- 相關(guān)推薦
基于項集的動態(tài)客戶細分群
yjbys小編為您提供一篇關(guān)于基于項集的動態(tài)客戶細分群的市場營銷畢業(yè)論文，歡迎參考！
摘要：動態(tài)市場中，客戶往往被有創(chuàng)意和競爭力的新產(chǎn)品或服務(wù)所吸引，其需求和態(tài)度 亦經(jīng)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(tài)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(xiàn)某種趨勢或保持穩(wěn)定的細分。
好的客戶關(guān)系管理意味著需要預見到顧客的需求還有態(tài)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(fā)現(xiàn)其不滿意的地方并加以改進，令顧客滿意。作為客戶關(guān)系管理的核心及基礎(chǔ)，客戶細分對企業(yè)的戰(zhàn)略戰(zhàn)術(shù)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(shù)據(jù)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(shù)據(jù)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(fā)現(xiàn)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(xiàn)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(guān)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(shù)據(jù)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(shù)據(jù)，其實也是一個項集，我們用 表示。因此，當?shù)臅r候，我們就說客戶數(shù)據(jù) 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(shù)據(jù)集，包含了關(guān)于客戶滿意度的調(diào)查結(jié)果，從中得到一個頻繁項集：網(wǎng)齡<5年，滿意度>80分。這個頻繁項集的支持度就是那些網(wǎng)齡在5年以下但滿意度的分數(shù)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(guī)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(qū)間[ti-1,ti]，[ti-1,ti]≈[ti,ti+1]。令Ti∈[ti-1,ti]，D(Ti)是Ti時的客戶數(shù)據(jù)，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(fā)現(xiàn)那些我們感興趣的變化模式的基礎(chǔ)。如剛才的例子，我們發(fā)現(xiàn)頻繁項集“網(wǎng)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(wǎng)齡在5年以下但滿意度高于80分的客戶數(shù)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(wù)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(guān)注兩種變化：穩(wěn)定的變化和呈現(xiàn)出某種趨勢的變化，不關(guān)注不規(guī)律的變化（認為是環(huán)境的因素造成的）。如果在一定時間范圍內(nèi)某個軌跡呈現(xiàn)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(xiàn)在的情況的反映，但是呈現(xiàn)某種趨勢的軌跡，在環(huán)境不變的情況下，則可以據(jù)此對未來的情況做出一個估計。對于某種客戶細分群，企業(yè)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(yè)的期望與實際情況有出入的時候，企業(yè)就會知道應該在戰(zhàn)略和策略上做出調(diào)整了。對應的，如果在一定時間范圍內(nèi)某個軌跡呈現(xiàn)的情況為，其值總是在一個水平上上下波動，就像價值規(guī)律一樣，我們就說它是穩(wěn)定的變化。在環(huán)境不變的情況下，亦可以據(jù)此對未來的 （下轉(zhuǎn)第62頁） （上接第50頁） 情況做出一個估計。對于企業(yè)來說，往往很多客戶細分群呈現(xiàn)出穩(wěn)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(fā)現(xiàn)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(guān)注度。我們給出了一個啟發(fā)式的度量方法：如果一個頻繁項集呈現(xiàn)出的實際變化模式與企業(yè)最初對頻繁項集變化模式的估計有較大差異，那么分數(shù)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(wěn)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(xiàn)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(shù)就越高，這樣的頻繁項集或者細分，就越是企業(yè)需要關(guān)注的，或者說需要引起重視的，以便企業(yè)及時做出調(diào)整，采取措施。
我們將此方法運用到某企業(yè)的實際客戶數(shù)據(jù)中，發(fā)現(xiàn)了很多感興趣的客戶細分群和趨勢并提出了一些建設(shè)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(yè)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(xié)同過濾的電子商務(wù)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(guān)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(yè)管理，物流工程。
【基于項集的動態(tài)客戶細分群】相關(guān)文章：
基于Blog的動態(tài)信息資源組織03-18
基于動態(tài)資源分配的WDM-PON結(jié)構(gòu)研究基于動態(tài)資源分配的WDM-PON結(jié)03-07
基于動態(tài)能力理論的知識轉(zhuǎn)移影響因素研究03-24
基于動態(tài)股權(quán)激勵模型的員工崗位分配新模式03-21
淺談基于BS結(jié)構(gòu)的動態(tài)辦公表格系統(tǒng)的設(shè)計與實現(xiàn)03-01
基于動態(tài)過程的民營企業(yè)危機戰(zhàn)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(shù)教學動態(tài)設(shè)計03-12