基于交叉销售模型的客户聚类研究

资料

１０８

福建电脑２００８年第４期

基于交叉销售模型的客户聚类研究

孙庆波１，孟

伟２，孙

宇３

（１．山东邹城兖州矿区职工大学计算机系山东济宁２７３５００

２．徐州市连心公用卡有限公司江苏徐州２２１０００３．徐州电子技术研究所江苏徐州２２１０００）

摘要】【：这篇文章在对关联分析的交叉销售模型进行分析的基础上，设计了一种基于客户聚类的交叉销售解决方案，即在构建的Ｃｕｓｔｏｍｅｒ－Ｉｔｅｍ矩阵的前提下对客户进行聚类，并计算用户交叉销售兴趣度，进而加深对于客户事务数据的分析，利于制定更加具有针对性的交叉销售策略。

关键词】【：数据挖掘；聚类；相异度；客户关系管理；交叉销售

０．引言

随着经济的全球化，企业面临着全球越来越激烈的市场竞

争。许多企业都开始尝试以业务流程为改造对象、以关心客户需求和提高客户满意度为目标、对现有的业务流程进行根本地再思考和彻底地再设计，利用先进的信息技术以及现代化的管理思想和方法、最大限度地实现技术上的功能集成和管理上的职能集成，建立全新的过程型组织结构，以实现企业经营在成本、质量、服务和速度等方面的巨大改善。而数据挖掘技术的发展和不断成熟为客户关系管理（ＣｕｓｔｏｍｅｒＲｅｌａｔｉｏｎｓｈｉｐＭａｎａｇｅｍｅｎｔ，简称ＣＲＭ）提供了新的发展空间。数据挖掘能够帮助企业确定客户的特点，确定了客户的特点，就能够为客户提供有针对性的服务。从而起到发掘潜在的客户群、提高市场活动的响应率、提高现有客户价值以及发现重要客户等作用。

目前针对交叉销售模型的解决方案是将客户购买事务记录进行关联分析，发现商品频繁项集，并生成关联规则，从而实现交叉销售策略支持。传统的关联规则分析只考虑到商品的频繁项集和由此生成的关联规则，并不考虑各种商品被购买的数量所能反映出的客观规律，本文设计了一种基于客户聚类的解决方案，通过分析客户购买事务记录，根据客户的购买模式将客户聚类，然后计算出各个客户聚类对于每种商品的兴趣度的大小，从而为交叉销售策略提供更加具有针对性的技术支持。并且当一个新客户出现时，计算他与各个客户聚类的距离，从而识别出他应该属于某个客户聚类，以便实施交叉销售。１．构建Ｃｕｓｔｏｍｅｒ－Ｉｔｅｍ矩阵

设共有ｎ种商品构成集合：Ｉｔｅｍ＝｛Ｉｔｅｍ１，Ｉｔｅｍ２…Ｉｔｅｍｎ｝；设有ｍ个客户，则构成客户集：Ｃｕｓｔｏｍｅｒ＝｛Ｃｕｓｔｏｍｅｒ１，Ｃｕｓ－ｔｏｍｅｒ２，…Ｃｕｓｔｏｍｅｒｍ｝。

客户购买事务记录被映射成为多维的商品购买向量，所以客户购买集合Ｔ可以用一个ｎ×ｍ的矩阵表示，其中每行表示客户购买的商品集合，每列表示购买该商品的客户集合，每个矩阵元素项ｔｉｊ表示客户对于商品的购买数量，当ｔｉｊ＝０时，表示客户没有购买商品。

设有如表１所示的客户购买事务记录：

２．客户相异度的计算

聚类是把整个数据对象的集合分成由类似的对象组合成的多个不同的群组，使得群组之间的数据差别尽量明显，而属于同一个群组内部的数据则尽量相似。显然，聚类与分类有一定的相似之处，但是与分类最大的不同是：在开始聚类之前并不知道要把数据分为几类，或者是不知道用什么样的属性变量进行划分；而在开始分类之前则已经非常明确了具体的分类类别，关键在于如何把一个数据样本划分到哪一类。

聚类增强了人们对客观现实的认识，是进行概念描述和偏差分析的先决条件，在ＣＲＭ中可以帮助市场分析人员将客户细分，化为多个客户群，并依据不同的客户群进行交叉销售。

在获得了客户的购买信息后，要分析客户之间的相异度，根据相异度对客户进行聚类。客户之间的相异度计算是客户聚类

曼哈坦的核心之一，相异度的度量方法典型的有欧几里德距离、

距离、明考斯基距离等。本文采用欧几里德（Ｅｕｃｌｉｄｅａｎ）距离的计算方法，计算上面Ｃｕｓｔｏｍｅｒ－Ｉｔｅｍ矩阵可得出客户相异度矩阵Ｄ７×７如下：

３．客户聚类

当得出客户相异度矩阵（距离矩阵）后，就可以开始对客户进行聚类了。聚类过程采用如下的一个新设计的算法来完成聚类功能。

基本的聚类思想是：确定一个距离阈值θ，如果ｄｉｊ小于这个距离θ，那么就将第ｉ个客户和第ｊ个客户划分为一类客户，从而得到客户的聚类。

聚类算法的核心代码实现如下：

输入：Ｃｕｓｔｏｍｅｒ＝｛Ｃｕｓｔｏｍｅｒ１，Ｃｕｓｔｏｍｅｒ２，…Ｃｕｓｔｏｍｅｒｍ｝，

Ｄｍ×ｍ

Ｂｅｇｉｎ

ＦｏｒＩ＝１ｔｏｍｄｏＢｅｇｉｎ

ａ［ｉ］＝Ｎｕｌｌ；／＊初始化＊／ａ［ｉ］＝Ｃｕｓｔｏｍｅｒ［ｉ］；Ｆｏｒｊ＝１ｔｏｍｄｏＢｅｇｉｎ

ＩｆＤ［ｉ］［ｊ］＜θｔｈｅｎ

值，将其归为一ａ［ｉ］＝ａ［ｉ］＋Ｃｕｓｔｏｍｅｒ［ｊ］／＊如果两个客户之间的距离小于θ

表１客户购买事务记录

因而得到如下的Ｃｕｓｔｏｍｅｒ－Ｉｔｅｍ矩阵Ｍ７×６：

类＊／ ÁÂÁÃÄÅ

Ｅｎｄ；ÅÆÁÆÇÃ

Ｅｎｄ； ÈÂÉÆÃÇ

ＦｏｒＩ＝１ｔｏｍｄｏÈÅÇÂÁ ＢｅｇｉｎÈÁÂÂÅ

ÂÄÈÅÉÈＩｆａ［ｉ］＜＞Ｎｕｌｌｔｈｅｎ

ÂÃÃÆÆÂＢｅｇｉｎ

／＊形成聚类结果＊／

资料

２００８年第４期福建电脑

１０９

Ｆｏｒｊ＝Ｉ＋１ｔｏｍｄｏ／＊向下寻找并删除相同集合＊／Ｂｅｇｉｎ

Ｉｆａ［ｉ］＝ａ［ｊ］ｔｈｅｎａ［ｊ］＝Ｎｕｌｌ；Ｅｎｄ；

ＣｕｓｔｏｍｅｒＪ＝ＣｕｓｔｏｍｅｒＪ＋ａ［ｉ］ＥｎｄＥｌｓｅ

Ｃｏｎｔｉｎｕｅ；

Ｅｎｄ；Ｅｎｄ；

计算兴趣度的核心算法的代码如下：

输入：Ｃｕｓｔｏｍｅｒ－Ｉｔｅｍ矩阵，客户聚类结果Ｃ，ＡＡｖｇＢｕｙＤｅ－ｇｒｅｅ，设共有ｚ个聚类

Ｂｅｇｉｎ

Ｆｏｒｉ＝１ｔｏｚｄｏＦｏｒｊ＝１ｔｏｎｄｏ／＊商品数目＊／Ｂｅｇｉｎ

ＦｏｒｅａｃｈｃｕｓｔｏｍｅｒｋＣｉｄｏ／＊计算同一聚类客户购买商品之和＊／

Ｉｎｔｅｒｅｓｔ（Ｃｉ，Ｉｔｅｍｊ）＝Ｉｎｔｅｒｅｓｔ（Ｃｉ，Ｉｔｅｍｊ）＋Ｍ［ｋ］［ｊ］Ｉｎｔｅｒｅｓｔ（Ｃｉ，Ｉｔｅｍｊ）＝Ｉｎｔｅｒｅｓｔ（Ｃｉ，Ｉｔｅｍｊ）＝ＥｎｄＥｎｄ

输出：客户聚类的集合ＣｕｓｔｏｍｅｒＪ

以上面的客户距离矩阵为例，用上述算法，假设θ＝５，最后可以得到用户聚类的结果为：

ＣｕｓｔｏｍｅｒＪ＝｛（Ｃｕｓｔｏｍｅｒｌ，Ｃｕｓｔｏｍｅｒ５，Ｃｕｓｔｏｍｅｒ７），（Ｃｕｓｔｏｍｅｒ２，Ｃｕｓｔｏｍｅｒ６），（Ｃｕｓｔｏｍｅｒ３，Ｃｕｓｔｏｍｅｒ４）｝。

选择不当的话可能会出现相交的情况，需当然这里如果θ

要重新选择阈值，阈值的选择需要经过多次的模拟试验，从而选择尝试确定最合适的阈值θ。这个算法对应于通常所使用的Ｋ均值算法或者Ｋ中心算法以及层次聚类算法的优点是不需要设定初始的Ｋ值，Ｋ值的取得往往具有很大的盲目性，而通过设定距离阈值θ，可以使得 …… 此处隐藏：1952字，全部文档内容请下载后查看。喜欢就下载吧 ……