基于客戶消費(fèi)行為的電信客戶聚類分析

1、文章來源 畢業(yè)論文網(wǎng) 基于客戶消費(fèi)行為的電信客戶聚類分析文章來源 畢業(yè)論文網(wǎng)  yjbys小編為您提供一篇畢業(yè)論文，是關(guān)于基于客戶消費(fèi)行為的電信客戶聚類分析的計(jì)算機(jī)應(yīng)用畢業(yè)論文，歡迎參考！ 關(guān)鍵詞： 移動增值業(yè)務(wù) rfm模型 層次分析法 摘要：論文結(jié)合電信行業(yè)特點(diǎn)，將rfm模型和層次分析法結(jié)合起來衡量客戶價(jià)值，并采用聚類方法對客戶細(xì)分，挖掘出潛力客戶，有效地降低了營銷成本。 前言 客戶細(xì)分是按照一定的標(biāo)準(zhǔn)將企業(yè)現(xiàn)有客戶劃分為不同客戶群的過程，客戶細(xì)分是精確營銷的基礎(chǔ)。通過客戶細(xì)分能掌握不同客戶群的差異化需求，進(jìn)而才能針對不同客戶群的差異化需求，

2、設(shè)計(jì)個(gè)性化的產(chǎn)品和服務(wù)，并針對不同細(xì)分客戶群設(shè)計(jì)相應(yīng)的營銷策略，從而吸引客戶、保持客戶、提高客戶忠誠度?？蛻艏?xì)分的方法包括基于客戶統(tǒng)計(jì)學(xué)特征的客戶細(xì)分、基于客戶價(jià)值的客戶細(xì)分、基于客戶行為的客戶細(xì)分、基于客戶態(tài)度的客戶細(xì)分。本文結(jié)合電信行業(yè)特點(diǎn)，將rfm模型和層次分析法結(jié)合起來衡量客戶價(jià)值，并采用聚類方法對客戶細(xì)分，挖掘出潛力客戶，有效地降低了營銷成本。 1衡量客戶價(jià)值 1.1 rfm模型 rfm模型是衡量客戶價(jià)值和客戶創(chuàng)利能力的一種重要方法，它基于3個(gè)指標(biāo)，其中，r（recency）代表最近一次購買到現(xiàn)在的時(shí)間長度；f（frequency）代表一定時(shí)期內(nèi)的購買次

3、數(shù)；m（monetary）代表一定時(shí)期內(nèi)客戶在本企業(yè)的消費(fèi)額。在客戶價(jià)值研究方面，goodman等1根據(jù)rfm值將企業(yè)有限的物力、財(cái)力應(yīng)用到高價(jià)值客戶身上。hughes2根據(jù)rfm的值將客戶分為五類，并針對五類客戶采取不同的銷售策略。本文來自論文之家:,轉(zhuǎn)載請保留此標(biāo)記stone等3提出不同行業(yè)的rfm應(yīng)賦予不同的權(quán)重。sung4利用som將顧客的rfm值分類，然后比較各類的rfm平均值以及所有顧客的rfm平均值，觀察各類顧客的變化規(guī)律，通過其上升或者下降，來判斷各類顧客是否為忠誠度高的白金顧客還是即將流失的顧客。其中，hughes將客戶分為五類的設(shè)定較主觀；stone的權(quán)重設(shè)定也較為主觀，缺

4、乏一個(gè)系統(tǒng)的方法；sung的方法將客戶分為8（2*2*2）類也較為主觀。 1.2改進(jìn)rfm模型 雖然rfm模型的最終目的是計(jì)算顧客價(jià)值，但是應(yīng)結(jié)合行業(yè)特點(diǎn)對rfm模型進(jìn)行改進(jìn)。例如，在傳統(tǒng)的rfm模型中，對于每天都在使用電信業(yè)務(wù)的客戶，r值均為零，f值太大難以區(qū)分客戶，因而，不能用傳統(tǒng)的rfm模型對電信企業(yè)客戶進(jìn)行分析。對于電信行業(yè)，因?yàn)榭蛻艚毁M(fèi)額度等于消費(fèi)額度，且時(shí)間間隔較大、頻次相對較少，因此，可以基于客戶消費(fèi)行為構(gòu)建rfm模型來衡量客戶價(jià)值，r代表最近一次交費(fèi)到現(xiàn)在的時(shí)間長度；f代表一定時(shí)期內(nèi)的交費(fèi)次數(shù)；m代表一定時(shí)期內(nèi)客戶在本企業(yè)的交費(fèi)額（消費(fèi)額），改進(jìn)后的rfm模

5、型中三個(gè)指標(biāo)的權(quán)重需要采用系統(tǒng)而科學(xué)的方法進(jìn)行分析4。 美國運(yùn)籌學(xué)家t. l. satty于20世紀(jì)70年代提出的ahp決策分析法（analytic hierarchy process，簡稱ahp方法），是一種定性與定量相結(jié)合的決策分析方法?？梢詫?fù)雜問題分解為若干層次和若干因素，在各因素之間進(jìn)行簡單的比較和計(jì)算，就可以得出不同方案重要性程度的權(quán)重，可用來計(jì)算改進(jìn)后的rfm模型中三個(gè)指標(biāo)的權(quán)重。選擇某市電信公司的三位業(yè)務(wù)經(jīng)理、四位市場營銷人員和三位老客戶采用1-9及其倒數(shù)的標(biāo)度方法對改進(jìn)后的rfm模型中的三個(gè)指標(biāo)重要性進(jìn)行兩兩比較，分別得到10位評價(jià)者的判斷矩陣，對其求平均，得到判斷

6、矩陣a，見表1。 表1 判斷矩陣a 采用和積法計(jì)算特征向量，首先將判斷矩陣a每一列歸一化 對按列歸一化的判斷矩陣，再按行求和將向量 = 歸一化則                  即為所求的特征向量，wi代表各因素的相對權(quán)重，經(jīng)計(jì)算，判斷矩陣a的特征向量為  ，其中m的權(quán)重最大，f的權(quán)重次之，r的權(quán)重最小，即10位評價(jià)者認(rèn)為交費(fèi)金額是影響顧客價(jià)值的最主要因素，交費(fèi)的頻度f次之，而近度r是

7、最不重要因素。 接著計(jì)算判斷矩陣a的最大特征根 為了防止判斷矩陣中出現(xiàn)相互矛盾之處，需要對判斷矩陣做一致性檢驗(yàn)。首先，計(jì)算一致性指標(biāo)ci 接著，為了檢驗(yàn)判斷矩陣是否具有令人滿意的一致性，還需要將ci與平均隨機(jī)一致性指標(biāo)ri進(jìn)行比較。查表可知，ri=0.58，因而，隨機(jī)一致性比率 ，因?yàn)閏r<0.1，可以認(rèn)為層次分析排序的結(jié)果有滿意的一致性。 1.3計(jì)算客戶價(jià)值 從某市電信公司的客戶記錄中隨機(jī)抽取了11305名客戶的2010年4月至2011年3月繳費(fèi)記錄進(jìn)行分析，以季度為時(shí)間段，分別統(tǒng)計(jì)各個(gè)季度的客戶價(jià)值。以2010第二季度，即2010年4

8、月至2010年6月為例，r代表此季度中最后一次繳費(fèi)到6月底的時(shí)間長度；f代表此季度中的繳費(fèi)次數(shù)；m代表此季度中客戶的繳費(fèi)額。由于rfm模型中三個(gè)指標(biāo)的度量單位不同，需要先分別對其標(biāo)準(zhǔn)化，然后才能加權(quán)計(jì)算。對于指標(biāo)r，其值越小，客戶價(jià)值越大，為損益指標(biāo)，因而其標(biāo)準(zhǔn)化公式為 ，xmax為11305條記錄中最大的r值，xmin為11305條記錄中最小的r值；對于指標(biāo)f和指標(biāo)m，其值越大，客戶價(jià)值越大，為增益指標(biāo)，因而，準(zhǔn)化公式為 。用cr、cf、cm分別代表標(biāo)準(zhǔn)化后的r、f、m值，用c代表客戶rfm模型中各項(xiàng)指標(biāo)加權(quán)后的總得分，即此季度的客戶價(jià)值，則c=wrcr+wfcf+wmcm，其中,wr、wf

9、、wm分別為指標(biāo)r、f、m的權(quán)重，在前面用ahp方法已求出。依次類推，分別求出剩余3個(gè)季度的客戶價(jià)值。 2尋找潛力客戶 2.1 k-means算法 j.b.macque在1967年提出的k-means算法，是一種經(jīng)典聚類算法，其核心思想是把一個(gè)數(shù)據(jù)對象劃分為k個(gè)聚類，使每個(gè)聚類中的數(shù)據(jù)點(diǎn)到該聚類中心的平方和最小。k-means算法首先從n個(gè)數(shù)據(jù)對象任意選擇 k 個(gè)對象作為初始聚類中心；而對于所剩下其它對象，則根據(jù)它們與這些聚類中心的相似度(距離)，分別將它們分配給與其最相似的聚類；然后，再計(jì)算每個(gè)所獲新聚類的聚類中心；不斷重復(fù)這一過程直到滿足收斂條件。類間相似度(

10、距離)的計(jì)算方法有類平均法、重心法、最長距離法、差平方和法等，本文采用離差平方和來計(jì)算類間距離。 在 k-means 算法中，聚類數(shù)目k要事先給定。對于給定的數(shù)據(jù)集，要確定最佳聚類數(shù)目k，可以根據(jù)方差理論，采用r2統(tǒng)計(jì)量、偽f統(tǒng)計(jì)量或偽t2統(tǒng)計(jì)量來確定。 （1）r2統(tǒng)計(jì)量。r2=1-sk/s，其中k為分類數(shù)目，而sk代表k個(gè)類的總類內(nèi)離差平方和，s為所有變量的總離差平方和。理論上，k越大，每個(gè)分類越小，sk越小，r2越大，但是，k太大，分類將失去意義，所以，只能取k，使得k比較小，而且r2足夠大且不再大幅度增加。 （2）偽f統(tǒng)計(jì)量。f=(s-sk)/(k-1)/

11、sk/(n-k)，n為數(shù)據(jù)對象的數(shù)目，s、sk的含義同上。所以，只能取k，使得k比較小，且類內(nèi)離差平方和（分母）應(yīng)該較小，類間平方和（分子）相對較大，偽f統(tǒng)計(jì)量較大。 2.2 確定聚類數(shù)目 對于聚類數(shù)目k，從216取值，分別用k-means算法進(jìn)行15次聚類，聚類后的r2統(tǒng)計(jì)量和偽f統(tǒng)計(jì)量分別見圖1和圖2。 圖1 r2統(tǒng)計(jì)量的變化情況 由圖1可知，在k=7和k=12兩處，r2統(tǒng)計(jì)量分別達(dá)到峰值，但k=7處，即由8類合并為7類時(shí)，r2增幅更大，更明顯。 圖2 偽f統(tǒng)計(jì)量的變化情況 由圖2可知，在k=5、k=7、k=11三處，偽f統(tǒng)計(jì)量分

12、別達(dá)到峰值，但k=7處，即由8類合并為7類時(shí)，增幅更大，更明顯。 結(jié)合圖1和圖2可知，聚類數(shù)目取值為7時(shí)，聚類更合理。令k=7，用k-means算法進(jìn)行聚類，并對每個(gè)分類的rfm值求平均，結(jié)果見表2，觀察每個(gè)分類rfm值在四個(gè)時(shí)間段的變化規(guī)律。 表2 四個(gè)時(shí)間段的客戶價(jià)值 對表2中的數(shù)據(jù)做折線圖，可以看出七類顧客價(jià)值變化走勢圖，見圖3。其中，第三類客戶的客戶價(jià)值高，其客戶價(jià)值遠(yuǎn)遠(yuǎn)超過其它六類客戶；第二類客戶的客戶價(jià)值雖然在第一時(shí)間段相對較低，但增長較快，有較大的發(fā)展?jié)摿?；第四類、五類、六類客戶價(jià)值波動很大，發(fā)展?jié)摿Σ淮?；第七類客戶價(jià)值雖然平穩(wěn)，但客戶價(jià)值較低，沒有

13、發(fā)展?jié)摿Γ坏谝活惪蛻舻目蛻魞r(jià)值快速減少，為即將流失客戶。因而，選擇客戶價(jià)值高的第2類客戶和有發(fā)展?jié)摿Φ?類客戶共2091人作為移動增值業(yè)務(wù)的精確營銷對象。 圖3 七類顧客價(jià)值變化走勢圖 3結(jié)論 目前，國內(nèi)的通信企業(yè)并未采取有效手段對客戶進(jìn)行細(xì)分，只是簡單的將市場劃分為大客戶市場、普通個(gè)人客戶市場、校園市場等，因而，無法獲取主要客戶群體的需求特點(diǎn)，進(jìn)而也不能采取有針對性的市場策略，結(jié)果是雖然獲取了客戶，但客戶質(zhì)量不高。針對電信業(yè)務(wù)特點(diǎn)，依據(jù)客戶價(jià)值進(jìn)行客戶細(xì)分，挖掘出潛力客戶，有針對性的開展精確營銷，不但能有效地降低營銷成本，而且能大大提高了營銷效率，為進(jìn)一步的精確營銷打下了堅(jiān)實(shí)的基礎(chǔ)。 參考文獻(xiàn)： 1 goodman j.leveraging the customer database to your competi-tive advantagej.direct marketing,1992,55(8):26-27. 2 hughes a