基于聚類技術的客戶細分模型研究與實現(xiàn).pdf

1、隨著企業(yè)的經營模式從原有的以產品為中心到以客戶為中心的轉變，如何應用聚類技術進行準確的客戶細分已成為當今企業(yè)界和學術界共同關注的問題。與此同時，競爭日趨激烈，客戶細分系統(tǒng)對聚類技術和客戶價值模型的各項性能要求越來越高，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和客戶價值模型兩個方面展開，目的是實現(xiàn)高效的客戶細分模型。
　　(1)由于K-means算法對初始中心點選擇敏感，本文采用了一種基于近鄰密度的初始中心點選擇方法—

2、—NK-means算法，使得K-means算法能夠快速、準確地發(fā)現(xiàn)聚類結果。實驗結果表明NK-means算法較隨機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，且具有良好的可擴展性。
　　(2)由于K-means采用基于距離標準的聚類準則，在將其應用于客戶細分時表現(xiàn)出諸多不足。為了更準確地描述客戶之間的“距離”，本文依據(jù)客戶細分的特性，提出了基于購買行為的客戶相似度準則。該準則與傳統(tǒng)的距離準則相比動態(tài)地反映

3、了客戶的相似程度，為實現(xiàn)更加準確的客戶細分提供了保障。
　　(3)傳統(tǒng)的客戶生命周期價值(CustomerLifetimeValue,CLV)模型考慮了客戶的人口統(tǒng)計學因素和購買行為因素，但是對客戶購買行為之間的網絡影響并沒有加以分析。因此本文提出了基于網絡影響的客戶價值模型，在引入客戶與客戶之間社會影響的基礎上，從基本價值、潛在價值、網絡價值和客戶挽留率四個方面對客戶價值進行了比較全面地評估。與此同時本文采用了RFM(Recen