一种基于RFMCA模型的多指标客户细分方法技术

本发明专利技术提供一种基于RFMCA模型的多指标客户细分方法，包括：获取网络数据与本地数据，构造样本数据，并对样本数据进行预处理；对预处理后的数据进行分析，并构建基于RFMCA模型的多指标客户细分模型；对多指标客户细分模型的结果进行评估，得到细分后的数据，并与传统细分指标进行对比分析；对细分后的数据进行类内关联规则挖掘。本发明专利技术的技术方案，形成了完整的适用于零售业的客户细分指标体系，其多指标客户细分模型准确度较高，时间复杂度较小。在区分客户行为特征，进行客户细分方面明显优于传统RFM的细分方法，能够更好地为企业区分不同类型客户，制定差异化营销策略，使企业合理利用有限资源来提高客户满意度和忠诚度，提升企业自身价值。

A Multi-target Customer Segmentation Method Based on RFMCA Model

【技术实现步骤摘要】
一种基于RFMCA模型的多指标客户细分方法
本专利技术涉及数据挖掘
，具体而言，尤其涉及一种基于RFMCA模型的多指标客户细分方法。
技术介绍
随着市场竞争的日益加剧，零售业的利润日渐微薄，吸引新客户变得更加困难。越来越多的企业正从以产品为中心的商业模式向以客户为中心的商业模式转变。对于现在供过于求的零售业来说，如何赢得和保留客户并将客户价值最大化变得尤为重要。零售业存在大量的客户数据和销售数据，这些数据的数量随着时间的推移呈现爆炸式增长。信息技术的飞速发展和大数据时代的到来使企业能够借助数据分析技术，充分利用这些海量数据对客户进行细分，提高决策质量。在更好地满足客户需求的同时，为企业获取持续忠诚的客户和更高的利润。客户细分是企业成功实施客户保持的关键。由于不同客户的价值不同，客户细分可以使企业识别不同客户群体，为客户提供差异化、个性化产品和服务，从而增加客户满意度和忠诚度。根据80/20原则，企业20％最具赢利性的客户创造了企业80％的利润。企业自身资源的局限性决定了企业不可能达到让所有顾客都满意的目的，这就导致了企业在新客户识别的同时，也存在客户流失现象。因此，辨别有价值的客户对于企业来说非常关键，这就需要企业对客户进行分类，针对不同的客户群体采取不同的服务策略，以满足不同客户的特定购物需求和偏好。已有的零售业客户细分研究存在以下几点不足：一是尚未形成完整的适用于零售业的客户细分指标体系；二是客户细分模型准确度偏低，时间复杂度比较大。传统的客户细分方法已经不能适应当前市场，客户的消费数据呈现出多维度的特性。这就要求企业根据客户的消费行为对客户进行细分，进而为不同类型的客户提供不同的产品或服务，做到精准营销。
技术实现思路
根据上述提出的技术问题，而提供一种基于RFMCA模型的多指标客户细分方法，更好的解决客户细分问题，使得测定结果更加快速、精确。本专利技术采用的技术手段如下：一种基于RFMCA模型的多指标客户细分方法，包括以下步骤：步骤S1：获取网络数据与本地数据，构造样本数据，并对样本数据进行预处理；步骤S2：对上述预处理后的数据进行分析，并构建基于RFMCA模型的多指标客户细分模型；步骤S3：对上述多指标客户细分模型的结果进行评估，得到细分后的数据，并与传统细分指标进行对比分析；步骤S4：对上述细分后的数据进行类内关联规则挖掘。进一步地，所述步骤S2中构建基于RFMCA模型的多指标客户细分模型的具体步骤如下：步骤S21：创建RFMCA多指标客户细分体系，对步骤S1中预处理后的样本数据，根据构建的RFMCA多指标客户细分体系进行计算；步骤S22：采用熵值法为RFMCA多指标客户细分体系进行赋权，根据各项指标观测值所提供的信息的大小来确定指标权重；步骤S23：采用因子分析法进行数据降维，通过Kaiser-Meyer-OlkinandBartlett’stest，根据度量标准来确定因子变量之间是否适合进行因子分析，并通过累计方差贡献率、碎石图和特征根来确定因子的数目；步骤S24：对上述步骤S23中的因子变量进行聚类，完成客户细分。进一步地，所述步骤S22中根据各项指标观测值所提供的信息的大小来确定指标权重，具体步骤如下：步骤S221：建立数据矩阵其中，Xnm为第n个客户，第m个细分指标的数值；步骤S222：对数据进行非负化处理，其中，正向指标：负向指标：其中，Xij为第i个客户，第j个细分指标的值，max(X1j，X2j，…Xnj)和min(X1j，X2j，...Xnj)分别表示客户中第j个细分指标的最大值和最小值，n和m分别表示客户的总数和指标的总个数；步骤S223：根据数据处理后的X’ij，计算第i个客户，第j个指标的特征比重Pij：其中，X’ij为数据预处理后第i个客户，第j个细分指标的值，n，m分别表示客户的总数和指标的总个数，Pij为指标的特征比重；步骤S224：计算第j项指标的熵值ej：其中，k＝1/lnn,ln为自然对数，Pij为指标的特征比重，n为客户数量，ej≥0；步骤S225：计算第j项指标的差异系数gj：gj＝1-ej其中，ej为指标的熵值，gj越大，指标越重要；步骤S226：计算各项指标的权值Wj：其中，m表示指标的总个数，gj为指标的差异系数。令将权重赋予各自对应的指标，形成新的数据集A’，即A'＝AW。其中，A为步骤S221中建立的原始数据矩阵，W为指标的权重矩阵。进一步地，所述步骤S24中聚类的具体算法如下：步骤S241：根据手肘法确定最佳聚类数目K；步骤S242：从输入的数据点集合中随机选择一个点作为初始聚类中心；步骤S243：对数据集中的每一个点，计算其与初始聚类中心距离最近的种子点的距离D(x)，并存放在一个数组里，将其距离相加得到Sum(D(x))；其中，Xi是样本i所有指标形成的向量，Cj是簇j的质心对应所有指标的向量，xiu为样本i对应的第u个指标的值，cju为簇j对应的第u个指标的值，n为指标的个数；步骤S244：取一个能落在Sum(D(x))中的随机值Random，Random＝Sum(D(x))*Random(0～1)，找出当前Random所在区间，Random＝Random-D(x)，直到Random小于等于0，此时的点即为下一个种子点；步骤S245：重复步骤S242和步骤S243，直到选出最佳聚类数目K个初始聚类中心；步骤S246：利用所述K个初始聚类中心运行标准的K-Means算法。进一步地，所述步骤S222中还包括为了避免求熵值时对数的无意义，需要进行数据平移的步骤。较现有技术相比，本专利技术具有以下优点：1、本专利技术提供的基于RFMCA模型的多指标客户细分方法，形成了完整的适用于零售业的客户细分指标体系，其多指标客户细分模型准确度较高，时间复杂度较小。2、本专利技术所提出的方法在区分客户行为特征，进行客户细分方面明显优于传统RFM的细分方法，能够更好地为企业区分不同类型客户，制定差异化营销策略，使企业合理利用有限资源来提高客户满意度和忠诚度，提升企业自身价值。基于上述理由本专利技术可在数据挖掘等领域广泛推广。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术方法流程图。图2为本专利技术数据预处理流程图。图3为本专利技术方法中随机种子选择示意图。图4为碎石图。图5为本专利技术手肘法结果图。具体实施方式为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些本文档来自技高网...

【技术保护点】
1.一种基于RFMCA模型的多指标客户细分方法，其特征在于，包括以下步骤：步骤S1：获取网络数据与本地数据，构造样本数据，并对样本数据进行预处理；步骤S2：对上述预处理后的数据进行分析，并构建基于RFMCA模型的多指标客户细分模型；步骤S3：对上述多指标客户细分模型的结果进行评估，得到细分后的数据，并与传统细分指标进行对比分析；步骤S4：对上述细分后的数据进行类内关联规则挖掘。

【技术特征摘要】
1.一种基于RFMCA模型的多指标客户细分方法，其特征在于，包括以下步骤：步骤S1：获取网络数据与本地数据，构造样本数据，并对样本数据进行预处理；步骤S2：对上述预处理后的数据进行分析，并构建基于RFMCA模型的多指标客户细分模型；步骤S3：对上述多指标客户细分模型的结果进行评估，得到细分后的数据，并与传统细分指标进行对比分析；步骤S4：对上述细分后的数据进行类内关联规则挖掘。2.根据权利要求1所述的基于RFMCA模型的多指标客户细分方法，其特征在于，所述步骤S2中构建基于RFMCA模型的多指标客户细分模型的具体步骤如下：步骤S21：创建RFMCA多指标客户细分体系，对步骤S1中预处理后的样本数据，根据构建的RFMCA多指标客户细分体系进行计算；步骤S22：采用熵值法为RFMCA多指标客户细分体系进行赋权，根据各项指标观测值所提供的信息的大小来确定指标权重；步骤S23：采用因子分析法进行数据降维，通过Kaiser-Meyer-OlkinandBartlett’stest，根据度量标准来确定因子变量之间是否适合进行因子分析，并通过累计方差贡献率、碎石图和特征根来确定因子的数目；步骤S24：对上述步骤S23中的因子变量进行聚类，完成客户细分。3.根据权利要求2所述的基于RFMCA模型的多指标客户细分方法，其特征在于，所述步骤S22中根据各项指标观测值所提供的信息的大小来确定指标权重，具体步骤如下：步骤S221：建立数据矩阵其中，Xnm为第n个客户，第m个细分指标的数值；步骤S222：对数据进行非负化处理，其中，正向指标：负向指标：其中，Xij为第i个客户，第j个细分指标的值，max(X1j，X2j，...Xnj)和min(X1j，X2j，...Xnj)分别表示客户中第j个细分指标的最大值和最小值，n和m分别表示客户的总数和指标的总个数；步骤S223：根据数据处理后的X’ij，计算第i个客户，第j个指标的特征比重Pij：其...

【专利技术属性】
技术研发人员：杜杰，原慧琳，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁,21