- 相關推薦
基于項集的動態客戶細分群
yjbys小編為您提供一篇關于基于項集的動態客戶細分群的市場營銷畢業論文，歡迎參考！
摘要：動態市場中，客戶往往被有創意和競爭力的新產品或服務所吸引，其需求和態度 亦經常變化，所以識別客戶細分群并不時的跟蹤其變化是一個非常有用的手段。 在本文中，我們提出了一個考慮到市場動態性的基于頻繁項集的客戶細分方法， 它對客戶細分（即頻繁項集）的支持度軌跡進行變化分析，進而挖掘出我們感興趣的呈現某種趨勢或保持穩定的細分。
好的客戶關系管理意味著需要預見到顧客的需求還有態度的變化，及時向顧客提供和滿足其潛在的需求，或是在顧客還未流失的時候及時發現其不滿意的地方并加以改進，令顧客滿意。作為客戶關系管理的核心及基礎，客戶細分對企業的戰略戰術管理提供多方面多層次的信息支持。
正如摘要所提到的通常的客戶細分。如果客戶數據中本身含有類別屬性，則可以通過訓練分類器將待分類的客戶劃分到某一客戶類中去；如果客戶數據中不含有類別屬性，則可以通過諸如聚類的算法，將特征相似的客戶劃分為一類客戶群，但皆不會反映出客戶群的變化情況。本文通過發現頻繁項集從而挖掘出所謂感興趣的細分群，我們把這個感興趣的細分群定義為那些呈現出某些變化情況的細分。
一、頻繁項集及支持度軌跡
1.頻繁項集
一個屬性-值的配對就是一項，一些屬性-值配對的集合就是項集，因為我們所關注的項集覆蓋量（或者說支持度）比較大，所以把它稱為頻繁項集。形式上，數據集中所有項 的集合，用 來表示，那么一個子集 ， 就是項集。每個客戶記錄數據，其實也是一個項集，我們用 表示。因此，當的時候，我們就說客戶數據 覆蓋或者支持項集。某個項集 的頻率，是用它的支持度sup()來度量的，用P( )或者P( )表示。例如，我們有一個數據集，包含了關于客戶滿意度的調查結果，從中得到一個頻繁項集：網齡<5年，滿意度>80分。這個頻繁項集的支持度就是那些網齡在5年以下但滿意度的分數高于80分的客戶的相對頻率，也就是說，它的支持度描述了這個客戶細分群的相對規模。接下來，我們將頻繁項集和客戶細分群這兩個詞作為同義詞。
2.支持度軌跡
頻繁項集的變化則是通過在一定時間里其支持度的變化反映出來。我們將一段時間軸[t0,tn]分割成n>1個不相交的區間[ti-1,ti]，[ti-1,ti]≈[ti,ti+1]。令Ti∈[ti-1,ti]，D(Ti)是Ti時的客戶數據，原則上Ti+1Ti≈TiTi-1。則對于同一個頻繁項集 ，sup( ,Ti)則是 在D(Ti)上的支持度，序列H( )=(sup( ,T1),sup( ,T2),...sup( ,Tn))則是 的支持度軌跡，這個支持度軌跡則是接下來用來發現那些我們感興趣的變化模式的基礎。如剛才的例子，我們發現頻繁項集“網齡<5年，滿意度>80分”的支持度軌跡有逐漸向下的趨勢，這就可以解釋為，網齡在5年以下但滿意度高于80分的客戶數量正在逐漸減少。
二、步驟
1.提取頻繁項集
本文細分群的提取就是頻繁項集的提取，我們的任務就是把一些項 的集合找出來形成項集 ，滿足一定覆蓋量要求的項集 就是頻繁項集，而覆蓋某項集的所有客戶的集合就形成了一個細分群。接下來，對于每個項集 ，我們計算出其支持度sup( ,Ti)（若某個sup( ,Ti)小于我們預定的覆蓋量，則不記錄它），形成支持度軌跡H( )。
2.支持度軌跡變化分析
我們關注兩種變化：穩定的變化和呈現出某種趨勢的變化，不關注不規律的變化（認為是環境的因素造成的）。如果在一定時間范圍內某個軌跡呈現出向上的增長或者向下的減少，這種增長或減少是逐漸的，我們就說它是一種趨勢。一個軌跡只能是過去和現在的情況的反映，但是呈現某種趨勢的軌跡，在環境不變的情況下，則可以據此對未來的情況做出一個估計。對于某種客戶細分群，企業通常都有一個對趨勢的期望，要么期望其“膨脹”，要么期望其“縮小”，但是當企業的期望與實際情況有出入的時候，企業就會知道應該在戰略和策略上做出調整了。對應的，如果在一定時間范圍內某個軌跡呈現的情況為，其值總是在一個水平上上下波動，就像價值規律一樣，我們就說它是穩定的變化。在環境不變的情況下，亦可以據此對未來的 （下轉第62頁） （上接第50頁） 情況做出一個估計。對于企業來說，往往很多客戶細分群呈現出穩定的變化，就 是他們所期望的。
3.興趣評估 在一次具體實驗中，我們可能會發現很多感興趣的細分，但不是對每個頻繁項集 我們都有同樣的興趣，這就引出了一個興趣度的概念，其實就是我們主觀上給某個頻繁項集對于我們的興趣程度打個分，以表示我們對它的關注度。我們給出了一個啟發式的度量方法：如果一個頻繁項集呈現出的實際變化模式與企業最初對頻繁項集變化模式的估計有較大差異，那么分數自然就較高。接下來，我們給出一些反映差異的情況：
（1）最初估計是穩定的變化，但實際是有趨勢的變化；
（2）最初估計是有趨勢的變化，且變化的速度比較緩慢，但實際出現了某些突變或是速度較快的情況；
（3）最初估計是有趨勢的變化，且變化的速度比較快，但實際的變化比較不明顯。
因此，最初的估計與實際的情況差異越大，分數就越高，這樣的頻繁項集或者細分，就越是企業需要關注的，或者說需要引起重視的，以便企業及時做出調整，采取措施。
我們將此方法運用到某企業的實際客戶數據中，發現了很多感興趣的客戶細分群和趨勢并提出了一些建設性的策略，在此不贅述。本文旨在提出這個新的方法，希望對企業在與客戶打交道的過程中能有所幫助。
[1]杜修平,王中.基于決策樹的證券客戶流失模型[J].計算機應用與軟件
[2]張玲芳,張婧.基于RFM模型和協同過濾的電子商務推薦機制[J].江蘇科技大學
學報:自然科學版
孔力（1985—）男，漢族，四川大學工商管理學院碩士研究生，研究方向為客戶關系管理。
王子旗（1988—）男，漢族，四川大學工商管理學院碩士研究生，研究方向為企業管理，物流工程。
【基于項集的動態客戶細分群】相關文章：
基于Blog的動態信息資源組織03-18
基于動態資源分配的WDM-PON結構研究基于動態資源分配的WDM-PON結03-07
基于動態能力理論的知識轉移影響因素研究03-24
基于動態股權激勵模型的員工崗位分配新模式03-21
基于動態過程的民營企業危機戰略管理03-28
基于生命周期的客戶價值分析03-20
基于新課程視野下信息技術教學動態設計03-12
基于零件虛擬工序隊列的FMS動態調度研究03-19
基于客戶價值的航空公司客戶關系管理策略03-24