基于聚類技術(shù)的客戶細(xì)分模型研究與實(shí)現(xiàn).pdf

1、隨著企業(yè)的經(jīng)營(yíng)模式從原有的以產(chǎn)品為中心到以客戶為中心的轉(zhuǎn)變，如何應(yīng)用聚類技術(shù)進(jìn)行準(zhǔn)確的客戶細(xì)分已成為當(dāng)今企業(yè)界和學(xué)術(shù)界共同關(guān)注的問題。與此同時(shí)，競(jìng)爭(zhēng)日趨激烈，客戶細(xì)分系統(tǒng)對(duì)聚類技術(shù)和客戶價(jià)值模型的各項(xiàng)性能要求越來(lái)越高，但是這些問題并沒有得到很好地解決。本文正是圍繞聚類技術(shù)和客戶價(jià)值模型兩個(gè)方面展開，目的是實(shí)現(xiàn)高效的客戶細(xì)分模型。
　　(1)由于K-means算法對(duì)初始中心點(diǎn)選擇敏感，本文采用了一種基于近鄰密度的初始中心點(diǎn)選擇方法—

2、—NK-means算法，使得K-means算法能夠快速、準(zhǔn)確地發(fā)現(xiàn)聚類結(jié)果。實(shí)驗(yàn)結(jié)果表明NK-means算法較隨機(jī)K-means算法和迭代優(yōu)化的K-means算法在精度上有明顯的提高，且具有良好的可擴(kuò)展性。
　　(2)由于K-means采用基于距離標(biāo)準(zhǔn)的聚類準(zhǔn)則，在將其應(yīng)用于客戶細(xì)分時(shí)表現(xiàn)出諸多不足。為了更準(zhǔn)確地描述客戶之間的“距離”，本文依據(jù)客戶細(xì)分的特性，提出了基于購(gòu)買行為的客戶相似度準(zhǔn)則。該準(zhǔn)則與傳統(tǒng)的距離準(zhǔn)則相比動(dòng)態(tài)地反映

3、了客戶的相似程度，為實(shí)現(xiàn)更加準(zhǔn)確的客戶細(xì)分提供了保障。
　　(3)傳統(tǒng)的客戶生命周期價(jià)值(CustomerLifetimeValue,CLV)模型考慮了客戶的人口統(tǒng)計(jì)學(xué)因素和購(gòu)買行為因素，但是對(duì)客戶購(gòu)買行為之間的網(wǎng)絡(luò)影響并沒有加以分析。因此本文提出了基于網(wǎng)絡(luò)影響的客戶價(jià)值模型，在引入客戶與客戶之間社會(huì)影響的基礎(chǔ)上，從基本價(jià)值、潛在價(jià)值、網(wǎng)絡(luò)價(jià)值和客戶挽留率四個(gè)方面對(duì)客戶價(jià)值進(jìn)行了比較全面地評(píng)估。與此同時(shí)本文采用了RFM(Recen