鄭博

摘要：大數(shù)據(jù)時代下，企業(yè)營銷焦點從產品中心轉變?yōu)榭蛻糁行模蛻絷P系管理成為企業(yè)核心問題。本文利用K-Means聚類方法對客戶分類，針對不同客戶的特征采取不同的營銷策略，實現(xiàn)企業(yè)利潤最大化。

關鍵詞：K-Means聚類;客戶分類

Abstract：In the era of big data，the focus of enterprise marketing has changed from product center to customer center，and customer relationship management has become the core issue of enterprises. In this paper，K-means clustering method is used to classify customers，and different marketing strategies are adopted according to the characteristics of different customers to maximize the profits of enterprises.

Key words：K-Means cluster;Customer classification

一、引言

在大數(shù)據(jù)時代，客戶關系管理對一個企業(yè)來說越來越重要，而客戶分類又是客戶關系管理中的關鍵問題。面對激烈的市場競爭，嘗試對客戶進行分類，了解不同類型的客戶特征，以便可以向營銷團隊提供意見，針對不同的客戶類別制定不同的營銷策略，實現(xiàn)精準營銷，有助于實現(xiàn)公司利潤目標的最大化。

二、問題分析

由于客戶沒有類別屬性，所以對客戶分類是一個無監(jiān)督學習的任務，對此，我們可以對客戶進行K-Means聚類，根據(jù)聚類結果來判別客戶的類型。本文基于客戶信息的年齡、年收入和消費積分數(shù)據(jù)來進行案例分析。在做K-Means聚類分析之前，本文利用直方圖可視化分析客戶的年齡、年收入、消費積分的特征分布，有助于了解客戶特征。

三、K-Means聚類介紹

K-Means是一種基于距離的聚類算法，其算法過程如下：

1）隨機選取K個樣本對象作為初始的聚類中心點。

2）計算各樣本與每個中心點的距離，并將樣本劃分到距離最近的中心點所在簇。

3）樣本劃分完成后，計算每簇樣本坐標的均值，并以此為新的中心點。

4）重新計算各樣本與每個中心點的距離，若存在樣本所屬簇發(fā)生變化則轉2），否則轉5）。

5）當所有樣本所屬簇不再發(fā)生變化時停止并輸出聚類結果。

四、客戶基本信息特征分析

對企業(yè)客戶的年齡、年收入、消費積分做直方圖有：

由圖可見，年齡上，客戶主要集中在20-50歲左右，其中30-40歲年齡段人數(shù)最多，反映出中青年為主要客戶來源。年收入方面，客戶大多處于40-80千元段，年收入超過80千元后，客戶數(shù)急劇減少?？蛻粝M積分主要集中在40-60積分段。

五、建立K-Means聚類模型及可視化

首先對數(shù)據(jù)做標準化處理，再利用Calinski-Harabaz指數(shù)輔助確定聚類的K值取6。利用Python建立K-Means聚類模型，對模型結果做雷達圖有：

圖中Age為年齡，Annual_Income為年收入，Spending_Score為消費積分。

可以看出6類的數(shù)據(jù)特征依次為：第一類客戶：青年人、低收入、高消費。第二類客戶：中年人、低收入、低消費。第三類客戶：青年人、高收入、高消費。第四類客戶：青年人、中等收入、中等消費。第五類客戶：中老年人、中等收入、中等消費。第六類客戶：中年人、高收入、低消費。

六、分析建議

可以看出對于青年人，其消費水平高，但仍有部分中等消費水平的青年人可待挖掘消費潛力。對此可以針對第四類客戶，進一步深入分析，探索這部分客戶的消費需要，完善企業(yè)的產品種類。

對于中年人不論收入高低，其消費水平均偏低，消費潛力沒有被開發(fā)出來?？梢娖髽I(yè)產品對于中年人吸引力低，對此研究中年人的客戶需求，開發(fā)相關產品可以彌補企業(yè)對該客戶群體消費的缺失。