基于數據挖掘的零售業(yè)客戶細分研究

摘要：文章根據基于購買行為的客戶細分方法，運用數據挖掘中的聚類分析和決策樹分類技術，對零售業(yè)客戶細分模型進行了研究、建立及實驗分析，為零售業(yè)客戶細分提供了一種有效而實用的分析方法。

關鍵詞：零售業(yè)；客戶細分；數據挖掘

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

一、基于購買行為的客戶細分方法

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

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

產生客戶價值矩陣需要的信息有：客戶代碼、購買日期、日購買額，購買次數由不同的購買日期的數目確定，日購買額用來計算平均購買額。在Marcus提出的客戶價值矩陣中，確定購買次數與平均購買額的基準是各自的平均值，一旦確定每一個坐標軸的平均值，每個客戶就被定位于客戶價值矩陣的某個象限里。然后，分析每個象限中的客戶群的關鍵差異。

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類的過程被稱為聚類。由聚類所生成的簇是一組數據對象的集合，這些對象與同一個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據結構：一是數據矩陣，這種數據結構是關系表的形式，或者看成n×p(n個對象×p個變量)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，通常它是一個非負的數據值，當對象i和j越相似或“接近”，其值越接近O；兩個對象越不同，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型客戶，有19．23的客戶屬于經常性客戶。這些挖掘結果為零售企業(yè)更好地認識客戶具有重要的參考價值。

五、結論

決策樹是一種較好的分類模型，但由于它是一種有指導的學習方法，需要預先知道樣本的類型。因此，在零售企業(yè)面對眾多客戶的情況下，結合聚類和決策樹技術進行客戶細分建模是一種有效而實用的方法。

參考文獻：

1，邵峰晶，于忠清編著．數據挖掘原理與算法．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．數據挖掘概念與技術．北京：機械工業(yè)出版社，2001．

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

4．陳明亮，李懷祖．客戶價值細分與保持策略研究．成組技術與生產現代化，2001，18(4)：23-27．

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

收稿日期：2006—04—28。