基于Kmeans算法的客户分群模型构建与应用.docVIP

基于K-means算法的客户分群模型构建与应用 尹玉芬 （广东电网有限责任公司东莞供电局广东东莞523008） 随着客户对供电服务的要求不断提升，供电企业有必要进行客户分群， 实施差异化服务。基于数据挖掘的聚类分析，从客户行为特征、价值特征、需求 特征三个维度，利用K-means算法构建了价值贡献度的客户分群模型，能够较好 地满足供电企业客户分群的需求。通过甄別出不同价值贡献度的客户群体，合理 分 源，制定合适的经营策略，提升企业的竞争力和经济效益。 关键词：客户分群；数据挖掘；聚类分析；K-means算法；价值贡献度 0引言 随着经济的发展，电力市场的逐步开放，客户对电力产品及服务要求不断提 高，企业需要持续提高客户满意度，实现差异化服务的前提和基础是进行客户细 分管理［1］。文献［2】指岀，客户分群是基于现有客户服务数据资源，有效利用决 策支持平台，按照客户价值、客户行为及客户需求进行客户细分，并作为制定客 户营销服务策略的依据。帕累托法则（二八定律）表明，一个企业80%的利润来 自它20%的客户。供电企业如何维持与20%价值贡献度高的客户良好的关系，提 升企业的竞争力和经济效益，因此利用数据挖掘方法对客广进行细分是具有应用 价值的研究。 参考数据挖掘技术在客户分群中运用，文献［3］利用基于群体智能的聚 类方法对客户行为进行分析，采用递归算法收集聚类效果，以获得不同消费特征 的客户群体。文献［4］利用模糊C均值聚类算法作为客户聚类的方法，为客户分 群的特征分析提供了量化依据，并获得较为满意的客户聚类结果。文献［5］利用 基于密度的聚类方法，以获取高端消费模式的客户特征，为其提供满意的产品和 服务。 目前，供电企业对电力客户的数据运用，局限于简单的数据记录和单一维度 的比较，缺乏深层次、多维度数据结合的分析；企业内部管理，更多的是根据经 验判断，缺乏科学的依据和算法，未能反映客户的正真需求［6】。因此，本文从 行为特征、价值特征、需求特征三个维度构建电力客户分群模型，突出客户的多 维度属性，运用K-means算法，挖掘客户数据背后的规律和要求，并以某供电企 业的客户数据为例进行实证分析。 1客户分群建模 1.1客户分群维度 客户价值，主要分为当前价值和潜在价值两类。其中，当前价值主要反映客 户目前对于企业收益的价值大小；潜在价值主要反映客户未来的发展状况对于企 业收益的影响大小。 客户行为，主要分为用电行为和交互行为两类。其中，用电行为主要反映客 户在用电过程中的行为特征与偏好；交互行为主要反映客户与供电企业在业务往 来和沟通交流过程中的行为特征与偏好。 客户需求，主要分为基本型需求、期望型需求和兴奋型需求三类。其中，基 本型需求反映客户对于电力产品和服务的基本要求；期望型需求反映客户对于优 质电力产品和服务的要求；兴奋型需求反映令客户意想不到的电力产品和客户服 务特征。 1.2客户分群特征指标 结合供电企业的实际运营和营销信息系统数据记录的情况，进一步选定合适 的指标作为建模需要的变量，综合 ［7, 8, 9］，共选取36个字段用于建 模。评价指标的选取如表1所示。 表1客户特征指标 2基于K-means聚类算法的客户分群建模 2.1K-means聚类算法 图1使用K-means算法聚类对象集 对存在于营销信息管理系统海量的电力客户数据进行分析，应用多字段数据， 挖掘数据规律，刻画不同的消费群体的特征，根据需求相似原则对客户实施细分， 因此选择使用K-means聚类算法进行分类。 K-means聚类算法由Mac Q首先提出，把n个对象分为k个簇，以使簇内具 有较高的相似度。相似度的计算根据一个簇中对象的平均值来进行。K-means算 法采用迭代更新的思想，首先随机地选择k个对象，每个对象代表一个簇的初值 均值或中心。对剩下的每个对簇，根据其与各个簇中心的欧氏距离，将它分配到 最相似的簇，然后K-means算法迭代地改善簇内变差。对于每个簇，它使用上次 迭代分配到该簇的对象，计算新的均值，然后使用更新后的均值作为新的簇中心， 重新分配所有对象。迭代继续，直到分配稳定，即本轮形成的簇与前一轮形成的 簇相同。迭代使得选取的聚类中心越来越接近真实的簇中心，所以聚类效果越来 越好，最后把所有对象划分为k个簇［10】。 K-means算法的具体步骤： 输入：聚类个数k和包含n个对象的数据集)(=卜1，x2，……，xn｝， 输出：k个簇｛SI, S2，……，Sk｝,使目标函数最小。 选取聚类个数k; 从数据集中随机选定k个对象作为初始聚类中心cl, c2,……ck； 逐个将对象xi (i=l,2,……，n)按欧氏距离分配给距离最近的一个聚 类中心 cj, llt;jlt;k, 其中m是数据属性的个数； 计算各个聚类新的中心cj， cj