改進的k—means聚類算法在客戶細分中的應用研究

杜巍　趙春榮等

摘要：聚類分析是數據挖掘的一種重要方法，將它應用在客戶細分中，可以識別出不同的客戶群，從而針對不同的客戶群制定相應的營銷政策，使企業效益最大化。針對聚類分析中k-means算法的不足，運用改進的聚類算法對旅游業客戶進行細分，從而使企業能夠更合理地細分、規劃客戶群組，針對不同需求的客戶群體進行區別對待，得到了較好的效果，驗證了改進算法的可行性和高效性。

關鍵詞：聚類分析；客戶細分；數據挖掘；改進的k-means算法；客戶群

中圖分類號：F713.50 文獻標識碼：A 文章編號：1007-2101（2014）01-0118-04

客戶關系管理中的一個重要環節就是客戶細分，它也是客戶關系管理中的核心概念之一。客戶細分是將一個大的客戶群或者消費者群體劃分成多個細分群體，這些群體中同屬于一個細分群體的客戶或者消費者的彼此特性相似，而隸屬于不同細分群體的客戶或者消費者之間是不同的。簡而言之，客戶細分是根據客戶的屬性、行為、需求、偏好以及價值等因素劃分的客戶集合。

在激烈的市場競爭中，客戶細分是眾多企業識別客戶類別、把握客戶特征的重要方法。通過客戶細分，企業可以更好地識別客戶群體，從而達到區別對待有不同需求的客戶，采取差異化的營銷策略，達到最優化配置客戶資源的目的。因此，當今企業如果想在激烈的市場競爭中脫穎而出就應該了解如何對客戶群體進行客戶細分，從而挖掘出具有消費潛力的客戶，并針對這些客戶進行合理的資源分配，對不同價值的客戶制定出不同的營銷策略。

一、聚類分析算法

目前，有很多種聚類算法可以選擇，而究竟選擇哪種算法主要取決于數據的類型、聚類的目的及其應用。現今，主要的聚類算法可以劃分為以下幾類：基于劃分的方法、基于網格的方法、基于層次的方法和基于密度的方法等。基于劃分的聚類方法為給定數據集合指定合理的劃分，每個對象被指定給唯一的簇。簇的個數k是需要用戶指定的輸入參數。一個好的聚類算法的劃分準則是：不同類中的對象之間盡可能的遠離或者不同，而同一類中的對象之間盡可能的相近或者相關。

k-means算法是其中最常用的劃分方法，它以k為參數，再把n個對象分解成為k個簇，以使簇內具有較高的相似度，簇間具有較低的相似度。而相似度的計算是根據一個簇中對象的平均值來進行的。它的算法步驟為：首先在所有的對象中隨機的選取k個對象用作初始的聚類中心；然后根據剩余對象與各個中心點之間的距離，將它們分配到距離最近的簇中；再重新計算一遍新得到的每個簇的均值并將它作為新的聚類中心。重復上述步驟直到準則函數收斂為止。

k-means算法的主要優點是算法簡潔、快速。它是解決聚類問題的經典算法之一。它在結果簇是密集的，且簇與簇之間區別明顯時效果最好。同時對處理較大的數據集時，該算法也是相對高效和可伸縮的。它的時間復雜度是O（nkt），其中n是所有對象的數目，k是簇的數目，t是迭代的次數。但k-means算法同時也具有一定的局限性，主要體現在以下幾個方面：

1. 從樣本點的集合中隨機選取k個中心，這種選擇具有盲目性和隨意性，它在很大程度上決定了算法的有效性。這個算法的聚類結果對初值的依賴性很強，初始值一旦選擇的不好，可能無法得到有效的聚類結果。所以，這也成為k-means算法的一個核心問題，因此對初始中心的選擇進行改進既有意義也有必要。

2. 聚類中心的調整，這是涉及聚類準確性的關鍵問題。k-means算法的處理方法是對每一個已有的分類，聚類中心為該類中所含數據點的幾何平均值。而平方誤差準則函數在各個簇之間區別明顯且數據分布稠密時運用起來比較有效；但是如果各簇的形狀和大小差別很大，為使函數收斂則可能會將大的聚類簇分割，從而導致聚類結果的不準確。

二、改進的k-means算法

三、實例分析

本次試驗是針對旅游業客戶對服務重要性的評價打分進行客戶細分，從而將客戶細分成幾類，針對不同類客戶采取不同的決策，最終使企業的效益最大化。

1. 確定數據挖掘的目標。數據挖掘不能盲目地進行，必須非常明確的定義出業務的問題。因此認清數據挖掘的目的是數據挖掘很重要的一步。本次試驗是對旅游業的客戶進行分類。

2. 收集和預處理數據。在數據挖掘中首要步驟就是收集數據。數據可以從多種渠道中獲得，可以從數據倉庫中，也可以從現有事務處理系統中得到。獲得數據后，從中選擇出與業務對象相關的，并且適用于數據挖掘應用的數據。而在收集階段得到的數據可能存在一系列的問題，表現在數據有缺失或存在自身的不一致性等。因此我們要先做數據的預處理，一般包括消除重復記錄、推導計算缺值數據、完成數據類型的轉換、消除噪聲等。

本次試驗的數據來源于數據倉庫中抽取的旅游業的客戶服務數據，既有客戶旅行完的問卷調查，也有網上評分。同時表明了客戶對于服務重要性的打分。表1中的數據是客戶認為服務重要性的5個打分，分別為1～5從不重要到重要。

3. 數據分析。數據分析的主要目的是：“消減數據維數或降維，即從初始特征中找出真正有用的特征，以減少數據挖掘時要考慮的特征或變量個數。”針對旅游業客戶的評價，對于性別等不起決定作用的屬性予以刪除，主要考慮客戶對于時間安排、交通安排、食宿安排、瀏覽地點及導游服務的評價。

6. 分析模型結果。客戶ID為1、2、7和客戶ID為3、4的客戶都有相類似的服務要求，而客戶ID為5、6的客戶我們把他歸類為第三類客戶。其中，當客戶的數量達到一定程度時，我們可以根據服務細分原則，把要求類似的客戶聚類分組，這樣就可以做到針對不同需求的客戶做到不同的服務，這樣既有利于節約成本，又能給客戶提供最為適合的服務。并能使該公司做到自己的服務內容與眾不同，從而逐步實現“一對一營銷”，提高客戶的滿意度，也在一定程度上保證了客戶的忠誠度，最終使公司效益和利益最大化。

與k-means算法得到的結果比較：如圖2所示，k-means算法需要迭代四次后算法收斂，生成最終聚類；改進后的k-means算法只需迭代2次即可得到結果，從而在效率上大大提高，簡化了復雜度。

由此得出改進的k-means算法具有可行性和高效性，能夠將客戶細分，為企業做出正確決策提供依據。

四、總結

聚類分析在數據挖掘中的有著較為廣泛的實際應用，本文研究和實現了用改進的k-means算法對旅游行業的客戶進行細分建模，并把具有相似特征的客戶歸為一類，不同特征的客戶分為不同的類。并根據建立的模型，可以使企業能夠更合理地細分、規劃客戶群組，針對不同需求的客戶群體進行區別對待，從而提供有針對性的服務。最終幫助企業把有效的精力、資源和時間安排在最有價值和潛力的客戶身上，以使企業能在日益激烈的市場競爭中立于不敗之地，從而提高公司的效益和競爭力。同時本模型在支持企業領導的決策等方面有著極為重要的理論參考價值和實際應用價值。

參考文獻：

[1]紀希禹.數據挖掘技術應用實例[M].北京：機械工業出版社，2009.

[2]Jiawei Han，Micheline Kamber.數據挖掘概念與技術[M].北京：機械工業出版社，2006.

[3]梁小強.數據挖掘聚類算法在CRM中的研究與應用[D].烏魯木齊：新疆農業大學，2009.

[4]朱銀歡.數據挖掘技術在客戶關系管理中的應用[D].西安電子科技大學，2006.

[5]張效娟.k-means算法的改進和在保險業CRM中的應用[J].大連交通大學學報，2008，（1）：76-79.

[6]李志剛.客戶關系管理理論與應用[M].北京：機械工業出版社，2007.

[7] Anonymous.Both sides of the CRM divide[J]. Marketing. Toronto：Apr18，2005.Vol.110，Lss.14；p.S14（1 page）.

[8]Netter.Database firm unveils Web CRM service[J].Marketing Week.London：Apr 14，2005.p.17.

責任編輯、校對：秦學詩

與k-means算法得到的結果比較：如圖2所示，k-means算法需要迭代四次后算法收斂，生成最終聚類；改進后的k-means算法只需迭代2次即可得到結果，從而在效率上大大提高，簡化了復雜度。

由此得出改進的k-means算法具有可行性和高效性，能夠將客戶細分，為企業做出正確決策提供依據。

四、總結

聚類分析在數據挖掘中的有著較為廣泛的實際應用，本文研究和實現了用改進的k-means算法對旅游行業的客戶進行細分建模，并把具有相似特征的客戶歸為一類，不同特征的客戶分為不同的類。并根據建立的模型，可以使企業能夠更合理地細分、規劃客戶群組，針對不同需求的客戶群體進行區別對待，從而提供有針對性的服務。最終幫助企業把有效的精力、資源和時間安排在最有價值和潛力的客戶身上，以使企業能在日益激烈的市場競爭中立于不敗之地，從而提高公司的效益和競爭力。同時本模型在支持企業領導的決策等方面有著極為重要的理論參考價值和實際應用價值。

參考文獻：

[1]紀希禹.數據挖掘技術應用實例[M].北京：機械工業出版社，2009.

[2]Jiawei Han，Micheline Kamber.數據挖掘概念與技術[M].北京：機械工業出版社，2006.

[3]梁小強.數據挖掘聚類算法在CRM中的研究與應用[D].烏魯木齊：新疆農業大學，2009.

[4]朱銀歡.數據挖掘技術在客戶關系管理中的應用[D].西安電子科技大學，2006.

[5]張效娟.k-means算法的改進和在保險業CRM中的應用[J].大連交通大學學報，2008，（1）：76-79.

[6]李志剛.客戶關系管理理論與應用[M].北京：機械工業出版社，2007.

[7] Anonymous.Both sides of the CRM divide[J]. Marketing. Toronto：Apr18，2005.Vol.110，Lss.14；p.S14（1 page）.

[8]Netter.Database firm unveils Web CRM service[J].Marketing Week.London：Apr 14，2005.p.17.

責任編輯、校對：秦學詩

與k-means算法得到的結果比較：如圖2所示，k-means算法需要迭代四次后算法收斂，生成最終聚類；改進后的k-means算法只需迭代2次即可得到結果，從而在效率上大大提高，簡化了復雜度。

由此得出改進的k-means算法具有可行性和高效性，能夠將客戶細分，為企業做出正確決策提供依據。

四、總結

聚類分析在數據挖掘中的有著較為廣泛的實際應用，本文研究和實現了用改進的k-means算法對旅游行業的客戶進行細分建模，并把具有相似特征的客戶歸為一類，不同特征的客戶分為不同的類。并根據建立的模型，可以使企業能夠更合理地細分、規劃客戶群組，針對不同需求的客戶群體進行區別對待，從而提供有針對性的服務。最終幫助企業把有效的精力、資源和時間安排在最有價值和潛力的客戶身上，以使企業能在日益激烈的市場競爭中立于不敗之地，從而提高公司的效益和競爭力。同時本模型在支持企業領導的決策等方面有著極為重要的理論參考價值和實際應用價值。

參考文獻：

[1]紀希禹.數據挖掘技術應用實例[M].北京：機械工業出版社，2009.

[2]Jiawei Han，Micheline Kamber.數據挖掘概念與技術[M].北京：機械工業出版社，2006.

[3]梁小強.數據挖掘聚類算法在CRM中的研究與應用[D].烏魯木齊：新疆農業大學，2009.

[4]朱銀歡.數據挖掘技術在客戶關系管理中的應用[D].西安電子科技大學，2006.

[5]張效娟.k-means算法的改進和在保險業CRM中的應用[J].大連交通大學學報，2008，（1）：76-79.

[6]李志剛.客戶關系管理理論與應用[M].北京：機械工業出版社，2007.

[7] Anonymous.Both sides of the CRM divide[J]. Marketing. Toronto：Apr18，2005.Vol.110，Lss.14；p.S14（1 page）.

[8]Netter.Database firm unveils Web CRM service[J].Marketing Week.London：Apr 14，2005.p.17.

責任編輯、校對：秦學詩