向昆竹 黃凱 侯皓文

摘 要：在如今同質(zhì)產(chǎn)品的市場環(huán)境下，企業(yè)的市場競爭從產(chǎn)品質(zhì)量逐步向客戶滿意度轉(zhuǎn)變。企業(yè)通過客戶細(xì)分，以客戶類群為單位進(jìn)行針對(duì)性的產(chǎn)品銷售可以促進(jìn)提升產(chǎn)品在市場的競爭力。本文通過對(duì)客戶細(xì)分以及聚類分析的研究，運(yùn)用聚類分析中的K-Means算法來解決客戶細(xì)分問題。

關(guān)鍵詞：大數(shù)據(jù);機(jī)器學(xué)習(xí);數(shù)據(jù)挖掘;聚類;k-means算法

隨著經(jīng)濟(jì)的不斷發(fā)展，市場中的大量產(chǎn)品供大于需，不同企業(yè)生產(chǎn)的同類同質(zhì)產(chǎn)品不免會(huì)產(chǎn)生激烈的競爭。在這種市場環(huán)境下，企業(yè)若想提升產(chǎn)品競爭力，就需要施行有針對(duì)性的營銷策略，將客戶分而治之，將重點(diǎn)逐漸從產(chǎn)品質(zhì)量的競爭向不同客戶滿意度的競爭進(jìn)行轉(zhuǎn)變。

在大數(shù)據(jù)時(shí)代的當(dāng)下，數(shù)據(jù)不斷反映著我們?cè)谌粘Ｉ畹母鞣N信息。通過對(duì)大量數(shù)據(jù)的分析與處理，對(duì)數(shù)據(jù)進(jìn)行統(tǒng)一標(biāo)準(zhǔn)、屬性篩選從而獲取有用的信息。在如今的電子商務(wù)中，使用聚類的分析方法可以將客戶進(jìn)行細(xì)分，企業(yè)則可以將已經(jīng)細(xì)分的客戶類群作為銷售的單位，提供更有針對(duì)性的產(chǎn)品與服務(wù)，從而提升企業(yè)銷售的競爭性。

1 客戶細(xì)分

1.1 客戶細(xì)分概念

客戶細(xì)分是指企業(yè)根據(jù)客戶的屬性、行為、需求、偏好以及價(jià)值等因素，尋求客戶之間的共性特征，從而對(duì)客戶進(jìn)行與歸類。

1.2 客戶細(xì)分原因與做法

在信息快速流通的時(shí)代，企業(yè)與客戶之間的關(guān)系也不斷發(fā)生著變化。當(dāng)企業(yè)在沒有針對(duì)性的營銷時(shí)，通常會(huì)因?yàn)槠髽I(yè)產(chǎn)品與一類或多類客戶需求之間的不匹配，造成該一類或多類客戶的流失。若企業(yè)想要提升自己的產(chǎn)品競爭性，就必須要了解客戶的需求，施行有針對(duì)的銷售。然而，有些產(chǎn)品若施行一對(duì)一的銷售會(huì)使銷售成本加大，從而也會(huì)影響銷售額。若將客戶的不同信息進(jìn)行篩選分析，從而將其進(jìn)行分類，對(duì)細(xì)分后的客戶類進(jìn)行多樣化具有針對(duì)性的銷售，則會(huì)達(dá)到事半功倍的效果。

在客戶細(xì)分中，不同方向劃分類別的做法也不盡相同。一般可以從不同的業(yè)務(wù)場景以及客戶關(guān)注的不同特征出發(fā)，結(jié)合企業(yè)自身實(shí)力的有限資源來進(jìn)行細(xì)分。常用的參考種類有：消費(fèi)行為、消費(fèi)水平、客戶年齡段、消費(fèi)偏好等以及基于這些種類的多類組合。

消費(fèi)行為：根據(jù)客戶的消費(fèi)頻次、最近消費(fèi)時(shí)間、平均消費(fèi)金額等方面進(jìn)行分析，可以對(duì)客戶評(píng)級(jí)，判斷客戶的價(jià)值。

消費(fèi)水平：按消費(fèi)水平劃分，對(duì)不同消費(fèi)水平的客戶提供不同的產(chǎn)品與服務(wù)。如會(huì)員卡分級(jí)策略。

客戶年齡段：客戶年齡段不同，客戶的消費(fèi)理念、產(chǎn)品需求也會(huì)不同。企業(yè)可以根據(jù)不同年齡段推薦不同的產(chǎn)品與服務(wù)。

消費(fèi)偏好：根據(jù)客戶的消費(fèi)習(xí)慣、生活方式、消費(fèi)場所等各方面的不同，從而整理出生活形態(tài)類似的客戶群，給客戶標(biāo)上不同的標(biāo)簽，從而推薦不同的產(chǎn)品與服務(wù)。如RFM模型。其中R、F、M分別指最近一次消費(fèi)、消費(fèi)頻次以及每筆平均消費(fèi)金額。

多類組合：多方面綜合分析客戶的屬性。

2 聚類分析

聚類是數(shù)據(jù)挖掘的最基本方法，一般在無目標(biāo)劃分中采用。通過聚類，從而將數(shù)據(jù)的組群分類標(biāo)簽化。其中要根據(jù)最大化類內(nèi)相似性（分類后盡可能保證同類內(nèi)有較高的相似性）、最小化類間相似性（分類后盡可能保證不同類之間有較低的相似性）原則進(jìn)行聚類與分組。

聚類的主要方法分為動(dòng)態(tài)聚類和層次聚類。

K-means算法是動(dòng)態(tài)聚類中的常用算法之一。該算法簡單且結(jié)果直觀，適合對(duì)多維數(shù)據(jù)進(jìn)行聚類，但是僅適用于連續(xù)的變量，當(dāng)初始值與K值不同時(shí)結(jié)果也會(huì)不同。且結(jié)果無最優(yōu)解。

譜系聚類（hierarchical clustering）是層次聚類中經(jīng)典的方法。因?yàn)槠淇梢曅詮?qiáng)的特點(diǎn)，通過不同公式與算法的多次計(jì)算，并根據(jù)實(shí)際業(yè)務(wù)分析可以得到最理想的分類。但是當(dāng)分析的樣本容量很大時(shí)，會(huì)消耗巨大的資源。因此譜系聚類較適合小樣本使用。

3 K-means算法在客戶細(xì)分的應(yīng)用

3.1 K-means算法基本步驟

（1）選擇類群的K個(gè)值作為初始的聚類中心。

（2）計(jì)算每個(gè)數(shù)據(jù)到K個(gè)聚類中心的距離，并且按照其最小距離將每個(gè)數(shù)據(jù)分配到對(duì)應(yīng)最近的類，形成K個(gè)類。

（3）計(jì)算分類后的均值或者重心作為新的聚類中心，重新計(jì)算每個(gè)數(shù)據(jù)到K個(gè)聚類中心的距離，并將每個(gè)數(shù)據(jù)分配給對(duì)應(yīng)最近的類。

（4）不斷重復(fù)（2）、（3），直到前后計(jì)算的聚類中心不發(fā)生明顯的變化為止。

3.2 在客戶細(xì)分中的應(yīng)用

客戶細(xì)分應(yīng)用的數(shù)據(jù)來源來自于某市某銀行2018年客戶交易數(shù)據(jù)，針對(duì)銀行客戶信息數(shù)據(jù)量大，采用K-means算法較適合。銀行客戶的分組應(yīng)結(jié)合業(yè)務(wù)經(jīng)驗(yàn)依據(jù)多類組合來施行。

異常處理：通過數(shù)據(jù)清洗，將數(shù)據(jù)中的異常值進(jìn)行去除與代替。本實(shí)例使用99分位點(diǎn)法對(duì)數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗。

相關(guān)降維分析：由于數(shù)據(jù)量大，對(duì)數(shù)據(jù)之間相關(guān)性強(qiáng)的變量進(jìn)行降維，從而降低數(shù)據(jù)之間的相關(guān)性。

數(shù)據(jù)標(biāo)準(zhǔn)化：將數(shù)據(jù)轉(zhuǎn)換為各種適當(dāng)?shù)母袷?，獲取需要的指標(biāo)。本實(shí)例抽取交易次數(shù)、平均月交易金額為主要標(biāo)準(zhǔn)數(shù)據(jù)指標(biāo)構(gòu)造。

聚類分析：本實(shí)例隨機(jī)抽取3000名客戶數(shù)據(jù)，通過分析將K設(shè)為6，經(jīng)過 K-means算法實(shí)驗(yàn)，得到如下表所示聚類結(jié)果。

從聚類結(jié)果來看，A、B、F類客戶數(shù)量占比少，其中A類客戶月交易額大，交易次數(shù)頻繁，是銀行的重要價(jià)值客戶;B類客戶交易次數(shù)少，交易額低，是重要的發(fā)展客戶;F類客戶，交易次數(shù)不頻繁但交易額大，屬于銀行的潛力客戶。C、D、E類客戶數(shù)量占比較大，其中C類客戶月交易資金較大，交易次數(shù)較頻繁，屬于較重要的價(jià)值客戶;D類客戶數(shù)量大，交易次數(shù)略低，交易金額處于中等水平，屬于重要發(fā)展客戶;E類客戶數(shù)量最大，交易次數(shù)頻繁，月交易額較低，屬于一般價(jià)值客戶。針對(duì)不同類別的客戶，銀行就可以推薦不同的產(chǎn)品以及服務(wù)。例如針對(duì)F類用戶，銀行可以推薦定期存款或其他適合理財(cái)產(chǎn)品。

4 結(jié)語

在聚類分析中，K-Means算法是最常用且應(yīng)用最廣泛的算法之一，K-means算法簡單，對(duì)計(jì)算機(jī)性能要求不高，因此適合大量數(shù)據(jù)樣本的聚類。該算法運(yùn)用迭代的方式使不同類間的距離達(dá)到最優(yōu)，最終得到聚類中心（類內(nèi)某一特征的均值）。通過K-means算法對(duì)企業(yè)中客戶進(jìn)行細(xì)分，便于企業(yè)針對(duì)不同客戶推薦不同的產(chǎn)品與服務(wù)。這樣不僅促進(jìn)了企業(yè)的產(chǎn)品競爭力，而且使客戶擁有更好的產(chǎn)品體驗(yàn)。

參考文獻(xiàn)：

[1]Jiawei Han，Micheline Kamber，Jian Pei.數(shù)據(jù)挖掘概念與技術(shù)[M].第三版.北京：機(jī)械工業(yè)出版社，2012-07.

[2]張建萍，劉希亞.基于聚類分析的K-means算法研究與應(yīng)用[J].計(jì)算機(jī)應(yīng)用研究，2007-05.

[3]李鑫鑫.聚類算法在電子商務(wù)客戶細(xì)分中的應(yīng)用研究[J].中國海洋大學(xué)，2012.

[4]王麗萍，劉建平.基于密度的K-Means算法在客戶細(xì)分中應(yīng)用的研究[J].工業(yè)控制計(jì)算機(jī)，2016-05-26.

作者簡介：向昆竹（1998-），男，漢族，河南信陽人，2016級(jí)本科生在讀，主要研究方向：網(wǎng)絡(luò)工程;侯皓文（1998-），男，漢族，河南信陽人，2016級(jí)本科生在讀，主要研究方向：軟件工程。

通訊作者：黃凱（1997-），男，河南南陽人，2016級(jí)本科生在讀，主要研究方向：網(wǎng)絡(luò)工程。