[發(fā)明專利]一種基于客戶屬性及行為特征分析的客戶細(xì)分方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201310529336.2
• 申請(qǐng)日: 2013-10-31
• 公開（公告）號(hào): CN103559630A
• 公開（公告）日: 2014-02-05
• 發(fā)明（設(shè)計(jì)）人: 陳建林;吳曉聲;肖宇;薛云;蔡倩華;胡曉暉
• 申請(qǐng)（專利權(quán)）人: 華南師范大學(xué)
• 主分類號(hào): G06Q30/02
• 分類號(hào): G06Q30/02
• 代理公司: 廣州粵高專利商標(biāo)代理有限公司 44102
• 代理人: 江裕強(qiáng)

技術(shù)領(lǐng)域

本發(fā)明涉及數(shù)據(jù)挖掘領(lǐng)域，具體涉及一種基于客戶屬性及行為特征分析的客戶細(xì)分方法。

背景技術(shù)

現(xiàn)有的客戶行為細(xì)分方法歸納起來，主要有以下幾種：

基于RFM(Recency?Frequency?Monetary)模型行為細(xì)分的方法。

在RFM模型是衡量客戶價(jià)值和客戶創(chuàng)利能力的重要工具和手段。R（recency）指上次購(gòu)買至現(xiàn)在的時(shí)間間隔，F(xiàn)（frequency）為某一期間內(nèi)的購(gòu)買次數(shù)，M（monetary）是某一期間內(nèi)購(gòu)買的金額。RFM分析針對(duì)每個(gè)客戶的每個(gè)指標(biāo)打分，然后計(jì)算三個(gè)指標(biāo)的乘積，再按這個(gè)結(jié)果排序，在此基礎(chǔ)上將所有的客戶按照20%、60%、20%分類，最后對(duì)不同類型的客戶實(shí)施不同的策略。

RFM分析的因素都是行為方面的，這次信息對(duì)于擁有數(shù)據(jù)庫(kù)的公司來說比較容易獲得，然而購(gòu)買次數(shù)F和同期總購(gòu)買額M兩個(gè)變量之間會(huì)存在多重線性。另外該模型選擇的屬性太少，以致于不能很全面地對(duì)客戶的行為特征進(jìn)行細(xì)分。而且按照20%、60%、20%將客戶分類的結(jié)果不一定能反映出客戶的實(shí)際分類群體；只實(shí)現(xiàn)了客戶群體這一維上的聚類，并不能體現(xiàn)出屬性差距。

客戶價(jià)值矩陣的方法：

該矩陣用包括客戶代碼、購(gòu)買日期、日購(gòu)買額等屬性來進(jìn)行客戶行為細(xì)分。購(gòu)買次數(shù)由不同購(gòu)買日期的數(shù)目來確定，平均購(gòu)買額等于在指定時(shí)間間隔內(nèi)總購(gòu)買額（日購(gòu)買額的總和）與購(gòu)買次數(shù)的比值。最終所有客戶都分散在事先確定的二維矩陣的四個(gè)象限中，針對(duì)每一個(gè)客戶群或跨越客戶群產(chǎn)生不同的營(yíng)銷戰(zhàn)略或戰(zhàn)術(shù)。

它的缺點(diǎn)是也只局限于特定的屬性，不能根據(jù)不同數(shù)據(jù)特點(diǎn)的屬性集來選擇屬性。而且它所選擇的屬性不夠全面，不能很好地對(duì)客戶行為進(jìn)行描述。另外它只實(shí)現(xiàn)了客戶群體這一維上的聚類，只是全局性地聚類，不能對(duì)局部特征相似的群體進(jìn)行聚類。

發(fā)明內(nèi)容

本發(fā)明針對(duì)目前客戶行為細(xì)分存在的不足和缺陷，提供一種結(jié)合屬性選擇、群體聚類和雙聚類的方法來達(dá)到客戶行為細(xì)分的目的，本發(fā)明通過如下技術(shù)方案實(shí)現(xiàn)。

該方法包括如下步驟：

（1）數(shù)據(jù)預(yù)處理：首先，獲取航空公司的會(huì)員數(shù)據(jù)矩陣，共有P個(gè)樣本，每個(gè)樣本有Q個(gè)屬性，P、Q為大于1的正整數(shù)，其中每行代表一位客戶亦為一條記錄，每列代表客戶的屬性，其中每個(gè)元素代表公司對(duì)一個(gè)客戶的行為評(píng)分；選擇Q個(gè)屬性中的一個(gè)作為分類屬性，對(duì)剩下的Q-1個(gè)屬性與分類屬性之間進(jìn)行相關(guān)性分析，去除Q個(gè)屬性中的弱相關(guān)項(xiàng)與冗余項(xiàng)，得到屬性集；

（2）用K-means算法將上述得到的屬性集中的每個(gè)元素的原始數(shù)據(jù)聚成L類，L為大于1的正整數(shù)，按數(shù)據(jù)的數(shù)值由小到大劃分為L(zhǎng)個(gè)級(jí)別，原先的數(shù)據(jù)值將由這些級(jí)別代替，得到新的屬性集；然后采用基于密度可達(dá)的DBSCAN算法將新屬性集中每個(gè)客戶即是每條記錄進(jìn)行聚類；

（3）行為特征聚類：用基于apriori的雙聚類分別對(duì)步驟（2）的聚類結(jié)果做行為特征聚類，得到屬性值相同、行為特征近似的客戶屬性矩陣；由客戶屬性矩陣可以得到某些屬性數(shù)值相同，即行為表現(xiàn)相近，具有相似的行為習(xí)慣的客戶群。

進(jìn)一步地，步驟（1）中，選擇Q個(gè)屬性中的一個(gè)作為分類屬性，再利用皮爾遜卡方統(tǒng)計(jì)量度量分類屬性與剩下的Q-1個(gè)屬性的相關(guān)性，按照相關(guān)性排列Q-1屬性，并將屬性劃分為三個(gè)等級(jí)：強(qiáng)相關(guān)、相關(guān)、弱相關(guān)，去除上述弱相關(guān)屬性及強(qiáng)相關(guān)屬性中的冗余重復(fù)屬性，選擇出與分類屬性相關(guān)并相互獨(dú)立的屬性，具體包括如下步驟：

（1.1）選擇分類屬性后，利用列聯(lián)表計(jì)算出Q-1屬性與分類屬性的皮爾遜卡方統(tǒng)計(jì)量K，皮爾遜卡方統(tǒng)計(jì)量其中，n_i表示列聯(lián)表中第i行的數(shù)值總和，n_j表示列聯(lián)表中第j列的數(shù)值總和，n_ij表示表示列聯(lián)表第i行第j列的數(shù)值，n表示列聯(lián)表中所有數(shù)值的總和；

（1.2）按照皮爾遜卡方統(tǒng)計(jì)量的大小，將所有屬性聚成三類，即強(qiáng)相關(guān)子集（SSR）、相關(guān)子集（SR）、弱相關(guān)子集(SWR)。并選擇強(qiáng)相關(guān)子集中K值最小的屬性為最弱強(qiáng)相關(guān)屬性FW，選擇弱相關(guān)屬性中K值最大的屬性為最強(qiáng)弱相關(guān)屬性FS。