快速聚类分析算法在CRM中客户定位的应用.docx

快速聚类分析算法在CRM中客户定位的应用.docx

快速聚类分析算法在CRM中客户定位的应用

第6卷第3期2006年9月

温州职业技术学院学报

JournalofWenzhouVocational&TechnicalCollege

Vol.6No.3Sep.2006

快速聚类分析算法在CRM中客户定位的应用

2006-04-11

范潇允（1981—

女,辽宁抚顺人,辽宁石化职业技术学院计算机系讲师.[收稿日期][作者简介]范潇允

（辽宁石化职业技术学院计算机系,辽宁锦州

121000

[摘　　要]　客户关系管理是一个以客户为中心保持企业与客户互动的过程。

把聚类分析用于客户关系管理,可以使得本企业更有针对性地与客户保持良好的关系。

聚类分析算法可以用于客户关系管理的决策支持系统中。

[关键词]　聚类分析;客户关系管理（CRM;欧式距离[中图分类号]　TP391.77

[文献标识码]　A

[文章编号]　1671-4326（200603-0030-03

利率。

为实现目标,一个核心的问题就是如何将客户进行分类管理,解决这个问题的办法就是在企业实施客户关系管理（CRM,在这种时代背景下,CRM便孕育而生了。

1客户划分是CRM中的首要问题

一个企业在经营策划时要非常明确以下问题:

销

售对象是哪个客户层?

哪些客户需要这样的产品?

是否考虑了客户生命周期?

是否建立了以客户需求为导向的客户关系?

谁是公司最有价值的客户?

要回答和解决以上问题,首要任务就是综合各种数据,从不同角度对客户进行分群、分组划分。

面对客户群如何进行划分?

分到什么程度?

传统的做法有以下两种:

一是根据客户交易过程中的不同变量确定一个门限值,对实际数据作简单判别,从而划分出不同的组（簇。

如当某一客户单次交易额达到5万元时则把他划分为“金牌客户”,达到4万元时就

FANXiao-yun

（ComputerScienceDepartment,LiaoningVocationalandTechnicalCollegeofPetrochemical,Jinzhou,121000,ChinaTheApplicationofRapidClusterAnalysisAlgorithmto

CustomerOrientationinCRM

Abstract:

CustomerRelationshipManagementisaprocessthatiscustomer-centeredandmaintainsthe

interactionbetweentheenterprisesandthecustomers.ApplyingtheclusteranalysisalgorithmtotheCustomerRelationshipManagementcanhelptheenterprisestobemorepurposefulandkeepabetterrelationwithcustomers.TheclusteranalysisalgorithmcanbeusedforthedecisionsupportsystemoftheCustomerRelationshipManage-ment.

Keywords:

Clusteranalysis;CRM（CustomerRelationshipManagement;Euciolidiamdistance

0引　言

企业的经营理念已经从“以产品为中心”转变为

“以客户为中心”。

持续与消费者建立良好的互动关系,让客户的满意度、忠诚度维持于标准之上,建立忠诚客户群,将成为企业持续获利的原动力。

过去企业注重的是市场占有率,现在转变为争取对客户的终身占有率。

这些变化给企业带来了新的机遇和挑战,同时也给企业带来了前所未有的压力。

尽管个性化的消费需求迫使企业尽最大的努力满足所有客户的各种要求,但实际上没有任何一家企业能够做到这一点。

也就是说,企业为了生存和发展只能优先满足能够给予自己带来重大盈利的客户群体的消费需求。

为了实现这样的目标,企业可通过建立完整的客户数据、量身订制的产品及服务、有效的管理来建立以客户为中心的组织,去了解客户生命周期、掌握最有价值的客户及其需求、发展以个人财务需求为导向的销售模式,最终达到提高客户满意度,并提升企业的竞争力与获

第6卷第3期31

d（xi,x

j

=∑（x

ik

-xjkk=1

p

122

把他划分为“银牌客户”等。

二是凭借经营管理者的经验依据各种关系来对客户进行分群。

如接到一批银行或政府部门的订单,虽然总金额不多,而且对方的款项也不能马上到位,但仍把这样的客户列为重要客户或重点客户。

这两种传统的做法适用于小规模、客户少的情形,尤其是在市场经济不太规范时,可以起到计算机以及复杂算法无法达到的效果。

但当企业经营规模不断扩大、客户数量不断增多,特别是面对错综复杂的客户信息以及客户各种各样的消费习惯、消费意识和消费行为时,就必须利用现代化的信息技术和人工智能的手段,如“数据仓库”（Data　　　Warehouse、“数据市场”（Data　Mart、“数据挖掘”（Data　Mining、“在线分析”（OLAP等来处理这些大量而复杂的客户数据。

面对在交易过程中收集到的大量的错综复杂的客户信息,应建立完整的客户数据库,如客户的基本数据、客户交易数据、客户服务数据、活动响应数据及其它相关的互动记录等,然后分析整体数据,寻找客户交易的轨迹,挖掘他们的内在需求,找出与客户有关的各种趋势,进而预测客户的购买偏好,达到促进购买的目的。

通过聚类分析可以实现上述目的。

聚类分析是一个非常实用、方便、有效的划分方法,它可以帮助市场人员发现客户群中所存在的不同特征的组群,并可以利用购买模式来描述这些具有不同特征的顾客组群。

同时,对客户进行聚类和分组可以帮助企业有策略地制定市场营销计划,选择营销渠道及策划广告,以达到改善客户关系并对将来的趋势和行为进行预测,支持企业决策。

聚类分析作为数据挖掘的方法之一,非常适合基于数值型的数据挖掘和算法实现,由于其建立模型和评价模型的快速性,特别是对于多变量高维空间的数据对象聚类的方便性,所以,在市场营销和客户关系管理中有广阔的市场和前景。

2快速聚类分析算法在CRM中客户定位的具体应用聚类是一个将数据集划分为若干组或类的过程,并使得同一个组内的数据对象具有较高的相似度,而不同组内的数据对象则是不相似的。

一个聚类就是由彼此相似的一组对象所构成的集合,不同聚类中的对象通常是不相似的。

相似或不相似的度量是基于数据对象描述属性的取值来确定的。

聚类分析依赖于对观测点间的接近程度（距离或相似程度的理解,定义不同的距离量度和相似性量度就可以产生不同的聚类结果。

聚类分析法很多,本文主要应用快速聚类分析算法。

以下采用快速聚类分析算法对业务目标样本数进行聚类。

多元数据形成数据矩阵（见表1。

在这个数据矩阵中,共有n个样品x

1

x

2

…,x

n

（列向,p个指标（行向。

聚类分析有两种类型:

按样品聚类或按变量（指标聚类。

其中d

ij

=　d

ji　

。

1.2快速聚类分析算法的具体应用

其实现步骤为:

（1随机选择聚类种子点或中心点;

（2将每个观察样本分配给最近的种子;

（3重新把每个聚集中的中心点作为种子;

（4不断重复上述过程直到种子的变化足够小为止。

聚类分析算法的基本思想是在样品之间定义距离,在变量之间定义相似系数,距离或相似系数代表样品或变量之间的相似程度。

按相似程度的大小,将样品（或变量逐一归类,关系密切的类聚集到一个小的分类单位,然后逐步扩大,使得关系疏远的聚合到一个大的分类单位,直到所有的样品（或变量都聚集完毕,形成一个表示亲疏关系的谱系图,依次按照某些要求对样品（或变量进行分类。

1.1样品间的相似性度量——距离

设有n个样品的多元观测数据:

x

i

=（x

i1

x

i2

…,x

ip

T,　i=1,2,…,n

这时,每个样品可看成p元空间的一个点,n个样品组成p元空间的n个点。

用各点之间的距离来衡量各样品之间的相似性程度（或靠近程度。

设d（x

i

x

j

是样品　x

i

及x

j

之间的距离,一般要求它满足下列条件:

（1d（x

i

x

j

≥0,且d（x

i

x

j

=0,当且仅当xi

=xj;

（2d（x

i

x

j

=　d（x

j

x

i

;

（3d（x

i

x

j

≤d（x

j

x

k

　+d（x

k

x

j

。

在聚类分析中,有些距离不满足（3,在广义的角度上仍称它为距离。

欧氏距离函数如下:

令d

ij

=d（x

i

x

j

　,D=（d

ij

p×p

形成一个距离矩阵:

表1数据矩阵

1

x

2

M

x

p

11

x

12

M

x

1p

21

x

22

M

x

2p

…

…

j1

x

j2

M

x

jp

…

…

n1xn2Mxnp

d

21

M

d

n1

d

12

M

d

n2

d

1n

d

2n

M

M

M

O

M

范潇允:

快速聚类分析算法在CRM中客户定位的应用

2006年9月32温州职业技术学院学报

本例应用中,与本公司有较大业务联系的客户有

20家,他们近三年与本公司的交易额分别为2003年

X1、2004年X

2

、2005年X

3

和预计将来业务额X

4

详细

数据见表2。

采用欧氏距离函数,将这20家客户组成的客户群的业务量按快速聚类分析算法分为四类。

表2客户交易额量化情况

公司号x1（万元x

2

（万元x

3

（万元x

4

（万元

1234567891011121314151617181920

18.27

22.22

17.16

17.38

20.41

15.80

18.65

20.84

16.17

15.47

16.41

17.68

17.86

12.06

21.93

14.31

16.33

19.75

12.80

22.51

50.48

60.77

45.09

48.45

56.86

41.34

52.80

59.99

49.18

42.56

50.33

41.51

52.02

26.66

61.04

39.54

36.94

52.16

34.92

59.31

9.99

11.70

10.32

8.95

11.40

10.18

9.44

11.61

8.27

9.17

9.22

8.87

10.10

8.00

11.81

8.39

7.40

9.02

9.24

10.65

78.7494.7072.5674.7888.6767.3280.8992.4473.6267.2075.9668.0679.9846.7294.7862.2460.6780.9356.9692.47此例样品有20个,这里采用快速聚类分析算法,

由proc　fastclus过程计算得到以下结果。

假定分四类,初始聚点是:

（21.93,61.04,11.81,94.78T

（12.06,26.66,8.00,46.72T

（15.47,42.66,9.17,67.20T

（18.27,50.48,9.99,78.74T

它们对应的公司号分别是15、14、10、1。

将样品数据代入欧式距离函数:

d（x

i

x

j

=∑（x

ik

-x

jk

k=1

p

1

2

2

得出聚类结果（见表3。

表3　　20个客户分四类的结果

第一类第二类第三类第四类公司号

频数

258

1520

　　5

13479

111318

　　　　8

61012

1617

　　　5

14192从聚类的情况具体分析,第一类是价值最高的客户,有5家;第二类是价值较高的客户,有8家;第三类是价值偏低的客户,有5家;第四类是价值很低的客户,有2家。

聚类的情况见表4。

类间的距离有助于分析类间的近似程度,如第二类与第三类的距离最小,为15.60,所以第二类与第三类最相似。

3　结束语

本文采用可定制的评估指标树来描述客户分类的评价体系,提出了基于模糊聚类分析的客户分类算法。

该算法的计算案例表明,它可以用于有关CRM的决策支持系统中。

该项研究工作将对今后的客户分类管理研究有所帮助。

18.65

34.13

50.83

15.60

32.28

16.730

表420个客户分四类的情况

类的重心

1

2

3

4

（21.58,　59.59,　11.43,　92.61T

（17.71,　50.06,　9.41,　77.18T

（15.92,　40.38,　8.80,　65.10T

（12.43,　30.79,　8.62,　51.84T

类号最邻近的类

2

3

2

3

至最邻近类距离18.6515.6015.6016.73从而得到四个类间的距离如下:

[1]朱明.数据挖掘[M].合肥:

中国科学技术大学出版社,2002.

[2]堂林燕.数据仓库和数据挖掘技术在ERP中的应用[J].计算机工程,2002,28（9.

[3]杨东龙.客户关系管理[M].北京:

中国经济出版社,2002.

[4]张永大.数据挖掘在客户关系管理系统中的应用[J].福建电脑,2003,（6:

21-23.

[5]李宝东,宋瀚涛.数据挖掘在客户关系管理中的应用[J].计算机应用研究,2002,19（10:

71-74.

[参　考　文　献]

[责任编辑:

李永平]