ＣＲＭ系統中客戶價值評估的實現

[摘要] 隨著市場競爭的日益激烈，“以客戶為中心”的企業經營理念已成為共識。本文在分析CRM的功能以及客戶價值評估的重要性基礎上，提出了一種基于聚類算法和模糊推理的客戶價值評估方法，有效實現了對客戶的劃分和價值的評估。

[關鍵詞] 客戶關系管理聚類模糊推理

一、引言

CRM是客戶關系管理的簡稱，由于受到國外管理模式的影響以及周圍激烈競爭環境的推動，國內企業對CRM的需求日益旺盛。本文提出了一種基于聚類算法和模糊推理的客戶價值評估方法，有效實現了對客戶的劃分和價值的評估。

二、應用聚類算法劃分客戶

聚類是數據挖掘的一種策略，用來將數據對象劃分成多個簇，在同一個簇中的對象之間具有較高的相似度，而不同簇的對象之間差別較大。因而通過聚類分析，能將客戶劃分成不同的類。應用聚類算法劃分客戶的過程如下：

1.數據準備是數據挖掘過程中的重要環節，完成數據預處理和數據轉換。數據預處理主要解決噪聲問題和處理缺失信息，數據轉換包括數據的規范化、數據類型轉換以及選擇屬性和實例等。

我們在眾多屬性中選取了與客戶的價值有較大關聯的應收款、交易總額、信用額度、訂貨頻率、平均訂單利潤、支付方式以及訂貨頻率、平均訂單利潤和支付方式的標準差等作為特征度量。這些數據可以從數據庫中通過查詢計算獲得。其中需要注意的是有些非數值型屬性必須轉化成數值型。如支付方式共有5種，可以分別用0-4這幾個自然數來表示，取均值即可得到表征客戶支付習慣的“支付方式”屬性的值，最后將所有的數據進行歸一化處理。

2.客戶聚類和劃分。常用的聚類算法有劃分方法、層次方法、基于密度的方法、基于網格的方法以及基于模型的方法。K-Means算法是一種效率高，伸縮性相對較強的劃分方法。在執行這個算法之前，必須指定簇的數目k。其基本過程描述為：

第一步，任意選取k個對象作為簇的聚類中心。

第二步，計算對象到每一個簇中心的距離，并將其歸入距離值最小的那一簇。式（1）為某對象到第i個聚類中心的距離：（1）

其中n是維數（屬性的個數），xcj代表第j維的值，Cji代表第i個聚類中心的第j維的值。

第三步，計算簇的聚類中心，更新原來的聚類中心；

簇的聚類中心是簇中對象各維向量的平均值，例如：簇中有兩個二維對象，x1(1.0，2.0)，x2(4.0，5.0)；則簇的聚類中心為x0(2.5，3.5)。

重復第二步、第三步，直到聚類中心不再發生變化時，處理過程結束。

由此我們得到各聚類中心的數據以及客戶的劃分。客戶屬于其到各聚類中心的距離值最小的那一簇。

三、客戶價值的評估

為了進一步地確定各類客戶的價值，系統引入模糊推理機制。

模糊邏輯是一種用來推理基于規則系統中不確定性的啟發式技術，它使用0.0和1.0之間的值表示一個特定的值屬于某個集合的程度。如下圖所示，年齡34歲的人從某種程度上屬于青年人，但從更多程度上屬于中年人。

年齡的模糊集圖

設計模糊推理系統要解決三個問題：其一把精確的輸入變量模糊化，其二獲取模糊推理規則并在給定模糊輸入時得到輸出，其三是解模糊。

為了實現模糊推理，本例首先定義輸入輸出變量以及模糊子集，選擇應收款、交易總額、信用額度、訂貨頻率、平均訂單利潤、支付方式為系統輸入變量，客戶等級為輸出變量。所有輸入變量的模糊子集均為低、中、高，輸出變量的模糊子集為：低、中低、中、中高、高。

然后獲取模糊規則，模糊規則的一般形式設為：Ri：IF x1 is Ai1 and x2 is Ai2…….and xn is Ain THEN y is Ci 其中i是規則的條數，n是輸入變量的個數。

根據輸入變量與客戶價值的關系，按高中低分別賦值，如交易總額值越大，客戶價值越高，因此，對于交易總額按高中低分別賦予1，0，－1；而應收款越多，客戶價值越低，因此，對于應收款按高中低分別賦予－1，0或1，由此計算出每一條規則的輸出值： (n為輸入變量的個數)

輸出值與模糊子集之間的對應關系見表1。

表1 輸出值與模糊子集間的對應關系

最后進行模糊推理。在模糊推理的過程中，采用三角形隸屬度函數模糊化輸入變量，解模糊采用最大隸屬度法，由此推導出每一個聚類中心的等級。表2是對相關數據的分析結果，說明通過聚類分析，客戶被劃分成6個簇，屬于“0”簇的客戶為高級客戶，占所有客戶的1.67％，屬于客戶“5”簇的客戶為低級客戶，占所有客戶的8.33％。

表2各類用戶的等級

至此，客戶劃分及其價值評估得到實現。當然實際的處理過程要復雜得多，例如數據的預處理、合理的k值的獲取以及聚類效果的評估等等。

四、結論

本文闡述了客戶價值評估在CRM中的重要地位，介紹了聚類分析和模糊推理技術在客戶價值評估中的應用，為客戶價值評估提供了一種新的思路。