基于神經網絡模型的商場客戶細分

[摘 要]遺傳神經網絡模型具有快速學習網絡權重和全局搜索的特點。本文基于遺傳神經網絡模型，將商場客戶細分為四類，并對每一類客戶群提出了具有差異性的營銷策略。

[關鍵詞]商場客戶細分 營銷策略 遺傳神經網絡

一、引言

現代社會中，商場之間的競爭日益激烈。商場服務的對象是客戶，商場之間的競爭歸根結底也是客戶資源的競爭。不同的客戶對企業的貢獻率不同，這就需要企業進行客戶細分，整合有限資源針對重點客戶，實行差異化營銷策略。

在客戶細分方面，國內外學者進行了大量研究。張全成[1]從消費者行為的內因與外因，對消費者的消費行為進行細分，將客戶細分為享樂主義、實用主義、沖動的購買行為的消費者等八類。Hughes提出RFM客戶細分方法，R(Recency)指上次購買至今的時期、F(Frequency)指某一段時期內購買頻率、M(Monetary)指某一時期購買金額。RFM分析是對這三個要素進行打分，然后相乘。按照三個要素乘積的大小，對所有客戶的交易數據進行排序，前面的20%是最有價值的客戶，后面20%是企業應該避免的低價值客戶，中間60%的客戶是需要向上遷移的客戶。國內學者汪濤[3]根據客戶價值和客戶特征將客戶劃分為燈塔型客戶、跟隨型客戶、理性客戶和逐利客戶四類。

本文對零售業中商場的客戶進行細分，為企業制定更適合自己的營銷策略提供一些理論依據。

二、遺傳算法

一般的客戶細分方法有人工神經網絡、遺傳算法、決策樹法、貝葉斯法等。

本文擬采用遺傳算法進行商場客戶細分。

遺傳算法是模仿自然界生物進化機制發展起來的隨機全局搜索和優化方法，其本質是一種高效、并行、全局搜索的方法，它能在搜索過程中自動獲取和積累有關搜索空間的知識，并自適應的控制搜索過程以求得最優的方案。潛在的解決方案的種群產生之后，按照適者生存和優勝劣汰的原理，逐代演化產生越來越好的近似解。在每一代，根據問題域中個體的適應度大小挑選個體，并借助于自然遺傳學的遺傳算子進行組合交叉和變異，產生出代表新的解集的種群。這個過程將導致種群像自然進化一樣的后生代種群比前代更加適應于環境，末代種群中的最優個體經過解碼可以作為問題近似最優解。

遺傳算法可應用于組合優化、函數優化、自動控制、生產調度、圖像處理、機器學習、人工生命和數據挖掘等領域。

遺傳算法具有如下特點:對可行解表示的廣泛性、群體搜索特性、不需要輔助信息、內在啟發式隨機搜索特性、在搜索過程中不容易陷入局部最優、固有的并行性和并行計算的能力、可擴展性及自組織、自適應和自學習性。

對于商場客戶細分，由于其數據量大，屬性與目標之間存在非線性關系，同時不完整數據在數據處理時得到很好的處理，所以適合選用神經網絡法，但由于常用的BP神經網絡存在局限性:需要較長的訓練時間、所求很可能是局部極小值、隱層神經元節點個數難以確定等，就選用具有全局優化搜索能力的遺傳算法，用遺傳算法優化神經網絡，可使神經網絡具有自進化、自適應能力，從而構造出進化的神經網。

三、商場客戶細分指標建立及數據處理

1. 商場客戶細分指標的確立

本文結合商場客戶細分指標選取的原則，根據零售行業特點及商場客戶的特征，選擇了八個客戶細分指標:性別、年齡、教育程度、職業、收入、購買頻率、次購買額和購物滿意度。

2. 數據處理

本文的數據來自S省某大型商廈2008年第四季度的銷售數據，我們選取了信息比較全面的200個消費者數據作為本論文的樣本數據，數據包含各類人群，對于下面的實證研究是有效的。

由于所獲得的數據來自同一商場不同的數據庫，所以在進行模型分析之前需要對其進行預處理:數據的集成、數據的清理、數據的變換和數據的簡化。在對客戶數據進行分類前，應對其進行規范化處理，對定性的指標進行量化處理。將非數值類型的數據轉化成數值型類型后，再進行標準化，由于本文后面將使用遺傳神經網絡進行客戶細分，所以需要將數據轉換成0和1之間的數值，采用如下公式:

最后利用所獲得數據，利用細分指標將其分為四類，分別是A類客戶(1，0，0，0)，B類客戶(0，1，0，0)，C類客戶(0，0，1，0)，D類客戶(0，0，0，1)。根據A、B、C、D四類消費者的典型特征選取40個訓練數據來訓練模型，8個檢驗數據檢驗模型的適用性。

四、遺傳神經網絡模型在商場客戶細分中的應用

1. 基于遺傳神經網絡的客戶細分模型驗證

本文采用遺傳算法的具體步驟如下:

(1)編碼方式的選擇:本文采用實數編碼，每位實數取為一位整數和四位小數的數字。神經網絡各個權值按一定順序級聯為一個長串，串上每一個位置對應著網絡的一個權值和閾值。在對商場客戶細分中我們將網絡結構規定為8×9×4，所以可以把一組網絡權值和閾值連接成一個遺傳算法中的染色體，則連接權和閾值Xi維數=輸入層神經元數×隱含層神經元數+隱含層值數+隱含層神經元數×輸出層神經元數+輸出層閾值=8×9+9+9×4+4=121。

(2)確定適應度函數:由于我們要求解的是目標函數和輸出值之間的最小差，而遺傳算法是根據個體的適應度值來進行選擇操作。適應度越大，被選中遺傳到下一代的幾率就越大。所以，我們還必須用一個適應度函數將個體目標函數值進行轉化，使得目標函數值越小，適應度值越大。因此將適應度函數定義為如下形式:

其中，為第i個訓練樣本時神經網絡的輸出，為期望輸出，l為樣本數目。

(3)選擇合適的參數:本文群體規模M取40，遺傳代數為100，交叉概率PC取0.5，變異概率PM取0.001。

(4)選擇操作:遺傳算法中的選擇操作就是用來確定如何從父代群體中按某種方法選取哪些個體遺傳到下一代群體中的一種遺傳算法，用來確定重組或交叉個體，以及被選個體將產生多少個子代個體。本文采用MATLAB中的normgeomselect函數。

(5)交叉及變異操作[4]:交叉能夠使遺傳算法從不同的個體中提取更好的基因，結合到具有優勢的個體中去。變異增加了種群的多樣性，因而增大了算法生成更高適應度值的個體的可能性。交叉操作利用MATLAB中自帶的函數arithXover，變異操作利用MATLAB中的nonUnifMutation函數。

2. 細分模型驗證

根據上面的算法和測試樣本數據，我們利用遺傳神經網絡進行模型的訓練，訓練的結果如表4-2所示，給出檢測數據的目標輸出，A類客戶、B類客戶、C類客戶和D類客戶共計四類，輸出矩陣如表4-1所示:

根據得出檢測數據的結果，與目標矩陣的對比，我們運用歐幾里得范數()求出其誤差為0.0118，運行時間為16.524秒。可以看出:遺傳神經網絡對于商場客戶細分擬合的非常好，誤差非常小，運行時間也很短，說明擬合的結果是合理的。因此，遺傳神經網絡對于商場客戶細分是合適的，可以用于以后客戶細分的參考模型。

3. 商場客戶細分模型應用

我們利用上面所建立的模型，對來自商場的200名客戶數據進行細分，得出幾類客戶分布比例及特征，結果如表4-3所示:

從表4-3可以看出，在A類客戶中，女性所占比例最多，年齡相對較小，文化程度較高。B類客戶所占比例最少，男性居多，年齡多以中年為主，職業比較好，年收入最高，消費額很高，但消費頻率不高。C類客戶所占比例最多，多以女性為主，任何特征都比較居中。D類客戶男女比例適中，年齡偏大，滿意度最低。

4. 細分結果應用策略

對四類客戶應采取有差異化的營銷策略:

A類客戶:這類客戶屬于高端客戶，是著名二八原則里的20%，抓住這20%，就等于獲得80%的利潤。企業針對產品本身可以利用其地位聯想功能，比如這類產品所代表的社會地位、身份和品位，采用名人策略，提高產品知名度，提供優越的購物環境，建立良好的客戶關系，定期回訪，為其商品提供更好的服務，做到一對一的精細化銷售。

B類客戶:此類客戶群屬于需求購物，更多關注的是自己的需要和產品本身的本質。針對這點提出和A類客戶一樣的營銷策略，提高產品品質，運用名人效應提高產品知名度。但與A類客戶不同，此類客戶群不注重商品的個性化，更多注重產品的品質、細節，所以企業針對這類客戶群體必須有精細化的產品加工體系。也需提供優越的購物環境并注重此類客戶購物的便利性，此類客戶對于后期回訪不是很喜歡。

C類客戶:C類客戶群屬于大眾型，占商場客戶80%以上，對價格比較關注，屬于具有典型的商場特征的客戶群。針對此類客戶群，企業在環境和品牌上不需要投入過多成本，應將其資源配置的重點放在廣告促銷上，同時提供良好的服務，增加客戶的忠誠。

D類客戶:這類客戶對于價格的關注度更高，客戶忠誠度很低。對于促銷打折等促銷信息特別關注，對于購物環境沒有要求，但是對于服務還是有一定要求的。對于品牌的關注度幾乎沒有，只注重價廉。針對此類客戶企業一般采取拋棄政策，或不聞不問，有了更好，沒有也不影響企業的效益。

五、結論

本文基于遺傳神經網絡模型將商場客戶進行細分，并對細分出的四類客戶群提出了具有差異性的營銷策略。

當今企業為了在殘酷的競爭環境中保持競爭力，就必須進行客戶細分，整合企業有限資源針對重點客戶，實行差異化服務策略。本文研究的結果對于企業實行更好的客戶細分，制定更適合自己的營銷策略及經營決策等都提供了理論依據，起到了積極的作用。

參考文獻:

[1] 張全成.論消費者消費行為細分[J].中國科技信息.2006， 4:202-203

[2] Hughes， A.， Strategic database marketing: the master plan for starting and managing a profitable， customer-based marketing program [A].Irwin Professional.1994.

[3] 汪濤.產品組合管理新論--以顧客為核心的產品組合管理模型[J].商業經濟與管 理.2003，6:8-12

[4] 王小平，曹立明.遺傳算法——理論、應用與軟件實現[M].西安:西安交通大學出版社，2002.