- 相關(guān)推薦
基于項集的動(dòng)態(tài)客戶(hù)細分群
yjbys小編為您提供一篇關(guān)于基于項集的動(dòng)態(tài)客戶(hù)細分群的市場(chǎng)營(yíng)銷(xiāo)畢業(yè)論文，歡迎參考！
摘要：動(dòng)態(tài)市場(chǎng)中，客戶(hù)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(hù)細分群并不時(shí)的跟蹤其變化是一個(gè)非常有用的手段。 在本文中，我們提出了一個(gè)考慮到市場(chǎng)動(dòng)態(tài)性的基于頻繁項集的客戶(hù)細分方法， 它對客戶(hù)細分（即頻繁項集）的支持度軌跡進(jìn)行變化分析，進(jìn)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(hù)關(guān)系管理意味著(zhù)需要預見(jiàn)到顧客的需求還有態(tài)度的變化，及時(shí)向顧客提供和滿(mǎn)足其潛在的需求，或是在顧客還未流失的時(shí)候及時(shí)發(fā)現其不滿(mǎn)意的地方并加以改進(jìn)，令顧客滿(mǎn)意。作為客戶(hù)關(guān)系管理的核心及基礎，客戶(hù)細分對企業(yè)的戰略戰術(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(hù)細分。如果客戶(hù)數據中本身含有類(lèi)別屬性，則可以通過(guò)訓練分類(lèi)器將待分類(lèi)的客戶(hù)劃分到某一客戶(hù)類(lèi)中去；如果客戶(hù)數據中不含有類(lèi)別屬性，則可以通過(guò)諸如聚類(lèi)的算法，將特征相似的客戶(hù)劃分為一類(lèi)客戶(hù)群，但皆不會(huì )反映出客戶(hù)群的變化情況。本文通過(guò)發(fā)現頻繁項集從而挖掘出所謂感興趣的細分群，我們把這個(gè)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(gè)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(shuō)支持度）比較大，所以把它稱(chēng)為頻繁項集。形式上，數據集中所有項 的集合，用 來(lái)表示，那么一個(gè)子集 ， 就是項集。每個(gè)客戶(hù)記錄數據，其實(shí)也是一個(gè)項集，我們用 表示。因此，當的時(shí)候，我們就說(shuō)客戶(hù)數據 覆蓋或者支持項集。某個(gè)項集 的頻率，是用它的支持度sup()來(lái)度量的，用P( )或者P( )表示。例如，我們有一個(gè)數據集，包含了關(guān)于客戶(hù)滿(mǎn)意度的調查結果，從中得到一個(gè)頻繁項集：網(wǎng)齡<5年，滿(mǎn)意度>80分。這個(gè)頻繁項集的支持度就是那些網(wǎng)齡在5年以下但滿(mǎn)意度的分數高于80分的客戶(hù)的相對頻率，也就是說(shuō)，它的支持度描述了這個(gè)客戶(hù)細分群的相對規模。接下來(lái)，我們將頻繁項集和客戶(hù)細分群這兩個(gè)詞作為同義詞。
2.支持度軌跡
頻繁項集的變化則是通過(guò)在一定時(shí)間里其支持度的變化反映出來(lái)。我們將一段時(shí)間軸[t0,tn]分割成n>1個(gè)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(shí)的客戶(hù)數據，原則上Ti+1Ti≈TiTi-1。則對于同一個(gè)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(gè)支持度軌跡則是接下來(lái)用來(lái)發(fā)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(fā)現頻繁項集“網(wǎng)齡<5年，滿(mǎn)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(mǎn)意度高于80分的客戶(hù)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(wù)就是把一些項 的集合找出來(lái)形成項集 ，滿(mǎn)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(hù)的集合就形成了一個(gè)細分群。接下來(lái)，對于每個(gè)項集 ，我們計算出其支持度sup( ,Ti)（若某個(gè)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：穩定的變化和呈現出某種趨勢的變化，不關(guān)注不規律的變化（認為是環(huán)境的因素造成的）。如果在一定時(shí)間范圍內某個(gè)軌跡呈現出向上的增長(cháng)或者向下的減少，這種增長(cháng)或減少是逐漸的，我們就說(shuō)它是一種趨勢。一個(gè)軌跡只能是過(guò)去和現在的情況的反映，但是呈現某種趨勢的軌跡，在環(huán)境不變的情況下，則可以據此對未來(lái)的情況做出一個(gè)估計。對于某種客戶(hù)細分群，企業(yè)通常都有一個(gè)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(shí)際情況有出入的時(shí)候，企業(yè)就會(huì )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(shí)間范圍內某個(gè)軌跡呈現的情況為，其值總是在一個(gè)水平上上下波動(dòng)，就像價(jià)值規律一樣，我們就說(shuō)它是穩定的變化。在環(huán)境不變的情況下，亦可以據此對未來(lái)的 （下轉第62頁(yè)） （上接第50頁(yè)） 情況做出一個(gè)估計。對于企業(yè)來(lái)說(shuō)，往往很多客戶(hù)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(shí)驗中，我們可能會(huì )發(fā)現很多感興趣的細分，但不是對每個(gè)頻繁項集 我們都有同樣的興趣，這就引出了一個(gè)興趣度的概念，其實(shí)就是我們主觀(guān)上給某個(gè)頻繁項集對于我們的興趣程度打個(gè)分，以表示我們對它的關(guān)注度。我們給出了一個(gè)啟發(fā)式的度量方法：如果一個(gè)頻繁項集呈現出的實(shí)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，那么分數自然就較高。接下來(lái)，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(shí)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(shí)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(shí)際的變化比較不明顯。
因此，最初的估計與實(shí)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(yè)需要關(guān)注的，或者說(shuō)需要引起重視的，以便企業(yè)及時(shí)做出調整，采取措施。
我們將此方法運用到某企業(yè)的實(shí)際客戶(hù)數據中，發(fā)現了很多感興趣的客戶(hù)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(gè)新的方法，希望對企業(yè)在與客戶(hù)打交道的過(guò)程中能有所幫助。
[1]杜修平,王中.基于決策樹(shù)的證券客戶(hù)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(guò)濾的電子商務(wù)推薦機制[J].江蘇科技大學(xué)
學(xué)報:自然科學(xué)版
孔力（1985—）男，漢族，四川大學(xué)工商管理學(xué)院碩士研究生，研究方向為客戶(hù)關(guān)系管理。
王子旗（1988—）男，漢族，四川大學(xué)工商管理學(xué)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(dòng)態(tài)客戶(hù)細分群】相關(guān)文章：
基于Blog的動(dòng)態(tài)信息資源組織03-18
基于動(dòng)態(tài)資源分配的WDM-PON結構研究基于動(dòng)態(tài)資源分配的WDM-PON結03-07
基于動(dòng)態(tài)能力理論的知識轉移影響因素研究03-24
基于動(dòng)態(tài)股權激勵模型的員工崗位分配新模式03-21
淺談基于BS結構的動(dòng)態(tài)辦公表格系統的設計與實(shí)現03-01
基于動(dòng)態(tài)過(guò)程的民營(yíng)企業(yè)危機戰略管理03-28
基于新課程視野下信息技術(shù)教學(xué)動(dòng)態(tài)設計03-12