基于數(shù)據(jù)挖掘的零售業(yè)客戶細(xì)分研究

摘要：文章根據(jù)基于購買行為的客戶細(xì)分方法，運(yùn)用數(shù)據(jù)挖掘中的聚類分析和決策樹分類技術(shù)，對零售業(yè)客戶細(xì)分模型進(jìn)行了研究、建立及實(shí)驗(yàn)分析，為零售業(yè)客戶細(xì)分提供了一種有效而實(shí)用的分析方法。

關(guān)鍵詞：零售業(yè)；客戶細(xì)分；數(shù)據(jù)挖掘

客戶細(xì)分是客戶關(guān)系管理的基本任務(wù)之一，在目前客戶終生價(jià)值研究還沒有成熟的情況下，采用基于購買行為的客戶細(xì)分方法不失為一種有效的選擇。對于零售企業(yè)而言，通過一定的技術(shù)將客戶細(xì)分為不確定型客戶、經(jīng)常性客戶、樂于消費(fèi)型客戶和最好的客戶，然后對每一類客戶的特征進(jìn)行分析，有助于提高營銷活動的針對性和有效性，有助于客戶關(guān)系管理的良好實(shí)施。零售業(yè)客戶人數(shù)眾多，購買行為數(shù)據(jù)量十分龐大，通過運(yùn)用數(shù)據(jù)挖掘中的聚類分析和決策樹技術(shù)，可以對零售業(yè)客戶群進(jìn)行合理的細(xì)分。

一、基于購買行為的客戶細(xì)分方法

RFM分析是廣泛應(yīng)用于數(shù)據(jù)庫營銷的一種客戶細(xì)分方法。R(Recency)指上次購買至今之期間，該時(shí)期越短，則R越大。研究發(fā)現(xiàn)，R越大的客戶越有可能與企業(yè)達(dá)成新的交易。F(Frequency)指在某一期間內(nèi)購買的次數(shù)。交易次數(shù)越多的客戶越有可能與企業(yè)達(dá)成新的交易。M(Mone－tary)指在某一期間內(nèi)購買的金額。M越大，越有可能再次響應(yīng)企業(yè)的產(chǎn)品與服務(wù)。RFM分析的所有成分都是行為方面的，應(yīng)用這些容易獲得的因素，能夠預(yù)測客戶的購買行為。以最近的行為預(yù)測客戶的購買行為比用其他任何一種因素進(jìn)行預(yù)測更加準(zhǔn)確和有效。

為了消除購買次數(shù)與總購買額間的多重共線性，Mar-CUS提出對傳統(tǒng)的RFM分析進(jìn)行修正，用平均購買額代替總購買額。另外，為了解決傳統(tǒng)RFM分析過多細(xì)分客戶群的缺陷，他提出用購買次數(shù)(F)與平均購買額(A)構(gòu)造的客戶價(jià)值矩陣簡化細(xì)分的結(jié)果，該矩陣將客戶細(xì)分為四個(gè)客戶群，其中平均購買額與購買次數(shù)都較低的為不確定型客戶；平均購買額較低而購買次數(shù)較高的為經(jīng)常性客戶；平均購買額較高而購買次數(shù)較低的為樂于消費(fèi)型客戶主；平均購買額與購買次數(shù)都較高的為最好的客戶。第三個(gè)變量Recency在客戶價(jià)值矩陣中被剔除。

產(chǎn)生客戶價(jià)值矩陣需要的信息有：客戶代碼、購買日期、日購買額，購買次數(shù)由不同的購買日期的數(shù)目確定，日購買額用來計(jì)算平均購買額。在Marcus提出的客戶價(jià)值矩陣中，確定購買次數(shù)與平均購買額的基準(zhǔn)是各自的平均值，一旦確定每一個(gè)坐標(biāo)軸的平均值，每個(gè)客戶就被定位于客戶價(jià)值矩陣的某個(gè)象限里。然后，分析每個(gè)象限中的客戶群的關(guān)鍵差異。

二、聚類分析

將物理或抽象對象的集合分組成為由類似的對象組成的多個(gè)類的過程被稱為聚類。由聚類所生成的簇是一組數(shù)據(jù)對象的集合，這些對象與同一個(gè)簇中的對象彼此相似，與其他簇中的對象相異。聚類分析通常用到兩種數(shù)據(jù)結(jié)構(gòu)：一是數(shù)據(jù)矩陣，這種數(shù)據(jù)結(jié)構(gòu)是關(guān)系表的形式，或者看成n×p(n個(gè)對象×p個(gè)變量)的矩陣；一是相異度矩陣，這里的d(I.j)是對象i和對象j之間相異度的量化表示，通常它是一個(gè)非負(fù)的數(shù)據(jù)值，當(dāng)對象i和j越相似或“接近”，其值越接近O；兩個(gè)對象越不同，其值越大。

如果對象都是由連續(xù)型變量描述的，其相異度常用歐幾里得距離計(jì)算，它的定義如下：

中有57．69％的客戶屬于最好的客戶，此外有11．54％的客戶屬于樂于消費(fèi)型客戶，有19．23的客戶屬于經(jīng)常性客戶。這些挖掘結(jié)果為零售企業(yè)更好地認(rèn)識客戶具有重要的參考價(jià)值。

五、結(jié)論

決策樹是一種較好的分類模型，但由于它是一種有指導(dǎo)的學(xué)習(xí)方法，需要預(yù)先知道樣本的類型。因此，在零售企業(yè)面對眾多客戶的情況下，結(jié)合聚類和決策樹技術(shù)進(jìn)行客戶細(xì)分建模是一種有效而實(shí)用的方法。

參考文獻(xiàn)：

1，邵峰晶，于忠清編著．?dāng)?shù)據(jù)挖掘原理與算法．北京：中國水利水電出版社，2003．

2．Jiawei Hah，Micheline[amber著．范明，孟小峰等譯．?dāng)?shù)據(jù)挖掘概念與技術(shù)．北京：機(jī)械工業(yè)出版社，2001．

3.劉義，萬迪時(shí)，張鵬．基于購買行為的客戶細(xì)分方法比較研究．管理科學(xué)，2003，16(2)：69-72．

4．陳明亮，李懷祖．客戶價(jià)值細(xì)分與保持策略研究．成組技術(shù)與生產(chǎn)現(xiàn)代化，2001，18(4)：23-27．

作者簡介：葉孝明，景德鎮(zhèn)陶瓷學(xué)院工商學(xué)院講師；黃祖慶，景德鎮(zhèn)陶瓷學(xué)院信息工程學(xué)院教授。

收稿日期：2006—04—28。