一種基于K—Means算法的移動客戶聚類分析方法

李睿穎　柳炳祥　萬義成

摘要：客戶投訴是客戶對企業管理和服務不滿的表達方式，是企業最有價值的信息來源，因此，如何分析處理客戶投訴的數據，掌握投訴客戶的基本特征，進而把客戶的不滿轉化客戶滿意，鎖定他們對企業和產品的忠誠，贏得客戶的信任，是企業核心競爭優勢所在。論文將K-means算法應用于移動客戶的聚類分析中，針對某企業某段時間的移動通信投訴數據進行聚類分析，目的是根據移動公司投訴數據進行聚類，找到對每個類別客戶應該采取的營銷策略，以提升公司對客戶的價值，改善客戶關系管理工作。實驗結果驗證了方法的可行性和有效性，為移動客戶聚類分析提供了一種分析的方法。

關鍵詞：K-means算法 移動客戶 聚類分析

中圖分類號：TP309 文獻標識碼：A 文章編號：1007-9416（2016）08-0157-02

1 引言

客戶投訴是每一個企業不可避免遇到的問題，它是客戶對企業管理和服務不滿的表達方式，也是企業有價值的信息來源，它為企業創造了許多機會。因此，如何利用處理客戶投訴的時機而贏得客戶的信任，把客戶的不滿轉化客戶滿意，鎖定他們對企業和產品的忠誠，獲得競爭優勢，已成為企業營銷實踐的重要內容之一。論文將K-means算法應用于移動客戶的聚類分析中，目的是根據移動通信公司投訴數據進行聚類，找到對每個類別客戶應該采取的營銷策略。

2 K-Means算法

K-Means算法，也稱為K-平均算法，是最常用普遍的基于劃分的聚類方法，是根據數據樣本中的屬性值之間的相似度來對數據樣本進行區分。它把最終分類的個數k隨機地選取k個初始的聚類中心而且不斷地迭代，直到取得目標函數的最小值或無法取得更進一步的優化，則生成最后的模型，即為聚類的最終結果。在K-means算法中，每一個簇當中都有一個中心，即為“質心”，k個簇同樣就會有k個質心。任何一個樣本被劃到哪個簇中，就看它和哪個質心的“相似度”最大。K-means算法當中，權衡相似度的標準就是“距離”。一個數據樣本為什么劃分到這個簇，就是看這個樣本是這個簇的質心的距離是最小，則是由樣本的每一個屬性的取值來共同參與決定。

K-Means算法的流程首先是選擇k個簇的質心，由用戶選定樣本中的簇的數量k，然后生成k個質心；其次是計算每一個樣本與k個質心的距離，把他歸納到距離最短的類別去；第三，計算出新的聚類質心，由于在指派樣本的過程中，一個簇的某些樣本可能會被劃分到另一個簇，同時也可能其他的簇中的樣本轉移到這個簇中，則需要重新確定新的質心；最后，制定算法停止規則，輸出最終結果。其中停止規則分為最大迭代次數和差異容忍度兩種，最大迭代次數是指算法將不斷重復“計算每一個樣本與k個質心的距離---計算出一個新的聚類質心”，直達到“最大迭代次數”。當到達了極限后，算法停止計算，產生新的簇。差異容忍度是在每一次迭代介紹后，計算出每個簇計算前后質心的距離差，小于預先設定的差異容忍度，則算法停止，否則繼續迭代。

3 K-Means算法在移動客戶投訴數據聚類分析中的應用

3.1 實驗數據集

實驗數據集包含2711個樣本，有6個屬性（投訴內容，故障行政區，使用網絡類型，責任原因，終端描述，客戶品牌）組成，如表1所示。其中投訴內容A1-A9分別代表wifi問題、短信問題、寬帶問題、國際漫游問題、手機上網問題、通話質量問題、網絡設備故障、網絡數據問題、信號問題。故障區B1-B20分別代表寶山區、崇明區、奉賢區、虹口區、黃浦區、嘉定區、金山區、靜安區、長寧區、閔行區、浦東新區、普陀區、青浦區、松江區、徐匯區、楊浦區、閘北區、其他區域、外省、國外。使用網絡類型C1代表2G網絡，C2代表3G網絡。責任原因D1代表客戶問題，D2代表網絡部門。終端描述E1-E15分別代表HTC、IPHONE、OPPO、步步高、華為、酷派、聯想、中興、小米、諾基亞、三星、索尼、其他。

客戶品牌F1代表全球通，F2代表全球通VIP，F3代表動感地帶，F4代表神州行。

3.2 實驗過程

選取移動通信公司投訴數據excel表格導入SPPS-Modeler軟件當中，首先選擇“源”下方“excel”確保數據導入軟件當中，其次選擇“字段選項”下方“類型”確定模型的類型，最后選擇“建模”下方眾多模型中的“K-means”算法，完整的數據流如圖1所示。

在實驗過程中，選擇模型使用分區數據時，確定選擇聚類為幾類，選取K-Means模型節點，分別選取k均值為2，3，4，5，6等多個參數進行實驗分析，經過一系列k均值比較，比較得出選取k均值為5，即聚為5類；選用專家模式，選取最大迭代數10，其余參數均為默認，聚類結果如圖2所示。

從圖2中看出，聚類-1占訓練集樣本62.6%，聚類-2占6.0%，聚類-3占2.3%，聚類-4占11.0%，聚類-5占18.1%。最大聚類（聚類-1）與最小聚類（聚類-2）的比例為1：26.95。

3.3 實驗結果分析

通過實驗結果可知，聚類1中，投訴內容大致為信號問題、短信問題、通話質量差，通常這個投訴點發生在2G網絡使用情況下，公司旗下每個品牌都有這些投訴現象。聚類2中，投訴點主要集中“神州行”用戶對短信接收問題，以及對短信計費問題。聚類3中，投訴點在信號以及wifi問題。這類的wifi問題指在無線熱點沒法連接或者信號微弱，以及無法登錄。聚類4中，在“神州行”品牌客戶中，2G的網絡手機網絡數據會出現問題，建議所有的使用2G網絡的客戶，可以到移動營業廳或者網上營業廳進行網絡免費手機，免費換3G卡的業務，并且資費不變。聚類5中，責任原因歸屬在網絡部門自己。移動客戶投訴所用的問題中，責任都出現在網絡部門沒有經常性的維護和發現問題。加強內部管理，加大檢修力度，將信號問題有效的解決掉，這樣客戶的滿意度才會增長。

4 結語

通過移動通信公司投訴數據聚類分析的實驗表明，K-Means算法表現出相對良好的聚類性能。經過k取值的不同進行不斷的比較，大大提高了聚類的優越性，從而實現良好的聚類性能。利用K-Means算法對移動通信公司投訴數據進行聚類，找到對每個類別客戶應該采取的營銷策略，提升客戶價值，改善客戶關系管理工作。

參考文獻

[1]劉堯坤.顧客投訴管理與處理技巧[M].廣州：廣東經濟出版社，2005.

[2]徐遠純，盛昭瀚.一種基于決策樹算法的客戶流失分析方法[J].計算機與現代化，2004 （8）.

[3]趙小寧，李鳳霞.因子分析法和聚類分析法在網上銀行客戶滿意度研究中的應用[J].時代金融，2015（3）.

[4]蔣斌.數據挖掘技術在客戶關系管理中的運用[J].云南大學學報（自然科學版），2006 （12）.