局搜索的方法,它能在搜索过程中自动获取和积累有关搜索空间的知识,并自适应的控制搜索过程以求得最优的方案。潜在的解决方案的种群产生之后,按照适者生存和优胜劣汰的原理,逐代演化产生越来越好的近似解。在每一代,根据问题域中个体的适应度大小挑选个体,并借助于自然遗传学的遗传算子进行组合交叉和变异,产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境,末代种群中的最优个体经过解码可以作为问题近似最优解。 　　遗传算法可应用于组合优化、函数优化、自动控制、生产调度、图像处理、机器学习、人工生命和数据挖掘等领域。 　　遗传算法具有如下特点:对可行解表示的广泛性、群体搜索特性、不需要辅助信息、内在启发式随机搜索特性、在搜索过程中不容易陷入局部最优、固有的并行性和并行计算的能力、可扩展性及自组织、自适应和自学习性。 　　对于商场客户细分,由于其数据量大,属性与目标之间存在非线性关系,同时不完整数据在数据处理时得到很好的处理,所以适合选用神经网络法,但由于常用的BP神经网络存在局限性:需要较长的训练时间、所求很可能是局部极小值、隐层神经元节点个数难以确定等,就选用具有全局优化搜索能力的遗传算法,用遗传算法优化神经网络,可使神经网络具有自进化、自适应能力,从而构造出进化的神经网。 　　三、商场客户细分指标建立及数据处理 　　1. 商场客户细分指标的确立 　　本文结合商场客户细分指标选取的原则,根据零售行业特点及商场客户的特征,选择了八个客户细分指标:性别、年龄、教育程度、职业、收入、购买频率、次购买额和购物满意度。 　　2. 数据处理 　　本文的数据来自S省某大型商厦2008年第四季度的销售数据,我们选取了信息比较全面的200个消费者数据作为本论文的样本数据,数据包含各类人群,对于下面的实证研究是有效的。 　　由于所获得的数据来自同一商场不同的数据库,所以在进行模型分析之前需要对其进行预处理:数据的集成、数据的清理、数据的变换和数据的简化。在对客户数据进行分类前,应对其进行规范化处理,对定性的指标进行量化处理。将非数值类型的数据转化成数值型类型后,再进行标准化,由于本文后面将使用遗传神经网络进行客户细分,所以需要将数据转换成0和1之间的数值,采用如下公式: 　　最后利用所获得数据,利用细分指标将其分为四类,分别是A类客户(1,0,0,0),B类客户(0,1,0,0),C类客户(0,0,1,0),D类客户(0,0,0,1)。根据A、B、C、D四类消费者的典型特征选取40个训练数据来训练模型,8个检验数据检验模型的适用性。 　　四、遗传神经网络模型在商场客户细分中的应用 　　1. 基于遗传神经网络的客户细分模型验证 　　本文采用遗传算法的具体步骤如下: 　　(1)编码方式的选择:本文采用实数编码,每位实数取为一位整数和四位小数的数字。神经网络各个权值按一定顺序级联为一个长串,串上每一个位置对应着网络的一个权值和阈值。在对商场客户细分中我们将网络结构规定为8