面向汽车后市场数据挖掘研究.docVIP

面向汽车后市场数据挖掘研究 　　摘要：汽车后市场智能推荐算法是在汽车后市场服务过程中的应用，对促进汽车服务业进行主动服务和服务变革提供一定的参考。通过对用户类型的细分以及服务类型的聚类分析，通过关联规则与协同过滤算法进行匹配，最后针对不同类型的客户进行推荐，培养用户偏好的拓展，提高客户服务的满意度。 　　关键词：汽车后市场；用户聚类；智能推荐算法 　　项目资助：国家科技支撑（2013BAH13F01）资助 　　1. 引言 　　进入新世纪以来，我国就进入了汽车产业高速发展的时代，已成为全球最大的汽车生产国与最大的汽车消费市场。从我国宏观经济发展水平和当前的人均汽车保有量来看，我国汽车市场仍然孕育着巨大的发展潜力。 　　目前在我国的汽车产业高速发展的同时显现出汽车后市场服务的缺位，即汽车后市场服务缺乏品牌意识，服务的理念和服务质量、服务的可信度、服务的标准化、服务的人性化均十分淡漠。在汽车服务业企业，提供的服务和产品大同小异，较难提出差异化的项目来构建企业独特性，客户粘度低，具有较高的话语权。传统的汽车服务推荐只是针对车型、车主职业等信息来对客户进行一个粗略的归类，由具体的接待人员来进行推荐，通常无法取得很好的效果。对客户偏好的深度挖掘，以及更加个性化、人性化的推荐服务，提供更好的客户体验是提高服务业企业的市场竞争力的有力工具。 　　2. 汽车后市场服务业发展现状 　　随着我国汽车工业的迅猛发展，汽车售后服务业在整个产业链中的重要作用逐渐显现出来，其成为各大汽车厂商追逐的新的利润增长点。不管是汽车企业、汽车消费者还是政府的相关部门，都对售后服务给予了前所未有的关注。客户的消费行为反映出了他们对需求并不清晰，客户很多时候并不清楚自己到底需要什么样的服务，不能很好的识别自己需要的服务。同时，服务提供方也并不能主动的对客户进行服务，更多的是被动地响应客户的要求，服务质量难以有质地提升。 　　目前汽车售后服务大多采用“被动响应”服务模式，即当汽车零部件出现故障时才对其进行维修和保养。由于客户驾驶行为习惯对汽车各??部件造成的磨损程度不同，导致汽车出现故障的概率和所需要的维修服务也因人而异。因此，可以考虑通过分析客户驾驶行为对汽车零件性能产生的影响，选取合适的影响指标对零件的磨损进行测度，并结合零部件的正常使用寿命来预测其可能出现的故障和时间，主动的提供相应的服务来提高售后服务的质量和效率。 　　汽车产品在性能、价格和外形等方面逐步趋于同质化，消费者更加关注产品附加值，从而使服务成为了竞争的主角。依据客户消费记录对客户群进行细分，可以使企业根据客户价值级别的不同决定如何在客户中分配企业有限资源，然后根据客户的不同需求，设计和实施不同的客户保持策略。 　　3. 数据挖掘在汽车售后服务中的应用 　　数据挖掘作为数据库知识发现的核心部分，目前存在很多数据挖掘方法和算法。根据挖掘任务分，有如下几种知识发现任务：分类知识发现、数据总结、数据聚类、关联规则发现、序列模式发现、依赖关系或依赖模型发现、异常发现和趋势预测等。运用最多的是分类知识发现和数据聚类算法。 　　客户偏好挖掘和推荐的基本流程是：根据客户历史消费记录对客户进行偏好挖掘，并对客户进行聚类分析；根据两种以上的服务或者产品同时被消费的频度，利用关联规则将服务或产品进行聚类；利用关联规则算法将用户和服务产品进行匹配，推出针对性的智能化的推荐。 　　3.1对客户进行偏好挖掘 　　从用户行为信息中挖掘出用户偏好并构建偏好文档是进行商品特征与用偏好匹配推荐的基础。消费者细分的方法很多。有依据人口统计指标的细分、消费者心理细分、生活习惯细分、购买动机细分等等。在现实中对单个消费者个体的研究是不可能的。通过使用数据挖掘，可以根据所拥有的数据特征挖掘划分不同的消费者群，“分群”意味着把有相似特征的消费者归为同一组，即建立用户群，同时把不同用户群之间的差异最大化。 　　消费者行为特征挖掘的技术是聚类。聚类是探索型数据挖掘技术。可以使用许多种不同类型的聚类技术。聚类数据挖掘能够根据已测度的变量将相似消费者归到一起，同时使不同类型的消费者群组之间的差异最大化。本质相同的群组具有特定的消费者行为描述，所有聚类技术只要正确使用，都能产生恰当的分组。 　　3.2服务产品的聚类分析 　　类似于在购买铁锤的顾客当中，有70%的人同时购买了铁钉；在超市买面包的人有70%会购买牛奶。关联算法简单来讲就是对同时被消费的商品进行聚类，并分析这些相关产品的频度是否满足将其关联起来的最低置信度。 　　关联规则挖掘过程主要包含两个阶段： 　　【一】：必须先从资料集合中找出所有的高频项目组（Frequent Item sets） 【若支持度大于等于所设定的最小支持度（Minimum Suppor