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