CRM系統(tǒng)：聚類(lèi)模型在客戶關(guān)系管理中的應(yīng)用以及對(duì)特征提取的探討

聚類(lèi)模型在客戶關(guān)系管理中的應(yīng)用 以及對(duì)特征提取的探討 譚元戎, 孫劍平 (南京理工大學(xué)經(jīng)濟(jì)管理學(xué)院, 南京210094) 　　摘要:隨著數(shù)據(jù)挖掘技術(shù)的發(fā)展和信息的增長(zhǎng),企業(yè)和公司開(kāi)始運(yùn)用數(shù)據(jù)挖掘技術(shù)來(lái)分析和處理他們?cè)谏虡I(yè)活 動(dòng)中積累的關(guān)于客戶的大量數(shù)據(jù),以從中發(fā)現(xiàn)重要的規(guī)律,來(lái)指導(dǎo)公司的營(yíng)銷(xiāo)策略。客戶聚類(lèi)就是一個(gè)重要的問(wèn) 題。它根據(jù)客戶的個(gè)人屬性和行為屬性,把相似的客戶群聚集起來(lái)。公司可以根據(jù)不同類(lèi)型的客戶作出不同的營(yíng) 銷(xiāo)策略。本文討論了有關(guān)聚類(lèi)模型的兩個(gè)問(wèn)題。第一,介紹了兩種經(jīng)典的聚類(lèi)算法,以及他們的復(fù)雜度。并討論它 們?cè)诳蛻絷P(guān)系管理中的應(yīng)用和有效性;第二,討論了特征提取在聚類(lèi)過(guò)程中的必要性,并給出了如何在聚類(lèi)模型中 進(jìn)行特征提取的有效算法。 關(guān)鍵詞:聚類(lèi);客戶關(guān)系管理;數(shù)據(jù)挖掘;特征提取;非監(jiān)督學(xué)習(xí) 中圖分類(lèi)號(hào): F22419 　　文獻(xiàn)標(biāo)志碼:A 1 　引言 隨著數(shù)據(jù)挖掘技術(shù)的成熟,以及客戶的個(gè)人信 息和行為數(shù)據(jù)的積累,企業(yè)和公司開(kāi)始重視運(yùn)用數(shù) 據(jù)挖掘技術(shù)來(lái)分析這些數(shù)據(jù),希望從中得到有用的 知識(shí)和規(guī)律,來(lái)指導(dǎo)公司的營(yíng)銷(xiāo)策略和發(fā)展計(jì)劃。 因此,數(shù)據(jù)挖掘技術(shù)在客戶關(guān)系管理[1 ] 領(lǐng)域中找到 了很重要的應(yīng)用。 例如,銀行有一個(gè)數(shù)據(jù)庫(kù)來(lái)保存客戶數(shù)據(jù)。包 括客戶的個(gè)人信息,如性別,年齡,收入水平等,以及 客戶的行為數(shù)據(jù),如客戶在銀行開(kāi)的賬戶類(lèi)型,每月 的存儲(chǔ)活動(dòng),信用卡客戶的刷卡紀(jì)錄等。移動(dòng)公司 可以掌握用戶的個(gè)人信息,以及行為數(shù)據(jù):每月通話 的頻率,時(shí)間長(zhǎng)短,通話類(lèi)型(本地,長(zhǎng)途,漫游) 等。 綜合用戶的個(gè)人信息和行為數(shù)據(jù),公司可以分析客 戶的消費(fèi)特性。 基于對(duì)客戶的分析,對(duì)客戶群體進(jìn)行聚類(lèi),是一 個(gè)重要的問(wèn)題。聚類(lèi)就是對(duì)客戶群體的一個(gè)劃 分———把相似的客戶歸為一類(lèi),把不相似的客戶劃 分到不同的類(lèi)中。比如移動(dòng)客戶中,如果每月話費(fèi) 在1 000 元以上,有很多長(zhǎng)途或者漫游的呼叫,這類(lèi) 客戶通常是經(jīng)常出差,公務(wù)繁忙的高額漫游客戶群; 如果每月話費(fèi)在100 元內(nèi),短信數(shù)量很大而通話比 重較小的,這類(lèi)客戶往往是工作地點(diǎn)比較固定,并且 比較經(jīng)濟(jì)型消費(fèi)的低端客戶群;如果用GPRS 上網(wǎng) 量大消費(fèi)額高,這類(lèi)客戶就是GPRS 大客戶群。如 果企業(yè)能夠?qū)蛻暨M(jìn)行有效的聚類(lèi),識(shí)別出客戶子 群體,就能夠根據(jù)每種子群體,總結(jié)出他們有代表性 的屬性,并針對(duì)他們的消費(fèi)行為,設(shè)計(jì)營(yíng)銷(xiāo)策略。對(duì) 移動(dòng)公司而言,可以針對(duì)不同客戶群,設(shè)計(jì)不同的優(yōu) 惠移動(dòng)套餐,以吸引相應(yīng)的消費(fèi)人群。 聚類(lèi)(clustering) 算法和分類(lèi)(classification) 算法的一個(gè)重要的區(qū)別是,聚類(lèi)是一種非監(jiān)督的學(xué) 習(xí)(unsupervised learning) , 而分類(lèi)是一種有監(jiān)督 的學(xué)習(xí)( supervised learning)1 在分類(lèi)問(wèn)題中,數(shù)據(jù) 除了屬性之外,還有類(lèi)屬性,標(biāo)示數(shù)據(jù)屬于哪一類(lèi)。 分類(lèi)算法就是根據(jù)這些訓(xùn)練數(shù)據(jù)來(lái)建立一個(gè)分類(lèi)模 型,模型的參數(shù)調(diào)整到使得模型可以最好的區(qū)分訓(xùn) 練數(shù)據(jù)。而聚類(lèi)問(wèn)題只有數(shù)據(jù)的屬性值,沒(méi)有類(lèi)屬 性。并且用戶事先不知道有幾個(gè)子類(lèi)。聚類(lèi)算法是 通過(guò)數(shù)據(jù)屬性的分布而找出相對(duì)密集的點(diǎn),作為一 個(gè)子類(lèi),相對(duì)分散的點(diǎn)作為其他的子類(lèi)。 聚類(lèi)模型為分析客戶數(shù)據(jù)提供了一種有力的工 具。在實(shí)際應(yīng)用中,客戶數(shù)據(jù)通常只有屬性,沒(méi)有類(lèi) 屬性。或者類(lèi)別通常由客戶根據(jù)主題而定義,并人 為地給每個(gè)數(shù)據(jù)點(diǎn)賦上類(lèi)屬性值。因此,給訓(xùn)練數(shù) 據(jù)集人工的賦上類(lèi)屬性是很耗時(shí),并且很主觀的。 而聚類(lèi)算法就沒(méi)有這樣的要求,因此聚類(lèi)算法很適 合用于分析無(wú)類(lèi)屬性值的數(shù)據(jù)。 但是,運(yùn)用聚類(lèi)算法也有一些難點(diǎn)。①有些算 法需要用戶預(yù)先指定子類(lèi)的個(gè)數(shù)。可是用戶往往面 對(duì)著大量數(shù)據(jù),很難準(zhǔn)確地估計(jì)出這些數(shù)據(jù)可以自 然的分割成幾個(gè)子類(lèi)。而且,聚類(lèi)的結(jié)果也會(huì)因?yàn)? 用戶指定子類(lèi)的個(gè)數(shù)不同而不同。②數(shù)據(jù)里有很多 屬性。可是有些對(duì)于聚類(lèi)并不相關(guān),比如說(shuō),用戶的 家庭住址。怎樣有效的選擇相關(guān)的屬性進(jìn)行聚類(lèi), 需要在聚類(lèi)之前對(duì)數(shù)據(jù)進(jìn)行分析,進(jìn)行特征提取。 ③數(shù)據(jù)里有連續(xù)的屬性, 例如工資,年齡;也有離散 的屬性,例如性別,職位。對(duì)連續(xù)屬性計(jì)算距離很自 然,但是對(duì)于離散的屬性,很難定義不同屬性值之間 的距離。④不同的連續(xù)屬性,他們的取值有不同的 范圍。比如說(shuō),工資通常在(1 000 ,10 000) 間取值, 而年齡通常在(18 ,80) 間取值。如果兩個(gè)數(shù)據(jù)點(diǎn),他 們的工資差別是2 000 ,而年齡差別是5 , 如果把這 兩個(gè)距離簡(jiǎn)單的相加,那么在工資屬性上的距離會(huì) 大大超過(guò)年齡的差距,從而削弱年齡這個(gè)屬性的影 響力。因此,在聚類(lèi)之前,要先對(duì)各屬性進(jìn)行歸一化 (normalization) 。一種辦法是把每個(gè)連續(xù)的屬性值 都?xì)w一化到一個(gè)統(tǒng)一的區(qū)間,比如[ 0 ,1 ]之間。 作者認(rèn)為,在上面提到的對(duì)聚類(lèi)的數(shù)據(jù)進(jìn)行特 征提取是一個(gè)很重要、值得研究的問(wèn)題。在數(shù)據(jù)挖 掘或者機(jī)器學(xué)習(xí)的領(lǐng)域中,絕大部分的對(duì)特征提取 問(wèn)題進(jìn)行研究的工作都是在有監(jiān)督學(xué)習(xí)的框架下, 比如分類(lèi)算法中, 決策樹(shù)C415[2 ] 用Information Gain 來(lái)進(jìn)行特征提取。然而,聚類(lèi)問(wèn)題屬于非監(jiān)督 學(xué)習(xí)。在這種情況下進(jìn)行特征提取,難度會(huì)大大增 加,由于缺乏類(lèi)屬性的信息,因此不能給每個(gè)單獨(dú)的 特征給出一個(gè)有效性的衡量。 盡管使用聚類(lèi)算法有這些難度,它還是給用戶 分析公司的客戶數(shù)據(jù)提供很好的模型。公司可以根 據(jù)客戶在屬性上的差別,把他們分成不同的子類(lèi)。 然后分析每個(gè)子類(lèi)的特點(diǎn)。本文將討論兩種重要的 聚類(lèi)算法,然后討論如何將它們運(yùn)用到客戶關(guān)系管 理的實(shí)例中。再給出在聚類(lèi)問(wèn)題中(非監(jiān)督學(xué)習(xí)) 進(jìn) 行特征提取的算法。本文將按照以下的結(jié)構(gòu)組織。 第二節(jié)討論兩種重要的聚類(lèi)算法,他們的優(yōu)缺點(diǎn),以 及他們的時(shí)間復(fù)雜度。這些算法將作為分析客戶子 群體的重要模型。第三節(jié)討論將聚類(lèi)算法運(yùn)用到客 戶聚類(lèi)問(wèn)題上的步驟,和每一步應(yīng)注意的問(wèn)題。第 四節(jié),介紹聚類(lèi)問(wèn)題中的特征提取算法。第五節(jié)用 一些實(shí)驗(yàn)來(lái)驗(yàn)證聚類(lèi)算法和特征提取算法。第六節(jié) 給出結(jié)論并結(jié)束全文。 2 　聚類(lèi)模型 聚類(lèi)算法根據(jù)不同的方法,可以分成以下幾種 類(lèi)型: 基于劃分的,例如K - Means [3 ] , K - Me2 doids [4 ] ; 基于層次的,例如BIRCH [5 ] , CURE [6 ] ; 基于密度的, 例如DBSCAN[7 ] , OPTICS [8 ]1 在這 一節(jié)我們將詳細(xì)介紹K - Means 算法,并討論它的 一個(gè)改進(jìn)版本,并分析它們的復(fù)雜度。 K- Means 屬于基于劃分的聚類(lèi)算法。其基本 思路是,選擇K 個(gè)數(shù)據(jù)點(diǎn)作為子類(lèi)的中心,然后根 據(jù)所定義的距離的衡量,把其余的點(diǎn)都劃分到不同 的子類(lèi)。K2Means 是聚類(lèi)模型中最有代表性的一 個(gè)算法。它的思路是: ①隨機(jī)的挑選K 個(gè)數(shù)據(jù)點(diǎn)作 為初始的中心; ②把每一個(gè)數(shù)據(jù)點(diǎn)歸到離它最近的 中心; ③對(duì)每一個(gè)子類(lèi),計(jì)算它們的屬性值的平均 值,把算出的平均值作為新的中心; ④重復(fù)步驟②, 直到每一個(gè)數(shù)據(jù)點(diǎn)的歸類(lèi)都不再變化。K2Means 的好處在于它的時(shí)間復(fù)雜度比較低,是O ( t kn) , t 是算法循環(huán)的次數(shù),k 是子類(lèi)的個(gè)數(shù),n 是數(shù)據(jù)點(diǎn)的 個(gè)數(shù)。通常t , k < < n , 因此K - Means 可以看成 是數(shù)據(jù)點(diǎn)個(gè)數(shù)的線性復(fù)雜度。但是K2Means 算法 的最終結(jié)果常常因?yàn)槌跏蓟行牡牟煌煌 - Means 實(shí)際上是一個(gè)EM ( Expectation2Maximi2 zation) [ 9 ] 算法,所以它的結(jié)果是一個(gè)局部最優(yōu)解,而 不能保證全局最優(yōu)解。另一個(gè)問(wèn)題是每一步在計(jì)算 每個(gè)子類(lèi)的平均值。對(duì)于離散值,如何定義平均值 是一個(gè)問(wèn)題。而且K2Means 算法對(duì)于容易受到數(shù) 據(jù)中的噪音影響總體的聚類(lèi)效果, 比如說(shuō),有一個(gè) 數(shù)據(jù)點(diǎn),它的某一個(gè)屬性值的值異常的大,用這個(gè)屬 性值計(jì)算出來(lái)的平均值會(huì)影響整個(gè)數(shù)據(jù)的分布,從 而影響聚類(lèi)的結(jié)果。 K2Medoids 是對(duì)K2Means 的一個(gè)改進(jìn)。算法 的思路基本相同,但是在每一步不用子類(lèi)中數(shù)據(jù)點(diǎn) 的平均值作為子類(lèi)的中心,而是選擇子類(lèi)中最中心 的數(shù)據(jù)點(diǎn)作為這個(gè)子類(lèi)的中心。K2Medoids 的算法 如下: ①隨機(jī)的選擇K 個(gè)數(shù)據(jù)點(diǎn)作為初始的中心; ②選一個(gè)非中心的數(shù)據(jù)點(diǎn)A 去代替一個(gè)中心B ,計(jì) 算這個(gè)代替會(huì)不會(huì)在帶來(lái)更好的聚類(lèi)效果。如果 是,用A 代替B 作為中心; ③重復(fù)步驟②,直到子類(lèi) 的中心不再變化。K2Medoids 比K2Means 能夠更 好的處理數(shù)據(jù)中的噪音,因?yàn)橛靡粋€(gè)實(shí)際的數(shù)據(jù)點(diǎn) 作為子類(lèi)的中心,比用一個(gè)子類(lèi)的平均值作中心,會(huì) 更少的受數(shù)據(jù)中的噪音影響。但是K - Medoids 時(shí) 間復(fù)雜度比K- Means 高,是O( k ( n - k) 2 ) , n 是數(shù) 據(jù)點(diǎn)的個(gè)數(shù),k 是子類(lèi)的個(gè)數(shù)。因此對(duì)于小的數(shù)據(jù) 集, K2Medoids 效果很不錯(cuò),但是對(duì)于大的數(shù)據(jù)集, 效率卻不夠高了。 強(qiáng)力推薦： 天柏客戶關(guān)系管理系統(tǒng) 天柏客戶關(guān)系管理系統(tǒng)（CRM）是一款集專業(yè)性、實(shí)用性、易用性為一體的純B/S架構(gòu)的CRM系統(tǒng)，它基于以客戶為中心的協(xié)同管理思想和營(yíng)銷(xiāo)理念，圍繞客戶生命周期的整個(gè)過(guò)程，針對(duì)不同價(jià)值的客戶實(shí)施以客戶滿意為目標(biāo)的營(yíng)銷(xiāo)策略，通過(guò)企業(yè)級(jí)協(xié)同，有效的“發(fā)現(xiàn)、保持和留住客戶”，從而達(dá)到留住客戶、提高銷(xiāo)售，實(shí)現(xiàn)企業(yè)利潤(rùn)最大化的目的。通過(guò)對(duì)客戶進(jìn)行7P的深入分析，即客戶概況分析(Profiling)、客戶忠誠(chéng)度分析(Persistency)、客戶利潤(rùn)分析(Profitability)、客戶性能分析(Performance)、客戶未來(lái)分析(Prospecting)、客戶產(chǎn)品分析(Product)、客戶促銷(xiāo)分析(Promotion)以及改善與管理企業(yè)銷(xiāo)售、營(yíng)銷(xiāo)、客戶服務(wù)和支持等與客戶關(guān)系有關(guān)的業(yè)務(wù)流程并提高各個(gè)環(huán)節(jié)的自動(dòng)化程度，從而幫助企業(yè)達(dá)到縮短銷(xiāo)售周期、降低銷(xiāo)售成本、擴(kuò)大銷(xiāo)售量、增加收入與盈利、搶占更多市場(chǎng)份額、尋求新的市場(chǎng)機(jī)會(huì)和銷(xiāo)售渠道，最終從根本上提升企業(yè)的核心競(jìng)爭(zhēng)力，使得企業(yè)在當(dāng)前激烈的競(jìng)爭(zhēng)環(huán)境中立于不敗之地。 關(guān)鍵詞：CRM,CRM系統(tǒng),CRM軟件,客戶關(guān)系管理,客戶管理軟件,客戶管理系統(tǒng),客戶關(guān)系管理軟件,客戶關(guān)系管理系統(tǒng)