数据挖掘在物流客户细分中应用.docVIP

数据挖掘在物流客户细分中应用 　　摘要：针对物流客户细分的目标，对客户信息挖掘的需求，从数据挖掘的定义出发，介绍了物流客户细分中数据挖掘的目标以及相应的挖掘流程。为了进一步说明，以某批发商客户数据作为挖掘对象，利用数据挖掘软件SPSS Clementine，建立K-means模型进行了聚类分析，得到挖掘结果。最后对挖掘结果进行分析，完成了该批发商的客户细分。 　　关键词：数据挖掘；SPSS Clementine；客户细分 　　中图分类号：F25 　　文献标识码：A 　　文章编号2015 　　1引言 　　随着计算机网络技术和数据库技术的迅速发展，信息化时代的来临，物流企业不能只依靠谁的仓库面积大，谁拥有的车辆船舶多来吸引客户，而必须清楚知道客户的需求，针对客户的需求提供让客户满意的客户才能在留住老客户的同时，吸引并发展更多的新用户。面对大量繁杂冗余的客户数据和信息，怎么才能找出真正有用的信息，挖掘出客户的需求。这是依靠传统方法所不能解决的问题。 　　近年来，数据挖掘作为一种有效的工具，在信息处理方面有着巨大的发展，本文将介绍数据挖掘在物流客户细分中的应用。 　　2客户细分数据挖掘简述 　　2.1数据挖掘 　　数据挖掘是从大量的、有噪声的、不完全的、模糊的、随机的实际应用数据中提取有效的、新颖的、潜在有用的知识的非平凡过程。数据挖掘又称作知识发现，由此可见，它并不是创造信息，而是在已有的数据和信息的基础上发现对决策分析有用的信息。由于数据挖掘处理海量数据发现有用信息方面有着得天独厚的优势，无疑数据挖掘能对物流中的客户管理提供强有力的支持和帮助。在本篇文章中，主要应用数据挖掘高度自动化地分析客户数据，对客户进行细分，从中挖掘出不同地区不同客户的需求特点，以便物流企业关注相关客户和货源的同时，对改进营销策略和客户管理策略提供帮助。 　　2.2客户细分 　　客户细分就是根据客户的属性、行为、需求、偏好以及价值等因素进行分类，把一个整体的客户群以相应的变量划分为不同的等级或子群体，以便从中寻找共同的要素，分门别类地研究客户行为与需求，并进行有效的客户管理，从而为企业充分获取客户价值提供理论和方法指导。数据挖掘可以把企业大量的客户以各自属性为基础分成不同的类。此外，数据挖掘还可以对新客户的各项属性进行类比和评分，以确定新客户是属于一般、目标、还是重点客户。 　　2.3物流客户细分中数据挖掘的任务 　　数据挖掘的主要任务主要有分类分析、聚类分析、关联分析、预测、时序模式、偏差分析等。而在物流客户细分中的任务主要有以下几个。 　　（1）分类分析。 　　物流客户数据存在不同的类型，如企业的性质、地域、服务需求种类、服务方式、服务频率等不同的属性。分类分析将对这些数据进行内在联系的分析，找出一个类别的概念描述，来代表这类数据的整体信息。如表1所示。分类分析的结果可进一步被用于规则的描述和相关的预测。 　　（2）聚类分析。 　　由于后文的案例与聚类分析相关，此部分内容将在后文详细介绍。 　　（3）关联分析。 　　关联就是两个或两个以上变量的取值之间存在某种规律性。关联分析即是通过一定的方法，发现数据项与属性之间的关联。比如在大量的物流客户数据中可能存在着某种规律与联系，我们可以将客户的地区与服务种类、货源等属性进行关联分析，得到某地的货源与某地区的客户有着特殊的关联。或者将客户与服务种类、服务频率等属性进行关联分析，得到客户需求服务的趋势走向，以便制定更适宜的客户策略。 　　（4）预测。 　　预测是利用历史数据找出变化规律，建立模型，并由此模型对未来数据的种类及特征进行预测。预测关心的是精度和不确定性，通常用预测方差来度量。历史的数据用于构造模型，来解释当前观察到的行为。当这个模型应用到当前的输入，给出的结果就是对未来的行为的预测。比如说通过对新客户和老客户的各种数据的对比和分析，我们可以预测该新客户对物流企业的重要程度，是一般客户、目标客户还是重点客户。 　　3物流客户细分数据挖掘流程 　　因为不同领域不同行业具体情况的不同，数据挖掘的任务、需要解决的问题以及对象的不同，数据挖掘的具体实施步骤也会有所不同。由于物流客户的数据作为一种普遍的客户数据调查样本，本文将介绍跨行业数据挖掘标准流程（Cross-Industry Standard Process for Data Mining，CRISP-DM）。它提纲挈领地描述了数据挖掘的完整过程，提供了物流客户数据挖掘的方法和步骤。其主要过程为：商业理解、数据理解、数据准备、模型建立、模型评估、模型部署。 　　（1）行业理解（Business Understanding）。 　　在数据挖掘的最开始阶段，我们必须明