基于交叉销售模型的客户聚类研究(2)

表示的是类Ｃｉ中客户对于商品Ｉｔｅｍｊ的平均购买度（ＣＡｖｇＢｕｙ－掘的一般原理与针对特定应用领域需要的有效数据挖掘工具之Ｄｅｇｒｅｅ），｜Ｃｉ｜表示的是客户聚类Ｃｉ中客户的数目，表示的是聚类间，还存在不小的距离，将有大量的问题有待提出，而对已经提中某客户购买的商品Ｉｔｅｍｊ的数量；某些商品在某个客户聚类中出的问题的解决方案尚有探讨的余地。未来还有更多的工作需的平均购买度可能不是很高，但是如果这种商品在全体客户中要开展，包括对于算法的研究都有待进一步深入探讨。的平均购买度比较高，则表明该商品经常被大多数的客户购买，这也是一个很重要不能忽略的信息。参考文献：

1

m

∑

Á

w(itemj,customeri)

陈宁、周龙骧．数据挖掘技术及应用［Ｍ］．北京：科学出版社，２００６．１．陈安、

梁静国．基于模糊聚类的客户分类应用研究［Ｊ］．物流科技，２００５，３．宋艳、

（０１）．

高慈．基于客户价值评价的核心客户识别研究［Ｊ］，２００６，（０４）．４．汪波、

５．黄莹．基于关系营销的市场细分变量研究［Ｄ］．吉林大学，２００７．

蔡淑琴．分析客户交叉销售能力的方法［Ｊ］．商场现代化，２００７，６．刘朝华、

（２２）．

７．刘才果．基于数据挖掘技术的客户关系管理系统研究与开发［Ｄ］．重庆大学，２００６

蔡鹭新．交叉销售提升客户忠诚度［Ｊ］．企业管理，２００４，（１０）８．吕巍、

Â=王伯良．客户关系的聚类分析［Ｊ］．科技创业月刊，２００７，（１）．２．张丽娟、

就是反映了商品在全体客户中的平均购买度这一指标（ＡＡｖｇ－

ＢｕｙＤｅｇｒｅｅ），通过这两个指标的加权计算从而可以更加客观地计算出客户聚类对于每种商品的兴趣度。

根据上述公式计算出每种商品对于该客户聚类的兴趣度Ｉｎｔｅｒｅｓｔ（Ｃｉ，ｉｔｅｍｊ），可以认为这个聚类中具有较高兴趣度的那些商品对客户有吸引力，交叉销售的成功率将是比较大的。

根据上文中给出的Ｃｕｓｔｏｍｅｒ－Ｉｔｅｍ矩阵，我们可以首先计算出每种商品的在全体客户中的平均购买度（ＡＡｖｇＢｕｙＤｅｇｒｅｅ），如下表６－５所示：

表６－５商品平均购买度表